Идентификация клинического ухудшения в результате развития ОСН, СПОН или ОГМ посредством классификации на основе данных об интервалах RR и QT
Ключевые слова:
классификация пациентов на основе ЭКГ, идентификация ухудшения клинического состояния, прогнозирование по медицинским данным, анализ ЭКГ, машинное обучение, искусственный интеллект, наука о данных, логистическая регрессия, стратификация риска смертности, интервал RR, интервал QTАннотация
Резкое ухудшение состояния на фоне развития жизнеугрожающих аритмий с симптомами острой сердечной недостаточности (ОСН), синдрома полиорганной недостаточности (СПОН) или отёка головного мозга (ОГМ) может привести к гибели пациента. Поскольку известные методы автоматизированной диагностики в настоящий момент не могут достаточно точно и своевременно определить, что пациент находится в жизнеугрожающем состоянии, ведущем к летальному исходу от ОСН, СПОН или ОГМ, существует необходимость в разработке соответствующих методов. Одним из способов выявить предикторы такого состояния является применение методов машинного обучения к накопленным наборам данных. В данной статье решалась задача проверки с помощью методов анализа данных гипотезы о наличии зависимости между результатами измерения ЭКГ и последующим летальным исходом пациента в результате развития СПОН, ОСН или ОГМ. Был предложен метод комбинирования данных, сводящейся к тому, чтобы на основе характеристик ЭКГ для каждого пациента предложить алгоритм, на вход которого подаются пары интервалов RR и QT, а на выходе получается число, которое является характеристикой состояния пациента. На основе полученной характеристики производится классификация пациентов на группы: основную (пациенты с летальным исходом) и контрольную (выжившие пациенты). Полученная модель классификации закладывает потенциал для разработки методов идентификации клинического состояния пациента, что позволит автоматизировать получение сигнала о его ухудшении. Новизна результата заключается в подтверждении гипотезы о наличии зависимости между результатами измерения ЭКГ и последующим летальным исходом пациента в результате развития СПОН, ОСН или ОГМ, а также предложенном критерии и модели классификации, которые позволяют решать актуальную задачу автоматической фиксации ухудшения состояния пациентов.
Литература
1. [Preventive cardiology. Under. ed. G.M. Kositsky.]. Meditsina [Medicine]; 1987. 512 p. (InRuss.).
2. Mjasnikov A.L. Jeksperimental'nye nekrozy miokarda [Experimental myocardial necrosis]. M. Medicina. 1963. 204 p. (InRuss.).
3. Brodsky M., Wu D., Penes P., Kanakis Ch., Rosen K. Arrythmias documented by 24 hour continius electrocardiographic monitoring in 50 male medical students without apparent heart diseases. The American journal of cardiology. 1977. vol. 39. No. 3. pp. 390–395. doi: 10.1097/00132586-197710000-00002
4. Umetini K., Singer D., McCarty R., Atkinson M. 24 Hour time domain heart rate variability and heart rate: relations to age and gender over nine decades. Journal of the American College of Cardiology. 1998. vol. 31. No. 3. pp. 593–601. doi: 10.1016/s0735-1097(97)00554-8
5. Makarov L.M. Holterovskoe monitorirovanie. [Holter monitoring.] M: ID ”Medpraktika – M”. 2008. 504 p. (InRuss.).
6. Kleiger R.E., Miller J.P., Bigger Jr J.T., Moss A.J. Decreased heart rate variability and its association with increased mortality after acute myocardial infarction. The American journal of cardiology. 1987. vol. 59. №. 4. pp. 256–262. doi: 10.1016/0002-9149(87)90795-8
7. Anischenko V.S. Znakomstvo s nelinejnoj dinamikoj [Acquaintance with nonlinear dynamics.]. Izdatelstvo LKI. 2018. 224 p. (InRuss.).
8. Rathakrishnan K., Min S.N., Park S.J. Evaluation of ECG Features for the Classification of Post-Stroke Survivors with a Diagnostic Approach. Applied Sciences. 2021. vol. 11. No. 1: 192.
9. Wang X., Gong G., Li N., Ding L., Ma Y. Decoding pilot behavior consciousness of EEG, ECG, eye movements via an SVM machine learning model. International Journal of Modeling, Simulation, and Scientific Computing. 2020. vol. 11. №. 04: 2050028.
10. Antosik-Wojcinska A.Z., Dominiak M., Chojnacka M. Kaczmarek-Majer K., Opara K.R., Radziszewska. W., Olwert A., Swiecicki L. Smartphone as a monitoring tool for bipolar disorder: a systematic review including data analysis, machine learning algorithms and predictive modelling. International Journal of Medical Informatics. 2020. vol. 138: 104131.
11. Srivastava A.K., Kumar Y., Singh P.K. A Rule-Based Monitoring System for Accurate Prediction of Diabetes: Monitoring System for Diabetes. International Journal of E-Health and Medical Communications (IJEHMC). 2020. vol. 11. №. 3. pp. 32–53.
12. Aziz, S., Ahmed, S. & Alouini, M.S. ECG-based machine-learning algorithms for heartbeat classification. Sci Rep 11. 2021. vol. 18738. https://doi.org/10.1038/s41598-021-97118-5.
13. Tougui I., Jilbab A., El Mhamdi J. Heart disease classification using data mining tools and machine learning techniques. Health and Technology. 2020. vol. 10. pp. 1137–1144.
14. Park J., Kim J.W., Ryu B., Heo E., Jung S.Y., Yoo S. Patient-Level Prediction of Cardio-Cerebrovascular Events in Hypertension Using Nationwide Claims Data. Journal of medical Internet research. 2019. vol. 21. №. 2: e11757.
15. Guo A., Zhang K.W., Reynolds K., Foraker R.E. Coronary heart disease and mortality following a breast cancer diagnosis. BMC medical informatics and decision making. 2020. vol. 20: 88.
16. Kovalev M.S., Utkin L.V., Kasimov E.M. SurvLIME: A method for explaining machine learning survival models. Knowledge-Based Systems. 2020. vol. 203. pp. 106–164.
17. Sohal H., Jain S. Interpretation of cardio vascular diseases using electrocardiogram: A study. 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC). IEEE, 2018. pp. 159–164.
18. Yao L.K., Liu C.C., Li P., Wang J.K., Liu Y.Y., Li W., Wang X.P., Li H., Zhang H. Enhanced Automated Diagnosis of Coronary Artery Disease Using Features Extracted From QT Interval Time Series and ST–T Waveform. IEEE Access. 2020. vol. 8. pp. 129510–129524.
19. George K., Sankaran P., Joseph K.P. Computer assisted recognition of breast cancer in biopsy images via fusion of nucleus-guided deep convolutional features. Computer Methods and Programs in Biomedicine. 2020. vol. 194: 105531.
20. Hyun S., Kaewprag P., Cooper C., Hixon B., Moffatt-Bruce S. Exploration of Critical Care Data by Using Unsupervised Machine Learning. Computer Methods and Programs in Biomedicine. 2020. vol. 194: 105507.
21. Hang W.L., Feng W., Liang S., Wang Q., Liu X.J., Choi K.S. Deep Stacked Support Matrix Machine Based Representation Learning for Motor Imagery EEG Classification. Computer Methods and Programs in Biomedicine. 2020. vol. 193: 105466.
22. Louridi N., Amar M., El Ouahidi B. Identification of Cardiovascular Diseases Using Machine Learning. Proceedings of the 7th Mediterranean Congress of Telecommunications 2019, CMT 2019, Fez, Morocco, 24–25 October 2019. 2019. pp. 1–6
23. Villamor E., Monserrat C., Del Rio L., Romero-Martin J.A., Ruperez M.J. Prediction Of Osteoporotic Hip Fracture In Postmenopausal Women Through Patient-Specific FE Analyses And Machine Learning. Computer Methods and Programs in Biomedicine. 2020. vol. 193: 105484.
24. Perumal R., Kaladevi A.C. Early Prediction of Coronary Heart Disease from Cleveland Dataset using Machine Learning Techniques. Int. J. Adv. Sci. Technol. 2020. vol. 29. pp. 4225–4234.
25. Lepeshkin E., Surawicz B. The measurement of the QT interval of the electrocardiogram. Circulation, 1952;6:378-388 https://doi.org/10.1161/01.cir.6.3.378
26. Rymarczyk T., Kozłowski E., Kłosowski G., Niderla K. Logistic Regression for Machine Learning in Process Tomography. Sensors. 2019. vol. 19. No. 15: 3400. doi: 10.3390/s19153400
27. Bishop C. Pattern Recognition and Machine Learning. Springer-Verlag New York, 2006. 738 p.
28. Delen D., Topuz K., Eryarsoy E. Development of a Bayesian Belief Network-based DSS for predicting and understanding freshmen student attrition. Operations research and management sciences. 2020. vol. 281. pp. 575–587.
29. Kharitonov N.A., Maximov A.G., Tulupyev A.L. Algebraic Bayesian networks: the use of parallel computing while maintaining various degrees of consistency. International Conference on Information Technologies. Springer, Cham. 2019. pp. 446–456.
30. Nielsen T.D., Jensen F.V. Bayesian networks and decision graphs. Springer Science Business Media. 2009. 464 p.
31. Tulupyev A.L., Stolyarov D.M., Mentyukov M.V. Representation of the local and global structure of an algebraic Bayesian network in Java applications. Proceedings of SPIIRAS. 2017. vol. 5. No. 0. pp. 71–99.
32. Kharitonov N., Malchevskaia E., Zolotin A., Abramov M. External consistency maintenance algorithm for chain and stellate structures of algebraic bayesian networks: statistical experiments for running time analysis. International Conference on Intelligent Information Technologies for Industry. Springer, Cham. 2018. pp. 23–30.
33. Baevskij R.M., Ivanov G.G., Gavrilushkin A.P., Dovgalevskij P.Ja., Kukushkin Ju.A., Mironova T.F., Priluckij D.A., Semenov A.V., Fedorov V.F., Flejshman A.N., Medvedev M.M., Chirejkin L.V. [Analysis of Heart Rate Variability When Using Different Electrocardiographic Systems (Part 1)]. Vestnik aritmologii [Bulletin of Arithmology]. 2002. No. 24. pp 65–86.
34. Ponomarenko V.I., Karavaev A.S., Borovkova E.I., Hramkov A.N., Kiselev, A.R., Prokhorov M.D., Penzel T. Decrease of coherence between the respiration and parasympathetic control of the heart rate with aging. Chaos: An Interdisciplinary Journal of Nonlinear Science. 2021. vol. 31. no. 7: 073105.
35. Karavaev A.S., Ishbulatov Yu Y.M., Prokhorov M.D., Ponomarenko V.I., Kiselev A.R., Runnova A.E., Hramkov A.N., Semyachkina-Glushkovskaya O.V., Kurths J., Penzel T. Simulating dynamics of circulation in the awake state and different stages of sleep using non-autonomous mathematical model with time delay. Frontiers in Physiology. 2020. vol. 11: 1656.
36. Karavaev A.S., Borovkova E.I., Runnova A.E., Kiselev A.R., Zhuravlev M.O., Ponomarenko V.I., Prokhorov M.D., Koronovskii A.A., Hramov A.E. Experimental Observation of the Self-Oscillatory Dynamics of the Regulation Contours of the Cardiovascular System. Radiophysics and Quantum Electronics. 2019. vol. 61. no. 8. pp. 681-688.
2. Mjasnikov A.L. Jeksperimental'nye nekrozy miokarda [Experimental myocardial necrosis]. M. Medicina. 1963. 204 p. (InRuss.).
3. Brodsky M., Wu D., Penes P., Kanakis Ch., Rosen K. Arrythmias documented by 24 hour continius electrocardiographic monitoring in 50 male medical students without apparent heart diseases. The American journal of cardiology. 1977. vol. 39. No. 3. pp. 390–395. doi: 10.1097/00132586-197710000-00002
4. Umetini K., Singer D., McCarty R., Atkinson M. 24 Hour time domain heart rate variability and heart rate: relations to age and gender over nine decades. Journal of the American College of Cardiology. 1998. vol. 31. No. 3. pp. 593–601. doi: 10.1016/s0735-1097(97)00554-8
5. Makarov L.M. Holterovskoe monitorirovanie. [Holter monitoring.] M: ID ”Medpraktika – M”. 2008. 504 p. (InRuss.).
6. Kleiger R.E., Miller J.P., Bigger Jr J.T., Moss A.J. Decreased heart rate variability and its association with increased mortality after acute myocardial infarction. The American journal of cardiology. 1987. vol. 59. №. 4. pp. 256–262. doi: 10.1016/0002-9149(87)90795-8
7. Anischenko V.S. Znakomstvo s nelinejnoj dinamikoj [Acquaintance with nonlinear dynamics.]. Izdatelstvo LKI. 2018. 224 p. (InRuss.).
8. Rathakrishnan K., Min S.N., Park S.J. Evaluation of ECG Features for the Classification of Post-Stroke Survivors with a Diagnostic Approach. Applied Sciences. 2021. vol. 11. No. 1: 192.
9. Wang X., Gong G., Li N., Ding L., Ma Y. Decoding pilot behavior consciousness of EEG, ECG, eye movements via an SVM machine learning model. International Journal of Modeling, Simulation, and Scientific Computing. 2020. vol. 11. №. 04: 2050028.
10. Antosik-Wojcinska A.Z., Dominiak M., Chojnacka M. Kaczmarek-Majer K., Opara K.R., Radziszewska. W., Olwert A., Swiecicki L. Smartphone as a monitoring tool for bipolar disorder: a systematic review including data analysis, machine learning algorithms and predictive modelling. International Journal of Medical Informatics. 2020. vol. 138: 104131.
11. Srivastava A.K., Kumar Y., Singh P.K. A Rule-Based Monitoring System for Accurate Prediction of Diabetes: Monitoring System for Diabetes. International Journal of E-Health and Medical Communications (IJEHMC). 2020. vol. 11. №. 3. pp. 32–53.
12. Aziz, S., Ahmed, S. & Alouini, M.S. ECG-based machine-learning algorithms for heartbeat classification. Sci Rep 11. 2021. vol. 18738. https://doi.org/10.1038/s41598-021-97118-5.
13. Tougui I., Jilbab A., El Mhamdi J. Heart disease classification using data mining tools and machine learning techniques. Health and Technology. 2020. vol. 10. pp. 1137–1144.
14. Park J., Kim J.W., Ryu B., Heo E., Jung S.Y., Yoo S. Patient-Level Prediction of Cardio-Cerebrovascular Events in Hypertension Using Nationwide Claims Data. Journal of medical Internet research. 2019. vol. 21. №. 2: e11757.
15. Guo A., Zhang K.W., Reynolds K., Foraker R.E. Coronary heart disease and mortality following a breast cancer diagnosis. BMC medical informatics and decision making. 2020. vol. 20: 88.
16. Kovalev M.S., Utkin L.V., Kasimov E.M. SurvLIME: A method for explaining machine learning survival models. Knowledge-Based Systems. 2020. vol. 203. pp. 106–164.
17. Sohal H., Jain S. Interpretation of cardio vascular diseases using electrocardiogram: A study. 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC). IEEE, 2018. pp. 159–164.
18. Yao L.K., Liu C.C., Li P., Wang J.K., Liu Y.Y., Li W., Wang X.P., Li H., Zhang H. Enhanced Automated Diagnosis of Coronary Artery Disease Using Features Extracted From QT Interval Time Series and ST–T Waveform. IEEE Access. 2020. vol. 8. pp. 129510–129524.
19. George K., Sankaran P., Joseph K.P. Computer assisted recognition of breast cancer in biopsy images via fusion of nucleus-guided deep convolutional features. Computer Methods and Programs in Biomedicine. 2020. vol. 194: 105531.
20. Hyun S., Kaewprag P., Cooper C., Hixon B., Moffatt-Bruce S. Exploration of Critical Care Data by Using Unsupervised Machine Learning. Computer Methods and Programs in Biomedicine. 2020. vol. 194: 105507.
21. Hang W.L., Feng W., Liang S., Wang Q., Liu X.J., Choi K.S. Deep Stacked Support Matrix Machine Based Representation Learning for Motor Imagery EEG Classification. Computer Methods and Programs in Biomedicine. 2020. vol. 193: 105466.
22. Louridi N., Amar M., El Ouahidi B. Identification of Cardiovascular Diseases Using Machine Learning. Proceedings of the 7th Mediterranean Congress of Telecommunications 2019, CMT 2019, Fez, Morocco, 24–25 October 2019. 2019. pp. 1–6
23. Villamor E., Monserrat C., Del Rio L., Romero-Martin J.A., Ruperez M.J. Prediction Of Osteoporotic Hip Fracture In Postmenopausal Women Through Patient-Specific FE Analyses And Machine Learning. Computer Methods and Programs in Biomedicine. 2020. vol. 193: 105484.
24. Perumal R., Kaladevi A.C. Early Prediction of Coronary Heart Disease from Cleveland Dataset using Machine Learning Techniques. Int. J. Adv. Sci. Technol. 2020. vol. 29. pp. 4225–4234.
25. Lepeshkin E., Surawicz B. The measurement of the QT interval of the electrocardiogram. Circulation, 1952;6:378-388 https://doi.org/10.1161/01.cir.6.3.378
26. Rymarczyk T., Kozłowski E., Kłosowski G., Niderla K. Logistic Regression for Machine Learning in Process Tomography. Sensors. 2019. vol. 19. No. 15: 3400. doi: 10.3390/s19153400
27. Bishop C. Pattern Recognition and Machine Learning. Springer-Verlag New York, 2006. 738 p.
28. Delen D., Topuz K., Eryarsoy E. Development of a Bayesian Belief Network-based DSS for predicting and understanding freshmen student attrition. Operations research and management sciences. 2020. vol. 281. pp. 575–587.
29. Kharitonov N.A., Maximov A.G., Tulupyev A.L. Algebraic Bayesian networks: the use of parallel computing while maintaining various degrees of consistency. International Conference on Information Technologies. Springer, Cham. 2019. pp. 446–456.
30. Nielsen T.D., Jensen F.V. Bayesian networks and decision graphs. Springer Science Business Media. 2009. 464 p.
31. Tulupyev A.L., Stolyarov D.M., Mentyukov M.V. Representation of the local and global structure of an algebraic Bayesian network in Java applications. Proceedings of SPIIRAS. 2017. vol. 5. No. 0. pp. 71–99.
32. Kharitonov N., Malchevskaia E., Zolotin A., Abramov M. External consistency maintenance algorithm for chain and stellate structures of algebraic bayesian networks: statistical experiments for running time analysis. International Conference on Intelligent Information Technologies for Industry. Springer, Cham. 2018. pp. 23–30.
33. Baevskij R.M., Ivanov G.G., Gavrilushkin A.P., Dovgalevskij P.Ja., Kukushkin Ju.A., Mironova T.F., Priluckij D.A., Semenov A.V., Fedorov V.F., Flejshman A.N., Medvedev M.M., Chirejkin L.V. [Analysis of Heart Rate Variability When Using Different Electrocardiographic Systems (Part 1)]. Vestnik aritmologii [Bulletin of Arithmology]. 2002. No. 24. pp 65–86.
34. Ponomarenko V.I., Karavaev A.S., Borovkova E.I., Hramkov A.N., Kiselev, A.R., Prokhorov M.D., Penzel T. Decrease of coherence between the respiration and parasympathetic control of the heart rate with aging. Chaos: An Interdisciplinary Journal of Nonlinear Science. 2021. vol. 31. no. 7: 073105.
35. Karavaev A.S., Ishbulatov Yu Y.M., Prokhorov M.D., Ponomarenko V.I., Kiselev A.R., Runnova A.E., Hramkov A.N., Semyachkina-Glushkovskaya O.V., Kurths J., Penzel T. Simulating dynamics of circulation in the awake state and different stages of sleep using non-autonomous mathematical model with time delay. Frontiers in Physiology. 2020. vol. 11: 1656.
36. Karavaev A.S., Borovkova E.I., Runnova A.E., Kiselev A.R., Zhuravlev M.O., Ponomarenko V.I., Prokhorov M.D., Koronovskii A.A., Hramov A.E. Experimental Observation of the Self-Oscillatory Dynamics of the Regulation Contours of the Cardiovascular System. Radiophysics and Quantum Electronics. 2019. vol. 61. no. 8. pp. 681-688.
Опубликован
2022-03-15
Как цитировать
Абрамов, М. В., Цуканова, Е. И., Тулупьев, А. Л., Корепанова, А. А., & Алексанин, С. С. (2022). Идентификация клинического ухудшения в результате развития ОСН, СПОН или ОГМ посредством классификации на основе данных об интервалах RR и QT. Информатика и автоматизация, 21(2), 311-338. https://doi.org/10.15622/ia.21.2.4
Раздел
Математическое моделирование и прикладная математика
Copyright (c) Максим Викторович Абрамов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).