Алгоритмы интеллектуального анализа данных: опыт применения в кардиологии

Р.В. Хурса, М.В. Войтикова УО «Белорусский государственный медицинский университет», ГНУ «Институт физики имени Б.И. Степанова Национальной академии наук Беларуси»

2017 №2 | Новые технологии

Аннотация

Список литературы

Скачать полнотекстовую статью

Приведены примеры приложения некоторых компьютерных алгоритмов интеллектуального анализа данных (Data Mining) к параметрам сердечно-сосудистой системы (артериальное давление, вариабельность сердечного ритма), которые открывают новые диагностические возможности этих известных показателей в кардиологической функциональной диагностике. Так линейная регрессия индивидуальных рядов артериального давления пациентов и применение алгоритма Data Mining к коэффициентам регрессии позволило создать диагностическую номограмму, с помощью которой дифференцируются 10 гемодинамических классов, в том числе патологические классы у нормотензивных лиц, как проявление скрытых гемодинамических нарушений.Применение Data Mining к параметрам ВСР показало отличие регуляции кровообращения у нормотензивных лиц и у пациентов с АГ по характеристикам связей параметров ВСР.

Ключевые слова:

интеллектуальный анализ данных (Data Mining), артериальное давление, линейная регрессия, гемодинамика, диагностическая номограмма, вариабельность сердечного ритма

Data mining algorithms: application experience in cardiology

The samples of own using of Data Mining algorithms in cardiologic functional diagnostics are given. Data Mining application to the parameters of the cardiovascular system such as blood pressure (BP) and heart rate variability (HRV) reveals new diagnostic possibilities in the cardiologic practice. Thus, the diagnostic classification nomogram has been created by applying the Data Mining algorithm “Support vector machine” to the regression coefficients received on the personal patient’s BP parameters. This nomogram allowed diagnosing 10 hemodynamic classes, including abnormal classes in normotensive persons. These classes are the manifestation of latent hemodynamic disturbances, which need dynamic clinical observation of such patients. Data Mining algorithms application to HRV parameters revealed the important differences in regulation of blood circulation in normotensive patients and in hypertensive ones. The samples of the using Data Mining algorithms show the new possibilities of the “old” diagnostic methods.

Keywords

Data Mining, blood pressure, linear regression, hemodynamics, diagnostic nomogram, heart rate variability.

1. Ардашев, А.В. Практические аспекты современных методов анализа вариабельности сердечного ритма/А.В. Ардашев, А.Ю. Лоскутов.– М.: ИД «МЕДПРАКТИКА-М», 2010. – 156 с.
2. Войтикова, М.В., Хурса, Р.В. Номограмма гемодинамических состояний по параметрам артериального давления //Технологии живых систем. №2. 2014. С. 45-53.
3. Способ диагностики диастолической дисфункции кровообращения: Патент BY №6950/ В.М. Чеботарев, Р.В. Хурса. – Заявка №а20010017; приор. 09.01.2001.
4. Способ диагностики систолической дисфункции кровообращения: Патент BY №6952 / В.М. Чеботарев, Р.В. Хурса. – Заявка №а20011059; приор. 11.12.2001.
5. Способ диагностики типа гемодинамического состояния сердечно-сосудистой системы: Патент BY №19976/ М.В.Войтикова, Р.В.Хурса.- Заявка № а20130215; приор.19.02.2013.
6. Хурса, Р.В. Пульсовое давление крови: роль в гемодинамике и прикладные возможности в функциональной диагностике/ Р.В. Хурса //Мед. новости. – 2013. – №4. – С.13-19.
7. Хурса, Р.В. Суточное мониторирование артериального давления с использованием интеллектуального анализа данных: новые диагностические возможности/ Р.В. Хурса, М.В. Войтикова// Артериальная гипертензия. – 2015. – № 2(40). – С.34-42.
8. Хурса, Р.В. Функциональное состояние сосудов у практически здоровых лиц с патологическими гемодинамическими типами (по данным линейной регрессии параметров артериального давления)/ Р.В. Хурса //Мед. панорама, 2014.-№7(151).-С.5-9; Артериальная гипертензия.-2014.-№6 (39).- С.39-45.
9. Хурса, Р.В. Гемодинамические детерминанты гомеостаза и адаптации/Р.В.Хурса, В.М. Чеботарев //Клиническая физиология кровообращения. – 2007. – №4. – С.71–77.
10. Чубукова, И. А. Data Mining: учебное пособие/ И. А.Чубукова. – М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 382 с.
11. [Электронный ресурс]: https://physionet.org/physiobank/database/nsr2db/
12. [Электронный ресурс]: https://physionet.org/pn6/shareedb/
13. Acharya, R. Heart rate variability: a review/ R. Acharya, P. Joseph, N. Kannathal et al //Med. Biol. Eng. Comput. – 2006. – № 44 (12). – р. 1031-1051.
14. Boveda, S. Prognostic value of heart rate variability in time domain analysis in congestive heart failure // J. Interv. Card. Electrophysiol. – 2001. – V. 5. – p. 181-187.
15. Malik, M. Heart rate variability: standards of measurement, physiological interpretation, and clinical use/ M. Malik, J.T. Bigger, A.J. Camm et al // Eur. Heart J. – 1996. – №17 (3). – p. 354-381.
16. The MIMIC II Project database. URL: http://physionet.org/physiobank/database/mimic2db
17. Voss, A. REVIEW: Methods derived from nonlinear dynamics for analyzing heart rate variability/ A. Voss, S. Schulz, R.Schroeder, M. Baumert, P.Caminal// Phil. Trans. R. Soc. A - 2009. – V. 367. – P. 277–296, doi: 10.1098.