Автоматизированный комплекс мультидисциплинарной нейросетевой поддержки врачебных решений при лечении ишемической болезни сердца

В статье рассмотрены методы и процедуры разработки нейросетевой системы поддержки принятия решения при выборе тактики оперативного вмешательства на коронарных сосудах сердца, предназначенной для консультирования широкого круга практикующих кардиологов и кардиохирургов при принятии решения о тактике проведения оперативного вмешательства при состояниях пациентов, связанных с нарушением проводимости коронарных сосудов. Основываясь на математической модели, учитывающей ряд факторов и опыт исходов предыдущих операций, нейросетевая система предлагает выбор между аортокоронарным шунтированием и чрескожным коронарным вмешательством. Определённое системой решение может служить дополнительным голосом и фактором для окончательного принятия коллегиального решения в сложных клинических случаях. Правильно принятое решение влияет на сроки восстановления пациента после операции, качество жизни после восстановления, возможность продолжать трудовую деятельность после лечения. Нейросетевая система поддержки принятия решения в области кардиохирургии выполнена в виде стандартного приложения для персонального компьютера со специфическими техническими характеристиками, позволяющими обрабатывать большой массив данных. Доступ к системе может получить любой врач кардиолог или кардиохирург, зарегистрированный в системе и прошедший валидацию. Созданный комплекс призван обеспечить учреждения системы здравоохранения цифровым продуктом и сервисом отечественного производства на основе нового технологического уклада.

1. Gogayeva O. Comparison of the EuroSCORE I, EuroSCORE II and STS Scales in Cardiac Surgery of High-Risk Patients with Complicated Forms of CAD. Ukrainian journal of cardiovascular surgery. 2020; 3(40): 15-21.

2. Singh N., Gimpel D., Parkinson G. et al. Assessment of the EuroSCORE II in a New Zealand Tertiary Centre. Heart, Lung and Circulation. 2019; 28(11): 1670-1676. doi: 10.1016/j.hlc.2018.09.004.

3. Hatamnejad MR, Heydari AA, Salimi M, et al. The utility of SYNTAX score predictability by electrocardiogram parameters in patients with unstable angina. BMC Cardiovasc Disord. 2022; 22(8). doi: 10.1186/s12872-022-02455-6.

4. Minamisawa M, Miura T, Motoki H, et al. Prediction of 1-year clinical outcomes using the SYNTAX score in patients with prior heart failure undergoing percutaneous coronary intervention: sub-analysis of the SHINANO registry. Heart Vessels. 2017; 32(4): 399-407.

5. Modolo R, Collet C, Onuma Y, Serruys PW. SYNTAX II and SYNTAX III trials: what is the take home message for surgeons? Annals of Cardiothoracic Surgery. 2018; (4): 470-483. doi: 10.21037/acs.2018.07.02.

6. Nibber A, Ziada KM, Whayne TF. Predictive Value of the Logistic Clinical SYNTAX Score. Angiology. 2015; 66(8): 711-713. doi: 10.1177/0003319714562244.

7. Самородская И.В., Чернявская Т.К., Какорина Е.П., Семенов В.Ю. Ишемические болезни сердца: анализ медицинских свидетельств о смерти // Российский кардиологический журнал. — 2022. — Т.27. — №1. — С.22-28.

8. Чернявская Т.К., Глезер М.Г. Клиническая характеристика и лечение амбулаторных пациентов с хронической сердечной недостаточностью в Московской области // Альманах клинической медицины. — 2021. — Т.49. — №2. — С.125-131.

9. Romiti S., Vinciguerra M., Saade W., Anso Cortajarena I., Greco E. Artificial Intelligence (AI) and Cardiovascular Diseases: an Unexpected Alliance. Cardiology Research and Practice. 2020; 2020: 1-8.

10. Zghyer F, Yadav S, Elshazly MB. Artificial Intelligence and Machine Learning. Precision Medicine in Cardiovascular Disease Prevention. 2021; 18: 133-148.

11. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. — 2017. — Т.6. — №3. — С.28-59.

12. Shaker M, Tantawi M, Shedeed A, Tolba F. Generalization of convolutional neural networks for ECG classification using generative adversarial networks. IEEE Access. 2020; 8: 35592-35605.

13. Голубев А.С., Звягин М.Ю., Прокошев В.Г., Рожков М.М. Особенности распознавания методом ближайшего элемента в алгоритмах вычисления оценок // Прикладная информатика. — 2013. — №1(43). — С.87-94.

14. Журавлев Ю.И., Назаренко Г.И., Рязанов В.В., Клейменова Е.Б. Новый метод анализа риска развития ишемической болезни сердца с использованием геномных и компьютерных технологий // Кардиология. — 2011. — Т.51. — №2. — С.19-25.

15. Son C, Kim Y, Kim H, Park H, Kim M. Decision-making model for early diagnosis of congestive heart failure using rough set and decision tree approaches. Journal of Biomedical Informatics. 2012; 45: 999-1008.

16. Высоцкая Е.В., Беловод А.Н., Кириченко А.Н. Восстановление пропущенных значений параметров в таблицах биохимических анализов пациентов с псориазом // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. — 2010. — №21. — С.38-45.

17. Lipton ZC, Kale D, Wetzel,R. Directly modeling missing data in sequences with rnns: Improved classification of clinical time series. In Machine Learning for Healthcare Conference. 2016; 253-270.

18. Шафроненко А.Ю., Волкова В.В., Бодянский Е.В. Адаптивная кластеризация данных с пропущенными значениями // Радиоэлектроника, информатика, управление. — 2011. — №2(25). — С.115-119.

19. Астахова И.Ф., Киселева Е.И. Интеллектуальная поддержка принятия врачебных решений // Современные информационные технологии и ИТ-образование. — 2020. — Т.16. — №3. — С.664-672.

20. Sharma M, Savage C, Nair M, Larsson I, Svedberg P, Nygren JM. Artificial Intelligence Applications in Health Care Practice: Scoping Review. J Med Internet Res. 2022; 24(10): e40238.