![]() |
ИСТИНА |
Войти в систему Регистрация |
ФНКЦ РР |
||
Среди серьёзных сердечно-сосудистых заболеваний особое место занимает блокада левой ножки пучка Гиса (далее – БЛНПГ). По статистике этим заболеванием страдают 1.2% взрослых людей в возрасте до 50 лет (к 80 годам доля заболеваний увеличивается до 17%). БЛНПГ – достаточно распространённый синдром, который характеризуется нарушением проводимости электрического импульса в левой ножке пучка проводящей системы сердца, что, в свою очередь, может привести к нарушению нормального ритма сердечных сокращений и развитию сердечной недостаточности. В этой связи представляет особую актуальность разработка математических методов и программного обеспечения с применением технологий машинного обучения и интеллектуального анализа данных для автоматизации постановки диагноза БЛНПГ в кардиограммах пациентов, в том числе и в дистанционном режиме. Целью данной работы является разработка такой модели, обеспечивающей автоматическую и высокоточную постановку диагноза БЛНПГ в ЭКГ-исследованиях. В качестве наполнения базы данных для обучения этой модели послужили около 10000 записей ЭКГ, предоставленные сотрудниками ООО «АТЕС МЕДИКА софт», с подтверждёнными (положительными и отрицательными) врачебными диагнозами. Ключевым обстоятельством является то, что мы имеем дело с кардиограммами, прошедшими предварительную (стандартную) обработку: применены фильтры высоких, низких частот, сетевой наводки, удалены зашумлённые сегменты, что существенно повышает эффективность решения задачи. В качестве основного метода обучения модели применялся линейный метод машинного обучения – метод опорных векторов SVM (Support Vector Machine), основанный на концепциях оптимального разделения классов и построения гиперплоскости для разделения данных и предназначенный для их классификации и регрессии. А также применялись и ансамблевые методы, направленные на анализ веса каждого признака, входящего в модель. Дополнительно были проведены исследования с применением нейронных сетей на базе архитектуры ResNet-18. Разработанная сеть обучалась на различных наборах данных: как на открытой БД PTB_XL, так и на БД, предоставленных ООО «АТЕС МЕДИКА софт». Одним из главных результатов исследования послужил сравнительный анализ разработанных моделей. Была проведена работа по подбору параметров, наиболее существенно влияющих на качество работы модели, построена матрица ошибок (Confusion Matrix) для оценки эффективности работы классификаторов. Путём тестирования был подобран оптимальный набор параметров, обеспечивающий наилучшие результаты и самый низкий процент врачебной ошибки 2-го рода. Численные эксперименты, проведённые на тестовой выборке из базы данных, показали, что разработанная модель уже сейчас может применяться на практике.