RU2733077C1 - Способ диагностики острого коронарного синдрома - Google Patents
Способ диагностики острого коронарного синдрома Download PDFInfo
- Publication number
- RU2733077C1 RU2733077C1 RU2020110416A RU2020110416A RU2733077C1 RU 2733077 C1 RU2733077 C1 RU 2733077C1 RU 2020110416 A RU2020110416 A RU 2020110416A RU 2020110416 A RU2020110416 A RU 2020110416A RU 2733077 C1 RU2733077 C1 RU 2733077C1
- Authority
- RU
- Russia
- Prior art keywords
- patient
- neural networks
- vector
- analysis
- ensemble
- Prior art date
Links
- 208000004476 Acute Coronary Syndrome Diseases 0.000 title claims abstract description 41
- 238000012631 diagnostic technique Methods 0.000 title abstract 2
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 210000004369 blood Anatomy 0.000 claims abstract description 19
- 239000008280 blood Substances 0.000 claims abstract description 19
- 210000000440 neutrophil Anatomy 0.000 claims abstract description 18
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 16
- 210000001616 monocyte Anatomy 0.000 claims abstract description 16
- 210000004027 cell Anatomy 0.000 claims abstract description 15
- 238000004159 blood analysis Methods 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 210000000601 blood cell Anatomy 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims abstract description 3
- 238000009534 blood test Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 239000003814 drug Substances 0.000 abstract description 6
- 230000002489 hematologic effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 21
- 210000002569 neuron Anatomy 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 15
- 238000000513 principal component analysis Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 208000031481 Pathologic Constriction Diseases 0.000 description 10
- 230000036262 stenosis Effects 0.000 description 10
- 208000037804 stenosis Diseases 0.000 description 10
- 210000000265 leukocyte Anatomy 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 210000003651 basophil Anatomy 0.000 description 6
- 210000003979 eosinophil Anatomy 0.000 description 6
- 210000003743 erythrocyte Anatomy 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 102100036859 Troponin I, cardiac muscle Human genes 0.000 description 3
- 101710128251 Troponin I, cardiac muscle Proteins 0.000 description 3
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 2
- 102100027378 Prothrombin Human genes 0.000 description 2
- 108010094028 Prothrombin Proteins 0.000 description 2
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 230000036982 action potential Effects 0.000 description 2
- 206010000891 acute myocardial infarction Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 230000003680 myocardial damage Effects 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 229940039716 prothrombin Drugs 0.000 description 2
- 238000013125 spirometry Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 239000005541 ACE inhibitor Substances 0.000 description 1
- 240000003278 Amelanchier canadensis Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010007556 Cardiac failure acute Diseases 0.000 description 1
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 206010024119 Left ventricular failure Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 102000003929 Transaminases Human genes 0.000 description 1
- 108090000340 Transaminases Proteins 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 238000013176 antiplatelet therapy Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002876 beta blocker Substances 0.000 description 1
- 229940097320 beta blocking agent Drugs 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 229940066901 crestor Drugs 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 239000002471 hydroxymethylglutaryl coenzyme A reductase inhibitor Substances 0.000 description 1
- 230000001096 hypoplastic effect Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 238000013146 percutaneous coronary intervention Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- LALFOYNTGMUKGG-BGRFNVSISA-L rosuvastatin calcium Chemical compound [Ca+2].CC(C)C1=NC(N(C)S(C)(=O)=O)=NC(C=2C=CC(F)=CC=2)=C1\C=C\[C@@H](O)C[C@@H](O)CC([O-])=O.CC(C)C1=NC(N(C)S(C)(=O)=O)=NC(C=2C=CC(F)=CC=2)=C1\C=C\[C@@H](O)C[C@@H](O)CC([O-])=O LALFOYNTGMUKGG-BGRFNVSISA-L 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Urology & Nephrology (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Изобретение относится к медицинской технике, а именно к способу диагностики острого коронарного синдрома. Способ включает формирование базы данных, содержащей информацию о результатах клинического анализа крови пациентов с острым коронарным синдромом и здоровых людей группы контроля, которую в дальнейшем используют для обучения нейронных сетей, после чего осуществляют взятие цельной венозной крови обследуемого пациента, перемешивают пробу крови, затем производят исследование клинического анализа крови на автоматическом гематологическом анализаторе, после этого результаты исследования копируют с анализатора в виде FCS-файлов и переносят на персональный компьютер для предварительной обработки и машинного анализа, причем предварительная обработка включает перевод оператором при помощи программного обеспечения, позволяющего работать с FCS-файлами, графических изображений в виде скатерограмм анализа крови пациента в цифровой эквивалент - вектор, который содержит информацию обо всех исследованных клетках в виде данных их расположения по осям скатерограммы X и Y, при этом оператор с учетом морфологических показателей представленных на анализ клеток крови дифференцирует их на три субпопуляции: нейтрофилы, лимфоциты и моноциты, после чего полученный результат в цифровом эквиваленте сохраняют в отдельный файл программы для работы с электронными таблицами, затем в вышеуказанном цифровом эквиваленте скатерограммы анализа крови пациента - векторе отсекают последние элементы, а именно координаты клеток, так, чтобы количество элементов обследуемого пациента соответствовало количеству элементов пациентов, результаты которых находятся в предварительно сформированной базе данных, после чего все элементы векторов обследуемого пациента объединяются последовательно в один общий глобальный вектор Vglob, затем стандартизируют полученный вектор путем вычитания из глобального вектора обследуемого пациента среднего значения соответствующих векторов из предварительно сформированной базы данных и последующего деления на стандартное отклонение соответствующих векторов базы данных, затем применяют метод главных компонент для уменьшения размерности признаков с n элементов до 2-4 главных компонент {Xn}, сохранив при этом как можно больше изменчивости признаков, посредством программного обеспечения для математических вычислений, в результате получают сокращенный вектор, затем производят стандартизацию с помощью описанных выше действий уже сокращенного вектора до вида 
, после чего применяют ансамбль из нейронных сетей, которые обучают на предварительно сформированной базе данных пациентов с острым коронарным синдромом и здоровых людей группы контроля путем внесения информации в программное обеспечение для машинного анализа об их результатах клинического анализа крови и окончательного диагноза - «острый коронарный синдром» или «здоров», при этом количество нейронных сетей в ансамбле зависит от результатов оценки точности предсказания окончательного диагноза и составляет от 1 до 10, при этом используют композиции алгоритмов, каждый из которых параллельно обучают на подпространстве обучающей выборки из предварительно сформированной базы данных пациентов с острым коронарным синдромом и здоровых людей группы контроля, причем из множества обучающей выборки отбирают от 1 до n подмножеств путем случайного выбора элементов с повторениями в каждом из наблюдений подмножества, чтобы затем передать их математическим моделям для анализа с последующей агрегацией данных в ансамбль и расчета вероятности положительного диагноза, при этом подмножества рассматривают как репрезентативные и независимые значения истинного распределения данных, и на каждом из подмножеств обучают нейронную сеть как модель, при этом применяют ансамблевый метод, причем после обучения нейронных сетей и их агрегации в ансамбль проверяется их точность на тестовой выборке, при этом по итогу обучения нейронных сетей и приемлемому результату тестирования, при условии ошибки результатов оценки менее 5%, аналогичным образом производят исследование клинического анализа крови обследуемого пациента, а для оценки положительного диагноза в процентах строят график, где используют поля вероятности для классификации диагнозов в двухмерном подпространстве, которые представляют собой оси абсцисс и ординат, соответствующих главным компонентам, причем указанные поля рассматривают как зрение нейронных сетей для неизвестных случаев, при этом диагноз обследуемому пациенту ставят следующим образом: если результаты пациента окажутся в области графика, выделенной для отрицательного диагноза, то ансамбль нейронных сетей выдаст наиболее высокую вероятность для отрицательного диагноза, если в области графика, выделенной для положительного диагноза - наиболее высокую вероятность для положительного диагноза - острый коронарный синдром. Техническим результатом является повышение правильности постановки диагноза пациенту с точностью до 95-96,77%. 14 ил., 2 табл.
Description
Изобретение относится к медицине, а именно к кардиологии, может быть использовано для диагностики острого коронарного синдрома в медицинских учреждениях при первичном контакте с пациентами, поступившими по неотложным показаниям с предварительным диагнозом «острый коронарный синдром (ОКС)».
Известно, что сроки оказания специализированной медицинской помощи и адекватная маршрутизация пациентов с ОКС напрямую оказывают влияние на прогноз заболевания и вероятность развития неблагоприятных исходов (
В., James S., Agewall S., Antunes M., Bucciarelli-Ducci С,
Bueno H. et al. ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation. European Heart Journal. 2017; 39 (2): 119-177). При этом клинический анализ крови один из наиболее доступных методов диагностики в практической медицине, отражающий системные патологические процессы в организме человека на основе количественной оценки клеточного состава и морфологии крови. Современные автоматические гематологические анализаторы имеют возможность характеризовать более 20 параметров клеток крови. Часть информации в клиническом анализе крови предоставляется анализаторами в графическом виде. Гематологические анализаторы, дифференцирующие общее количество лейкоцитов (WBC) на 5 субпопуляций (5 diff-анализаторы): нейтрофилы (NEU), лимфоциты (LYM), моноциты (MON), эозинофилы (EOS), базофилы (BAS) - графическую информацию о клеточном составе представляют в виде графиков рассеивания -скаттерограмм (англ. scatter), на которых каждая точка соответствует одной клетке. При этом по оси X и Y могут быть выбраны различные морфологические характеристики клетки - размер, сложность, лобулярность и другие (Takubo Т., Tatsumi N. Further evolution and leukocyte differential using an automated blood cell counter. Rinsho Byori. 1995;43(9):925-930). Ввиду большого объема получаемой информации о картине крови пациента врачи зачастую не в состоянии ее исчерпывающе интерпретировать относительно клинической ситуации (Chaudhury A., Noiret L., Higgins J. White blood cell population dynamics for risk stratification of acute coronary syndrome. Proceedings of the National Academy of Sciences, 2017; 114(46), pp.12344-12349). С ростом количества цифровых данных, предоставляемых аналитическими системами, растет потенциальная перспектива применения методов машинного обучения для увеличения эффективности доступной диагностической информации в интересах пациента (Pieszko K., Hiczkiewicz J., Budzianowski P., 
J., Budzianowski J., Blaszczynski J., 
R., Burchardt, P. Machine-learned models using hematological inflammation markers in the prediction of short-term acute coronary syndrome outcomes. Journal of Translational Medicine, 2018; 16(1):334).
Известен способ прогнозирования течения и исхода острого коронарного синдрома. В способе электрокардиографически определяют в двенадцати отведениях (I-V6): сумма отклонений сегмента ST, сумма элевации сегмента ST, сумма депрессии сегмента ST, корригированная дисперсия интервала QT с учетом частоты сердечных сокращений, рассчитанной по формуле Базета, объем поражения миокарда, рассчитанный по стандартной электрокардиограмме и дополнительным отведениям по Слопаку (S1-S4) и по Нэбу (D, А, I). Данные параметры используют для построения модели, позволяющей прогнозировать течение и исход ОКС, для чего используют дискриминантный анализ с последовательным включением переменных в итоге в модель включают степень левожелудочковой недостаточности, объем поражения миокарда, корригированную дисперсию интервала DQTc, частоту сердечных сокращений, возраст пациента, сумму депрессии сегмента ST, сумму отклонений сегмента ST. Затем определяют классификационную функцию для пациентов с ОКС с неблагоприятным, сомнительным и благоприятным исходом, полученные коэффициенты подставляют в формулу дискриминантного анализа и рассчитывают дискриминаторы групп R1-R3 (патент RU2401053, МПК А61 В 5/00, опубл. 10.10.2010 г.).
Известен способ прогнозирования острого коронарного синдрома. В способе проводят холтеровское мониторирование ЭКГ и спирометрии на 15-20-е сутки от начала заболевания. При показателях спирометрии: резервный объем вдоха меньше 1,78 л; жизненная емкость легких меньше 3,71 л; функциональная жизненная емкость легких меньше 3,80 л; средняя объемная скорость меньше 2,80 л/с и показателях холтеровского мониторирования: средняя величина 5-минутных стандартных отклонений R-R-интервалов, вычисленных за 24 часа - SDNN index больше 25 мс; квадратный корень из среднего значения квадратов разностей величин последовательных интервалов R-R - RMSSD меньше 24 мс; количество случаев, в которых разница между длительностью последовательных R-R-интервалов превышает 50 мс - NN50 меньше 1333; процент последовательных интервалов R-R, различие между которыми превышает 50 мс - pNN50 меньше 4,3%, циркадный индекс больше 1,2; триангулярный индекс больше 46 регистрируют отрицательный прогноз развития острого коронарного синдрома (патент RU2410021, МПК А61В 5/04, опубл. 27.01.2011 г.).
Недостатком описанных аналогов является многокомпонентность инструментальной диагностики, которая занимает сравнительно длительное время. Кроме того, перечисленные инструментальные методы диагностики (эхокардиография, холтеровское мониторирование) чаще всего недоступны при первичном контакте с пациентом в приемном отделении даже специализированных стационаров.
Способы диагностики ОКС по анализу крови пациента исследовались в следующих работах: Chaudhury A., Noiret L., Higgins J. White blood cell population dynamics for risk stratification of acute coronary syndrome. Proceedings of the National Academy of Sciences, 2017; 114(46), pp. 12344-12349; Pieszko K., Hiczkiewicz J., Budzianowski P., 
J., Budzianowski J.,
J., 
R., Burchardt, P. Machine-learned models using hematological inflammation markers in the prediction of short-term acute coronary syndrome outcomes. Journal of Translational Medicine, 2018; 16(1):334.
Однако в вышеописанных работах не были учтены возможности ансамблевого метода машинного обучения, ввиду чего не были достигнуты высокие показатели правильной диагностики нозологии.
Технической проблемой изобретения является разработка способа диагностики ОКС, который повысит качество оказания медицинской помощи пациентам с острым коронарным синдромом при первичном контакте на госпитальном этапе.
Технический результат - повышение правильности постановки диагноза пациенту с точностью до 95-96,77%.
Проблема решается, а технический результат достигается способом диагностики острого коронарного синдрома, при котором предварительно формируют базу данных, содержащую информацию о результатах клинического анализа крови пациентов с острым коронарным синдромом и здоровых людей группы контроля, которую в дальнейшем используют для обучения нейронных сетей, после чего осуществляют взятие цельной венозной крови обследуемого пациента, перемешивают пробу крови, затем производят исследование клинического анализа крови на автоматическом гематологическом анализаторе, после этого результаты исследования копируют с анализатора в виде FCS-файлов и переносят на персональный компьютер для предварительной обработки и машинного анализа, причем предварительная обработка включает перевод оператором при помощи программного обеспечения, позволяющего работать с FCS-файлами, графических изображений в виде скатерограмм анализа крови пациента в цифровой эквивалент - вектор, который содержит информацию обо всех исследованных клетках в виде данных их расположения по осям скатерограммы X и Y, при этом оператор с учетом морфологических показателей представленных на анализ клеток крови дифференцирует их на три субпопуляции: нейтрофилы, лимфоциты и моноциты, после чего полученный результат в цифровом эквиваленте сохраняют в отдельный файл программы для работы с электронными таблицами, затем в вышеуказанном цифровом эквиваленте скатерограммы анализа крови пациента - векторе отсекают последние элементы, а именно, координаты клеток, так, чтобы количество элементов обследуемого пациента соответствовало количеству элементов пациентов, результаты которых находятся в предварительно сформированной базе данных, после чего все элементы векторов обследуемого пациента объединяются последовательно в один общий глобальный вектор Vglob:
где NEU - нейтрофилы, MON - моноциты, LYM - лимфоциты, IAS и PSS - режимы лазерной детекции клеток в гематологическом анализаторе, X и Y - значение координат по осям абсцисс и ординат на скатерограмме клинического анализа крови, n - общее количество выявленных клеток,
затем стандартизируют полученный вектор путем вычитания из глобального вектора обследуемого пациента среднего значения соответствующих векторов из предварительно сформированной базы данных и последующего деления на стандартное отклонение соответствующих векторов базы данных следующим образом:
где {u} - указанное среднее значение, a {s} - вектор стандартных отклонений каждого элемента в предварительно собранной базе данных, затем применяют метод главных компонент для уменьшения размерности признаков с n элементов до 2-4 главных компонент {Xn}, сохранив при этом как можно больше изменчивости признаков, посредством программного обеспечения для математических вычислений, в результате получают сокращенный вектор вида:
где X1, Х2, Х3, Х4 - главные компоненты сокращенного вектора, при этом количество главных компонент зависит от наиболее успешной комбинации, позволяющей достичь наилучшего результата анализа, затем производят стандартизацию с помощью описанных выше действий уже сокращенного вектора до вида 
, после чего применяют ансамбль из нейронных сетей, которые обучают на предварительно сформированной базе данных пациентов с острым коронарным синдромом и здоровых людей группы контроля путем внесения информации в программное обеспечение для машинного анализа об их результатах клинического анализа крови и окончательного диагноза - «острый коронарный синдром» или «здоров», при этом количество нейронных сетей в ансамбле зависит от результатов оценки точности предсказания окончательного диагноза и составляет от 1 до 10, при этом используют композиции алгоритмов, причем из множества обучающей выборки отбирают от 1 до n подмножеств истинных данных из предварительно сформированной базы данных пациентов с острым коронарным синдромом и здоровых людей группы контроля путем случайного выбора элементов с повторениями в каждом из наблюдений подмножества, чтобы затем передать их математическим моделям для анализа с последующей агрегацией данных в ансамбль и расчета вероятности положительного диагноза, рассматривая нейронные сети как модели, при этом подмножества рассматривают как репрезентативные и независимые значения истинного распределения данных, и на каждом из подмножеств обучают нейронную сеть как модель, при этом применяют ансамблевый метод, причем после обучения нейронных сетей и их агрегации в ансамбль проверяется их точность на тестовой выборке, при этом по итогу обучения нейронных сетей и приемлемому результату тестирования, при условии ошибки результатов оценки менее 5%, аналогичным образом производят исследование клинического анализа крови обследуемого пациента, а для оценки положительного диагноза в процентах строят график (фиг. 13), где используют поля вероятности для классификации диагнозов в двухмерном подпространстве, которые представляют собой оси абсцисс и ординат, соответствующих главным компонентам, причем указанные поля рассматривают как зрение нейронных сетей для неизвестных случаев, при этом диагноз обследуемому пациенту ставят следующим образом: если результаты пациента окажутся в области графика, выделенной для отрицательного диагноза, то ансамбль нейронных сетей выдаст наиболее высокую вероятность для отрицательного диагноза, если в области графика, выделенной для положительного диагноза - наиболее высокую вероятность для положительного диагноза - острый коронарный синдром.
Новизна и изобретательский уровень представленного решения достигается за счет того, что по сравнению с существующими аналогами впервые использован метод главных компонент с последующим ансамблевым методом обучения искусственных нейронных сетей для диагностики острого коронарного синдрома у пациентов на основе параметров крови, в результате чего удалось значимо повысить качество дифференциального обследования пациентов, уровень которого не достигался ранее.
Сущность изобретения поясняется рисунками, где показано:
На фиг. 1 - создание исходной матрицы признаков крови пердварительной базы данных пациентов с ОКС и здоровых лиц, при этом на рисунке показано, как все векторы объединяются в один глобальный вектор Vglob, который соответствует положительному (1) или отрицательному (0) диагнозу, и далее глобальные векторы объединяются в матрицу Mm,n (Input Matrix), размер которой зависит от количества m диагнозов и n признаков (элементов) векторов. Каждая строка матрицы соответствует строке ответного вектора Ym,1 (Output);
На фиг .2 - иллюстрация применения метода главных компонент (Principal Component Analysis РСА) для уменьшения исходной матрицы, при этом показано, что метод главных компонент уменьшает матрицу Mm,n до Xm,p где размерность подпространства р≤n.;
На фиг. 3 - визуализация кластеров в двухмерном подпространстве, которая показывает, что размерность, равная двум (р=2) позволяет визуализировать классы (положительный и отрицательный диагнозы) в двухмерном подпространстве, что показывает проекцию признаков на 2 главные компоненты, где голубой цвет точки соответствует положительному, а оранжевый цвет - отрицательному диагнозу;
На фиг. 4 - разделение исходной матрицы на обучающую и тестовую выборки, где для оценки методов машинного обучения - 70% матрицы были использованы для обучающей выборки Xtrain и 30% - для тестовой Xtest выборки;
На фиг. 5 - схема применения ансамблевого метода обучения нейронных сетей, где Xtrain - обучающая выборка, Xtest - тестовая выборка, а Модель 1 - Модель k - являются нейронными сетями, Подмножество 1 - Подмножество k - подмножества истинных данных из предварительно сформированной базы данных пациентов с острым коронарным синдромом и здоровых людей группы контроля;
На фиг. 6 - показан принцип функционирования искусственного нейрона, при этом нейрон - это вычислительная единица, которая получает информацию и передает ее дальше. Нейрон получает суммарную информацию v=w1x1+…+wnxn всех нейронов с предыдущего скрытого слоя, где w это вес, умноженный на сигнал х. На выходе нейрона -суммарная информация v нормализуется с помощью функции активации у=φ(u). Функция активации нейрона φ определяет выходной сигнал, который определяется набором входных сигналов по аналогу биологического нейрона, где функция активации представляет скорость возбуждения потенциала действия в клетке;
На фиг. 7 - архитектура многослойной нейронной сети, где 4 входа во входном слое - соответствуют 4 главным компонентам в подпространстве (p1-p4), а в первом скрытом слое находятся - 32 нейрона, во втором скрытом слое - 16 нейронов, при этом имеется 2 выхода в выходном слое соответствуют положительному (1) и отрицательному (0) диагнозам;
На фиг. 8 - матрица ошибок (confusion / error matrix) где ИП: Истинно-положительные классификации; ЛП: Ложно-положительные классификации; ЛО: Ложно-отрицательные классификации; ИО: Истинно-отрицательные классификации.
На фиг. 9 - влияние количества моделей в ансамбле нейронных сетей на точность предсказания;
На фиг. 10 - влияние главных компонент на точность диагностики ОКС;
На фиг. 11 - матрица ошибок (confusion / error matrix) на тестовой выборке предварительной базы данных пациентов и здоровых лиц;
На фиг. 12 - кривая чувствительности и специфичности (ROC) на тестовой выборке предварительной базы данных пациентов и здоровых лиц;
На фиг. 13 - график с полями вероятности для классификации неизвестных случаев;
На фиг. 14 - пример представления результатов анализа субпопуляций лейкоцитов посредством скатерограмм.
Способ осуществляют следующим образом.
Пациент поступает в приемный покой медицинской организации. Наряду с другими диагностическими процедурами у пациента производится взятие цельной венозной крови из кубитальной вены посредством, например, вакуумной системы взятия крови в пробирку типа Vacutest (KIMA, Италия) объемом 4 мл и нанесенным на внутреннюю поверхность стенок пробирки 7,2 мг К3ЭДТА. Далее пробирка перемешивается путем переворачивания и вращения в горизонтальной и вертикальной плоскостях в течение 30 секунд, после чего производится исследование клинического анализа крови в открытом режиме, например, на автоматическом гематологическом анализаторе CELL-DYN Sapphire (Abbott Laboratories, США). Результаты исследования копируют с анализатора в виде FCS-файлов и переносят на доступный персональный компьютер с целью предварительной обработки и машинного анализа. Предварительная обработка заключается в переводе графических изображений - скатерограмм (графики рассеивания) в цифровой эквивалент - вектор с указанием расположения каждой клетки по осям X и Y. Для осуществления данной задачи можно использовать бесплатное программное обеспечение «Flowing Software)) версия 2.5 для работы с FCS-файлами.
По окончанию обработки FCS-файлов информацию о результатах гематологического исследования сохраняют посредством, например, программы Microsoft Excel 2013. Полученные результаты далее подвергаются процедуре машинного анализа. Машинный анализ может осуществляться с применением свободной кроссплатформенной интерактивной интегрированной среды разработки ИСР (англ. Integrated development environment - IDE) Spyder (Scientific Python Development Environment) для научных расчетов на языке Python, обеспечивающей простоту использования функциональных возможностей и легковесность программной части.
При этом используют метод главных компонент (Principal Component Analysis РСА) на предварительной базе данных и последующее машинное обучение нейронных сетей. Метод главных компонент заключается в уменьшении размерности признаков, сохраняя при этом как можно больше изменчивости (информации) признаков (Dunteman G.H. Principal Component Analysis, 1989), входящих в векторы (X, Y) для графического описания характеристик параметров крови. Большие размеры векторов могут создавать проблемы для машинного обучения, так как модели прогнозирования, основанные на этих данных, подвержены риску переобучения (Kabari L.G., Nwame В.В., Principal Component Analysis (РСА) - An Effective Tool in Machine Learning, International Journals of Advanced Research in Computer Science and Software Engineering, ISSN: 2277-128X (Volume-9, Issue-5)). Кроме того, многие из признаков могут быть избыточными или сильно коррелированными, что также может привести к снижению точности диагностики. Этот метод также значительно увеличивает скорость вычисления.
Для применения метода главных компонент все векторы объединяются в один глобальный вектор Vglob, который соответствует положительному (1) или отрицательному (0) диагнозу. Глобальные векторы (фиг. 1) объединяются в матрицу признаков крови Mm,n (input matrix) размер которой зависит от количества т диагнозов и n признаков (элементов) векторов. Каждая строка матрицы соответствует строке ответного вектора Ym,1 (output).
Вычисление главных компонент сводится к сингулярному разложению матрицы, где главные компоненты - это собственные векторы ковариационной матрицы Ω=ММТ с максимальными собственными значениями, которые образуют подпространство, где р - желаемая размерность подпространства (Jolliffe I.T., Principal Component Analysis, 1986). Традиционным мотивом для выбора собственных векторов с максимальными собственными значениями является то, что собственные значения представляют собой величину дисперсии по конкретному собственному вектору.
Метод главных компонент уменьшает матрицу (фиг. 2) Мт,п→Xm,p, где размерность подпространства р≤n.Размерность, равная двум р=2 позволяет визуализировать классы (положительный и отрицательный диагнозы) в двухмерном подпространстве. Фиг. 3 показывает проекцию признаков на первые 2 главные компоненты, где голубой цвет точки соответствует положительному, а оранжевый цвет - отрицательному диагнозу. Можно обнаружить присутствие двух сконцентрированных оранжевых кластеров, которые принадлежат здоровым пациентам. Рассеянное голубое облако вне кластеров принадлежит больным пациентам. По сути задача машинного обучения состоит в том, чтобы найти обобщенные границы между кластерами в р-мерном подпространстве. Размерность, равная четырем р=4, позволила добиться наилучших результатов.
Сжатая матрица Xm,p и ответный вектор Ym,1 используются для машинного обучения с учителем (supervised learning), где необходимо решить задачу бинарной классификации. Машинное обучение - это область искусственного интеллекта, включающее в себя методы для обнаружения взаимосвязей и паттернов в базе данных (Langley P., Elements of Machine Learning, 19969). Существует неизвестная целевая зависимость -отображение y*:Xtrain,p→Ytrain, значения которой известны только на объектах конечной обучающей выборки (train set). Требуется построить алгоритм, который приближал бы неизвестную целевую зависимость, как на элементах выборки Xtrain,, так и на всем множестве X. Для оценки методов машинного обучения - 70% матрицы были использованы для обучающей выборки Xtrain (154 случаев) и 30% - для тестовой Xtest выборки (67 случаев).
Учитывая небольшую обучающую выборку (154 случаев) существует риск переобучения (overfitting). Переобучение это - феномен, когда обученная модель хорошо классифицирует случаи из обучающей выборки, но относительно плохо классифицирует случаи из тестовой выборки (Brownlee.J., Better Deep Learning: Train Faster, Reduce Overfitting, and Make Better Predictions, 2019). Алгоритм машинного обучения обладает способностью к обобщению только в том случае, если точность предсказания диагноза на тестовой выборке Xtest достаточно высока и предсказуема, то есть не сильно отличается от точности на обучающей выборке Xtrain.
Для усиления обобщения и улучшения результата был применен ансамблевый метод - бэггинг (bootstrap aggregating). Ансамбли - это парадигма машинного обучения, где несколько моделей обучаются для решения одной и той же проблемы и объединяются для получения лучших результатов (Langley P., Elements of Machine Learning, 1996). Бэггинг - это метод классификации, использующий композиции алгоритмов, каждый из которых параллельно обучается на подпространстве обучающей выборки Xtrain. Из множества обучающей выборки Xtrain отбираются к подмножеств путем случайного выбора элементов с повторениями в каждом из наблюдений подмножества (фиг. 5).
Данные подмножеств передаются математическим моделям для анализа с последующей агрегацией результатов в ансамбль и расчета вероятности положительного диагноза, и на каждом из подмножеств обучают нейронную сеть как модель, при этом применяют ансамблевый метод. Подмножества можно рассматривать как репрезентативные и независимые выборки истинного распределения данных. Результат классификации определяется путем голосования независимых моделей, где класс, предсказываемый каждой моделью, можно рассматривать как голос, а класс, который получает большинство голосов, является ответом ансамбля.
После обучения моделей и их агрегации в ансамбль проверяется точность на тестовой выборке Xtest.. X_train - обучающая выборка, X_test -тестовая выборка, а Модель 1 - Модель n - являются нейронными сетями, Подмножество 1 - Подмножество п - подмножества истинных данных из предварительно сформированной базы данных пациентов с острым коронарным синдромом и здоровых людей группы контроля.
В качестве независимых моделей ансамбля - искусственные нейронные сети (Artificial Neural Networks ANNs) продемонстрировали самые лучшие результаты на тестовой выборке. ANNs представляют собой систему соединенных и взаимодействующих нейронов по Румельхарту (Rumelhart, David Е., Geoffrey Е. Hinton, and R. J. Williams. "Learning Internal Representations by Error Propagation". David E. Rumelhart, James L. McClelland, and the PDP research group, 1986).
Нейрон - это вычислительная единица, которая получает информацию и передает ее дальше. Нейрон получает суммарную информацию v=w1x1+…+wnxn всех нейронов с предыдущего скрытого слоя, где w это вес, умноженный на сигнал х. На выходе нейрона - суммарная информация v нормализуется с помощью функции активации у=φ(у). Функция активации нейрона φ определяет выходной сигнал, который определяется набором входных сигналов по аналогу биологического нейрона, где функция активации представляет скорость возбуждения потенциала действия в клетке (Krizhevsky A., Sutskever I., Hinton G.E., ImageNet Classification with Deep Convolutional Neural Networks, Advances in neural information processing systems 25(2), January 2012).
В качестве функции активации для всех нейронов был подобран линейный выпрямитель (Rectified linear unit ReLU). ReLU имеет простой пороговый переход в нуле, не подвержен насыщению и существенно повышает скорость сходимости стохастического градиентного спуска. Фиг. 7 показывает архитектуру нейронной сети, подобранную для данной задачи, где:
• 4 входа во входном слое - соответствуют 4 главным компонентам в подпространстве;
• в первом скрытом слое находятся - 32 нейронов, а во втором скрытом слое - 16 нейронов;
• 2 выхода в выходном слое соответствуют положительному и отрицательному диагнозам.
С математической точки зрения обучение нейронных сетей - это многопараметрическая задача нелинейной оптимизации, где необходимо найти глобальный минимум определенной целевой функции (Rojas, R., Neural Networks: A systematic Introduction, 1996). В бинарной классификации целевой функцией является перекрестная энтропия. В процессе оптимизации параметрами выступают весы w, которые оптимизируются до тех пор, пока ошибка предсказания не становится минимальной. Учитывая небольшой размер обучающей выборки - в качестве алгоритма для оптимизации был выбран Limited-memory BFGS (Broyden-Fletcher-Goldfarb-Shanno algorithm). LFBGS это - квазиньютоновский метод, основанный на накоплении информации о кривизне целевой функции по наблюдениям за изменение градиента (Pillo G., Giannessi F., Nonlinear Optimization and Applications, 1996).
Оценки модели можно сгруппировать в матрице ошибок (confusion или error matrix), как это показано на фиг. 8, где
• ИП: Истинно-положительные (true positives) классификации
• ЛП: Ложно-положительные (false positives) классификации
• ЛО: Ложно-отрицательные (false negatives) классификации
• ИО: Истинно-отрицательные (true negatives) классификации Для оценки качества моделей использовались следующие метрики:
• правильность (accuracy)
• точность (precision)
• чувствительность (recall)
• площадь под кривой ROC (AUC-ROC)
Правильность (accuracy) - самая простая метрика, дающая вероятность того, что диагноз будет предсказан правильно:
Точность (presicion) можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными:
Чувствительность (recall) показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм:
Одним из способов оценить модель в целом является площадь (Area Under Curve) под кривой ошибок ROC (Receiver Operating Charcteristic curve). Данная кривая представляет собой линию в координатах чувствительности и специфичности - Специфичность=ЛП/(ЛП+ИО). Специфичность показывает, какую долю из объектов отрицательного класса алгоритм предсказал неверно. В идеальном случае, когда классификатор предсказывает все правильно (Чувствительность =1, Специфичность =0), площадь под кривой будет равна единице, в противном случае, площадь под кривой ошибок будет стремиться к 0,5, так как классификатор будет выдавать одинаковое количество ИП и ЛП. Крутизна кривой имеет также важное значение, поскольку при максимальной чувствительности и минимальной специфичности кривая в идеале должна стремиться к точке (0,1). Наиболее часто AUC-ROC более 0,9 свидетельствует о высокой точности модели (McDowell I., Measuring Health: A Guide to Rating Scales and Questionnaires, 2006).
В Таблице 1 и на фиг.9 показано влияние количества моделей в ансамбле на точность предсказания. Ансамбль, состоящий из 7 нейронных сетей, продемонстрировал лучшие результаты на тестовой выборке.
В Таб. 2 и на фиг. 10 показано влияние главных компонент на точность предсказания. Очевидно, что в 4-мерном подпространстве ансамбль демонстрирует наилучшую точность предсказания на тестовой выборке.
Ансамбль нейронных сетей (ANNs) продемонстрировал доминирование над другими моделями на тестовой выборке. При применении нейронных сетей достигается правильность (accuracy) 0,955 на тестовой выборке. Предложенные алгоритмы правильно классифицировали 34 из 36 положительных пациентов и 30 из 31 отрицательных пациентов. Фиг. 11 демонстрирует матрицу ошибок ансамбля нейронных сетей на тестовой выборке, где 34 из 36 истинно-положительных и 30 из 31 истинно-отрицательных диагнозов были классифицированы правильно.
На фиг. 12 продемонстрирована ROC кривая тестовой выборки, из которой следует высокое качество ансамбля нейронных сетей.
Фиг. 13 визуализирует поля вероятности для классификации диагнозов в двухмерном подпространстве, где оси соответствует двум главным компонентам. Эти поля можно рассматривать, как зрение нейронных сетей для неизвестных случаев. Упрощенно говоря, если результаты пациента окажутся в красном поле, то ансамбль нейронных сетей предположит наиболее высокую вероятность для отрицательного диагноза, если в синем поле, то - наиболее высокую вероятность для положительного диагноза.
В качестве библиотеки стандартных нейронных сетей для составления ансамбля применяют Scikit-learn - наиболее распространенный выбор для решения задач классического машинного обучения. В результате специалист получает заключение о вероятности отрицательного или положительного диагнозов, выраженные в процентах.
В дальнейшем заключительный этап может осуществляться в автоматическом режиме посредством лабораторной информационной системы и после валидации результата специалистом клинической лаборатории передаваться в госпитальную информационную систему для принятия окончательного решения лечащим врачом.
Проведение описанной диагностики возможно осуществлять на основании результатов клинического анализа крови, получаемых в течение первых минут пребывания пациента в приемном отделении еще до получения других лабораторных и инструментальных методов обследования, что значительно повышает качество оказания медицинской помощи.
Пример осуществления способа на пациенте с подтвержденным в результате его осуществления «положительным» диагнозом.
Пациент Ж. 36 лет поступил в приемное отделение СПб ГБУЗ «Городская многопрофильная больница №2» 07.06.2018 с предварительным диагнозом «ИБС. Острый коронарный синдром без подъема сегмента ST. Острая сердечная недостаточность. Класс I по Killip» через два часа после появления типичного болевого синдрома. В приемном отделении выполнено электрокардиографическое исследование, по результатам которого так же не выявлено элевации сегмента ST на электрокардиограмме. Далее были взяты образцы венозной крови для лабораторного исследования, в том числе для исследования высокочувствительным методом сердечного тропонина I и клинического анализа крови. Результаты лабораторных исследований: мочевина 4.2 ммоль/л (3.0-9.2); АЛТ 16 ед./л (0-55); ACT 12 ед./л (5-34); белок общий 70 г/л (64 - 83); креатинин 74 мкмоль/л (64 - 111); билирубин общий 6.2 мкмоль/л (3.4-20.5); глюкоза 7.5 ммоль/л (3.9-5.5); калий 3.7 ммоль/л (3.5 - 5.1); натрий 137 ммоль/л (135-145); кальций ионизированный 1.23 ммоль/л (1.13-1.32); АПТВ 78.7 с (25.1-36.5); MHO 0.97 (0.90-1.20); протромбин 118.0% (70.0-140.0); протромбиновое время 11.0 с (9.4-12.5); (WBC) Лейкоциты 12.4 10Е9/л (4.0-9.0); (NEUT) нейтрофилы 10.0*109/л (2.0-5.5); (NEUT%) Нейтрофилы 80.0% (48.0-78.0); (LYM) лимфоциты 1.79*109/л (1.20-3.00); (LYM%) лимфоциты 14.3% (19.0-37.0); (MON) моноциты 0.57 109/л (0.09-0.60); (MON%) моноциты 4.6% (3.0-11.0); (EOS) эозинофилы 0.07*109/л (0.00-0.30); (EOS%) эозинофилы 0.52% (1.00-5.00); (BAS) базофилы 0.07*109/л (0.00-0.06); (BAS%) базофилы 0.52% (0.00-1.00); (HGB) гемоглобин 134 г/л (130-160); (НСТ) гематокрит 40.7% (40.0-48.0); (RBC) эритроциты 4.45 10*12/л (4.00 - 5.60); (МСН) среднее содержание гемоглобина в эритроцитах 30.1 пг (24.0-34.0); (МСНС) средняя концентрация гемоглобина в эритроцитах 32.9 г/дл (30.0-38.0); (MCV) средний объем эритроцитов 91.4 фл (75.0-95.0); (RDW-CV) распределение эритроцитов по величине 11.0% (11.5-16.5); (PLT) тромбоциты 262*109/л (180-400); (MPV) средний объем тромбоцитов 11.5 фл (7.4-10.4); сердечный тропонин I (высокочувствительный метод) 37.9 нг/мл (верхний референсный предел 26,2 нг/мл).
Результат предварительной обработки скатерограммы клинического анализа крови пациента включал следующие показатели: нейтрофилы (NEU) состоят из 5346 элементов по IAS(X) и 5346 элементов по IAS(Y). Моноциты (MON) состоят из 347 элементов по IAS(X) и 347 элементов по IAS(Y). Лимфоциты (LYM) состоят из 968 элементов по IAS(X) и 968 элементов по IAS(Y) и еще одни нейтрофилы (NEU) из 4336 по PSS(X) и 4336 элементов по IAS(Y). Первым шагом необходимо провести отсечение последних элементов, чтобы количество элементов нового пациента соответствовало количеству элементов пациентов, находящихся в существующей базе данных. При этом элементы отсекаются с конца. Таким образом, нейтрофилы (NEU) сокращаются с 5346 до 891 по IAS(X) и IAS(Y), моноциты (MON) с 347 до 127 по IAS(X) и IAS(Y), лимфоциты (LYM) с 968 до 261 по IAS(X) и IAS(Y) и нейтрофилы (NEU) с 4336 до 829 по IAS(X) и IAS(Y).
После отсечения все элементы векторов объединяются в один общий глобальный вектор Vglob, который состоит в общей сложности из 4216 элементов:
Глобальный вектор подвергается стандартизации путем удаления среднего значения и масштабирования до единичной дисперсии на основе предварительно сформированной базы данных.
где {u} вектор средних значений, a {s} вектор стандартных отклонений каждого из 4216 элементов в базе данных. Для стандартизации используется функционал StandardScaler библиотеки Scikit Learn (Библиотека алгоритмов машинного обучения Scikit-learn [Интернет-ресурс] https://scikit-learn.org/stable/ (дата обращения 06.02.2020)).
После стандартизации применяется метод главных компонент (РСА), чтобы уменьшить размерность признаков с 4216 элементов до 4 элементов, которые называются главными компонентами, сохранив при этом как можно больше изменчивости (информации) признаков [6]. Для этого используется функционал РСА библиотеки Scikit Learn.
При применении метода главных компонент, все 4216 элементов вектора 
сводятся в 4-мерном подпространстве к следующему вектору:
После применения метода главных компонент вектор Xtest вновь подвергается стандартизации путем удаления среднего значения и масштабирования до единичной дисперсии на основе статистических данных главных компонент базы данных в 4-мерном подпространстве:
Где {u} вектор средних значений в базе данных:
a {s} вектор стандартных отклонений каждого из 4 элементов в базе данных:
В результате, получаем сокращенный и стандартизированный вектор:
На первый взгляд из значений этого вектора 
сложно извлечь информацию для диагностики пациента. Для этого используется ансабмль из 7 нейронных сетей, которые были обучены на 154 подобных векторах, продемонстрировав высокую точность на тестовой выборке. Все четыре элемента служат при этом входными сигналами для 7 нейронных сетей. Для обучения нейронных сетей был использован функционал MLPClassifier библиотеки Scikit Learn. Для создания ансамбля был использован функционал BaggingClassifier библиотеки Scikit Learn. Сам ансамбль хранится в формате.sav (model.sav) и должен быть использован для предсказания каждого нового случая. По сути этот файл содержит матрицу весов каждого слоя всех семи нейросетей с прямой связью. Предсказание осуществляется посредством продвижения сигналов через два каждый слой, где сигналы умножаются на матрицу весов и активируются на выходе каждого слоя. Последний слой состоит из двух выходов, где первый выход выдает вероятность для отрицательного диагноза, а второй выход -вероятность для положительного диагноза. В случае с вышеописанным пациентом ансамбль выдал следующие результаты:
4.14850972е-03,9.95851490е-01
Из чего следует, что вероятность отрицательного диагноза составляет 0,4148%, а вероятность положительного диагноза составляет 99,585%, что определяет пациента как имеющего высокий риск развития неблагоприятных сердечно-сосудистых исходов.
Принято решение о проведении чрескожного коронарного вмешательства. Пациенту выполнено коронароангиографическое исследование с последующей транслюминальной баллонной дилатации и стентированием инфаркт-зависимой коронарной артерии.
КОРОНАРОГРАФИЯ №7175 от 07.06.2018: Левый тип кровообращения. Левая коронарная артерия: Ствол - без стенозов. Передняя межжелудочковая ветвь (ПМЖВ) - стеноз устья 5-50%, субокклюзия в средней трети. A.intermedia - стеноз в проксимальной трети 90%. Диагональные ветви (ДВ) - без стенозов. Огибающая ветвь (ОВ) - без стенозов. Ветви тупого края (ВТК): без стенозов. Правая коронарная артерия: гипоплазирована. Ветвь острого края (ВОК) - без стенозов. Задне-боковая ветвь (ЗБВ) - без стенозов. Задняя межжелудочковая ветвь (ЗМЖВ) - без стенозов.
КОРОНАРОПЛАСТИКА И СТЕНТИРОВАНИЕ ПМЖВ №7176 от 07.06.18: Предилятация зоны стеноза ПМЖВ (средняя треть) БК 2,0*20,0 мм, р=18 атм. Стент с лекарственным покрытием 2,75*33,0 мм имплантирован в среднюю треть ПМЖВ, р=16 атм. Контроль: кровоток TIMI III grade flow.
На рентгенограммах грудной клетки в 2-х проекциях от 08.06.2018 инфильтративных теней не выявлено. Корни структурны, не расширены, левый - частично перекрыт.Легочный рисунок не изменен. Диафрагма контурируется. Тень сердца без особенностей. Синусы свободны.
Проведено лечение: бета-блокаторы, ИАПФ, антикоагулянты, двойная дезагрегантная терапия, статины (доза крестора снижена 20->10 мг/сут в связи с повышением уровня трансаминаз), гастропротекторы. От реабилитационного лечения в санатории пациент отказался.
В постоперационном периоде максимальные концентрации сердечного тропонина I при динамическом наблюдении достигли 7522,5 нг/мл. Госпитализация продлилась в течение 12 суток. Окончательный диагноз: «ИБС. Острый инфаркт миокарда передне-перегородочной области, высоких боковых отделов левого желудочка без подъема сегмента ST от 07.06.18. Коронаропластика и стентирование ПМЖВ от 07.06.18». Пациент выписан 19.06.2018 для дальнейшего диспансерного наблюдения по месту жительства.
Проведение описанного способа возможно осуществлять на основании результатов клинического анализа крови, получаемых в течение первых минут пребывания пациента в приемном отделении еще до получения других лабораторных и инструментальных методов обследования, что значительно повысит качество оказания медицинской помощи.
Claims (9)
- Способ диагностики острого коронарного синдрома, при котором предварительно формируют базу данных, содержащую информацию о результатах клинического анализа крови пациентов с острым коронарным синдромом и здоровых людей группы контроля, которую в дальнейшем используют для обучения нейронных сетей, после чего осуществляют взятие цельной венозной крови обследуемого пациента, перемешивают пробу крови, затем производят исследование клинического анализа крови на автоматическом гематологическом анализаторе, после этого результаты исследования копируют с анализатора в виде FCS-файлов и переносят на персональный компьютер для предварительной обработки и машинного анализа, причем предварительная обработка включает перевод оператором при помощи программного обеспечения, позволяющего работать с FCS-файлами, графических изображений в виде скатерограмм анализа крови пациента в цифровой эквивалент - вектор, который содержит информацию обо всех исследованных клетках в виде данных их расположения по осям скатерограммы X и Y, при этом оператор с учетом морфологических показателей представленных на анализ клеток крови дифференцирует их на три субпопуляции: нейтрофилы, лимфоциты и моноциты, после чего полученный результат в цифровом эквиваленте сохраняют в отдельный файл программы для работы с электронными таблицами, затем в вышеуказанном цифровом эквиваленте скатерограммы анализа крови пациента - векторе отсекают последние элементы, а именно координаты клеток, так, чтобы количество элементов обследуемого пациента соответствовало количеству элементов пациентов, результаты которых находятся в предварительно сформированной базе данных, после чего все элементы векторов обследуемого пациента объединяются последовательно в один общий глобальный вектор Vglob:
-
- где NEU - нейтрофилы, MON - моноциты, LYM - лимфоциты, IAS и PSS - режимы лазерной детекции клеток в гематологическом анализаторе, X и Y - значение координат по осям абсцисс и ординат на скатерограмме клинического анализа крови, n - общее количество выявленных клеток,
- затем стандартизируют полученный вектор путем вычитания из глобального вектора обследуемого пациента среднего значения соответствующих векторов из предварительно сформированной базы данных и последующего деления на стандартное отклонение соответствующих векторов базы данных следующим образом:
-
- где {u} - указанное среднее значение, a {s} - вектор стандартных отклонений каждого элемента в предварительно собранной базе данных, затем применяют метод главных компонент для уменьшения размерности признаков с n элементов до 2-4 главных компонент {Xn}, сохранив при этом как можно больше изменчивости признаков, посредством программного обеспечения для математических вычислений, в результате получают сокращенный вектор вида:
-
- где X1, Х2, Х3, Х4 - главные компоненты сокращенного вектора, при этом количество главных компонент зависит от наиболее успешной комбинации, позволяющей достичь наилучшего результата анализа, затем производят стандартизацию с помощью описанных выше действий уже сокращенного вектора до вида, после чего применяют ансамбль из нейронных сетей,
- которые обучают на предварительно сформированной базе данных пациентов с острым коронарным синдромом и здоровых людей группы контроля путем внесения информации в программное обеспечение для машинного анализа об их результатах клинического анализа крови и окончательного диагноза - «острый коронарный синдром» или «здоров», при этом количество нейронных сетей в ансамбле зависит от результатов оценки точности предсказания окончательного диагноза и составляет от 1 до 10, при этом используют композиции алгоритмов, каждый из которых параллельно обучают на подпространстве обучающей выборки из предварительно сформированной базы данных пациентов с острым коронарным синдромом и здоровых людей группы контроля, причем из множества обучающей выборки отбирают от 1 до n подмножеств истинных данных из предварительно сформированной базы данных пациентов с острым коронарным синдромом и здоровых людей группы контроля путем случайного выбора элементов с повторениями в каждом из наблюдений подмножества, чтобы затем передать их математическим моделям для анализа с последующей агрегацией данных в ансамбль и расчета вероятности положительного диагноза, рассматривая нейронные сети как модели, при этом подмножества рассматривают как репрезентативные и независимые значения истинного распределения данных, и на каждом из подмножеств обучают нейронную сеть как модель, при этом применяют ансамблевый метод, причем после обучения нейронных сетей и их агрегации в ансамбль проверяется их точность на тестовой выборке, при этом по итогу обучения нейронных сетей и приемлемому результату тестирования, при условии ошибки результатов оценки менее 5%, аналогичным образом производят исследование клинического анализа крови обследуемого пациента, а для оценки положительного диагноза в процентах строят график, где используют поля вероятности для классификации диагнозов в двухмерном подпространстве, которые представляют собой оси абсцисс и ординат, соответствующих главным компонентам, причем указанные поля рассматривают как зрение нейронных сетей для неизвестных случаев, при этом диагноз обследуемому пациенту ставят следующим образом: если результаты пациента окажутся в области графика, выделенной для отрицательного диагноза, то ансамбль нейронных сетей выдаст наиболее высокую вероятность для отрицательного диагноза, если в области графика, выделенной для положительного диагноза - наиболее высокую вероятность для положительного диагноза - острый коронарный синдром.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020110416A RU2733077C1 (ru) | 2020-03-11 | 2020-03-11 | Способ диагностики острого коронарного синдрома |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020110416A RU2733077C1 (ru) | 2020-03-11 | 2020-03-11 | Способ диагностики острого коронарного синдрома |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2733077C1 true RU2733077C1 (ru) | 2020-09-29 |
Family
ID=72926679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020110416A RU2733077C1 (ru) | 2020-03-11 | 2020-03-11 | Способ диагностики острого коронарного синдрома |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2733077C1 (ru) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023057334A1 (de) * | 2021-10-05 | 2023-04-13 | RobotDreams GmbH | Computerimplementiertes verfahren und system zur bestimmung von erkrankungen, die sich auf morphologische merkmale und die zytoplasmatische komplexität von blutzellen auswirken |
| WO2024207041A1 (de) | 2023-04-05 | 2024-10-10 | RobotDreams GmbH | Computerimplementiertes verfahren zur bestimmung der zustände in vivo und in vitro durch analyse der in einem hämatologischen analysegerät gemessenen blutparameter |
| RU2846837C1 (ru) * | 2024-08-14 | 2025-09-17 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский государственный педиатрический медицинский университет" Министерства здравоохранения Российской Федерации (ФГБОУ ВО СПбГПМУ Минздрава России) | Способ предопределения вероятности развития острого коронарного синдрома без подъема сегмента ST у мужчин среднего возраста |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050004485A1 (en) * | 2003-05-19 | 2005-01-06 | Ischemia Technologies, Inc. | Apparatus and method for risk stratification of patients with chest pain of suspected cardiac origin |
| RU2536279C1 (ru) * | 2013-11-25 | 2014-12-20 | Анна Сергеевна Семенова | Способ прогнозирования осложнений после операций шунтирования коронарных артерий в условиях искусственного кровообращения |
| US20160135706A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical Premonitory Event Estimation |
| RU2704913C1 (ru) * | 2018-11-02 | 2019-10-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Пензенский государственный университет" (ФГБОУ ВО "Пензенский государственный университет") | Способ нейросетевого анализа состояния сердца |
-
2020
- 2020-03-11 RU RU2020110416A patent/RU2733077C1/ru active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050004485A1 (en) * | 2003-05-19 | 2005-01-06 | Ischemia Technologies, Inc. | Apparatus and method for risk stratification of patients with chest pain of suspected cardiac origin |
| RU2536279C1 (ru) * | 2013-11-25 | 2014-12-20 | Анна Сергеевна Семенова | Способ прогнозирования осложнений после операций шунтирования коронарных артерий в условиях искусственного кровообращения |
| US20160135706A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical Premonitory Event Estimation |
| RU2704913C1 (ru) * | 2018-11-02 | 2019-10-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Пензенский государственный университет" (ФГБОУ ВО "Пензенский государственный университет") | Способ нейросетевого анализа состояния сердца |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023057334A1 (de) * | 2021-10-05 | 2023-04-13 | RobotDreams GmbH | Computerimplementiertes verfahren und system zur bestimmung von erkrankungen, die sich auf morphologische merkmale und die zytoplasmatische komplexität von blutzellen auswirken |
| WO2024207041A1 (de) | 2023-04-05 | 2024-10-10 | RobotDreams GmbH | Computerimplementiertes verfahren zur bestimmung der zustände in vivo und in vitro durch analyse der in einem hämatologischen analysegerät gemessenen blutparameter |
| DE102023108748A1 (de) | 2023-04-05 | 2024-10-10 | RobotDreams® GmbH | Computerimplementiertes Verfahren zur Bestimmung der Zustände in vivo und in vitro durch Analyse der in einem hämatologischen Analysegerät gemessenen Blutparameter |
| RU2846837C1 (ru) * | 2024-08-14 | 2025-09-17 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский государственный педиатрический медицинский университет" Министерства здравоохранения Российской Федерации (ФГБОУ ВО СПбГПМУ Минздрава России) | Способ предопределения вероятности развития острого коронарного синдрома без подъема сегмента ST у мужчин среднего возраста |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Son et al. | Decision-making model for early diagnosis of congestive heart failure using rough set and decision tree approaches | |
| Ghassemi et al. | Predicting intervention onset in the ICU with switching state space models | |
| US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
| Akmese et al. | The use of machine learning approaches for the diagnosis of acute appendicitis | |
| US11676722B1 (en) | Method of early detection, risk stratification, and outcomes prediction of a medical disease or condition with machine learning and routinely taken patient data | |
| EP3433614A1 (en) | Use of clinical parameters for the prediction of sirs | |
| Ding et al. | Mortality prediction for ICU patients combining just-in-time learning and extreme learning machine | |
| Makram et al. | Machine learning approach for diagnosis of heart diseases | |
| US20240420842A1 (en) | Computer-implemented method and system for diagnosing diseases that affect morphological characteristics and the cytoplasmic complexity of blood cells | |
| CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
| US20250322920A1 (en) | Computer-implemented method for determining the states in vivo and in vitro by analyzing the blood parameters measured in a hematological analysis device | |
| RU2733077C1 (ru) | Способ диагностики острого коронарного синдрома | |
| Ahmed et al. | A comparative study of classification techniques in data mining algorithms used for medical diagnosis based on DSS | |
| Begum et al. | A pattern mixture model with long short-term memory network for acute kidney injury prediction | |
| Chaddad et al. | Deep survival analysis with clinical variables for COVID-19 | |
| Da Cruz et al. | Prediction of Acute Kidney Injury in Cardiac Surgery Patients: Interpretation using Local Interpretable Model-agnostic Explanations. | |
| Madrakhimov et al. | Construction of fuzzy inference rules for medicine diagnostics problems | |
| Rajmohan et al. | G-Sep: A deep learning algorithm for detection of long-term sepsis using bidirectional gated recurrent unit | |
| Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
| Mousa et al. | Prediction of Type 2 Diabetes using logistic regression techniques | |
| RU2840592C1 (ru) | Способ определения биологического возраста человека на основе биохимических показателей крови | |
| Julakanti et al. | Use of artificial intelligence to predict outcomes in mild aortic valve stenosis | |
| Nayim et al. | Comparative Analysis of Data Mining Techniques to Predict Cardiovascular Disease | |
| US20250166758A1 (en) | Method of Early Detection, Risk Stratification, and Outcomes Prediction of a Medical Disease or Condition with Machine Learning and Routinely Taken Patient Data | |
| Terzi et al. | Retrospective Examination of Risk Factors Affecting Iron Deficiency Anemia Using Machine Learning Methods |