Спосіб визначення ступеня артеріальної гіпертензії за даними добового моніторування артеріального тиску

Спосіб визначення ступеня артеріальної гіпертензії за результатами добового моніторування артеріального тиску, що включає автоматичні виміри систолічного й діастолічного артеріального 3 нормативним і кваліфікація АГ відбувається лише за підвищенням рівня AT. Поряд із цим, властивості відомого об'єкта не дозволяють проводити оцінку самої варіабельності AT та визначати її динамічні характеристики в різні періоди доби, а конкретна ступень тяжкості АГ встановлюється без урахування характеру змін добового ритму AT. Однак, недоліком такого діагностування є відсутність оцінки ризику наявності АГ та ступеня її тяжкості. Окрім того актуальним залишається вирішення питання якісної оцінки (прогнозування) перебігу захворювання. В основу корисної моделі покладено задачу розробити такий спосіб діагностики АГ за ступенем підвищення AT по даних ДМАТ шляхом надання оцінки функції ризику наявності АГ та ступеня її тяжкості забезпечити підвищення адекватності прийняття рішень лікарем про стан пацієнта та індивідуальну стратегію лікування, а також забезпечити можливість проведення подальшого прогнозу перебігу хвороби та статистичної обробки показників ДМАТ. При цьому впровадження та здійснення способу, що пропонується, не повинно бути складним та дорогим, але дозволило б забезпечити неінвазивність, не потребувало би значного терміну проведення обстеження пацієнтів за часом та забезпечило би високу достовірність оцінки наявності АГ та її ступеня. Поставлена задача вирішується тим, що спосіб визначення ступеня артеріальної гіпертензії за результатами добового моніторування артеріального тиску, що включає автоматичні виміри систолічного й діастолічного артеріального тиску за різні періоди доби, обробку обмірюваних параметрів з можливістю одержання нових характеристик коливань артеріального тиску та удосконалення процесу визначення ступеня артеріальної гіпертензії, який відрізняється принципом обробки даних добового моніторингу артеріального тиску, а саме застосуванням штучної нейронної мережі у вигляді множинної логістичної регресії з підрахуванням коефіцієнтів належності до 1-го, 2-го і 3-го ступенів підвищення артеріального тиску за нейромережевою класифікацією та можливістю автоматичного визначення ступеню артеріальної гіпертензії. Причинно-наслідковий зв'язок сукупності суттєвих ознак способу з рішенням поставленої задачі і досягненням технічного результату полягає у наступному. Запропонована інформаційна технологія обробки даних ДМАТ, яка реалізує застосування у сукупності нейромережевої технології до аналізу показників AT. Класифікація вихідних даних, відповідно до особистих характеристик всіх коливань AT забезпечує точну ідентифікацію стандартних параметрів (р>0,98), придатних для оцінки рівня AT в різні періоди доби. Аналіз результатів ДМАТ з урахуванням стандартних параметрів AT за будь який період часу дозволяє оцінювати тяжкість перебігу АГ за визначенням рівня підвищення AT та ступеню АГ, дає можливість оцінки ризику розвитку серцево-судинних ускладнень та формувати рекомендації щодо проведення їх превентивної корекції. 66416 4 Таким чином, наведені ознаки корисної моделі в обсязі їх запропонованої сукупності є суттєвими й достатніми для вирішення технічної задачі й перевищення технічного результату, а кожна з них, окремо, є необхідною для ідентифікації способу, який заявляється. Сукупність обмежувальних і відмінних від прототипу суттєвих ознак, якими характеризується вдосконалений спосіб, невідома з рівня техніки, є новою і достатньою для всіх випадків, на які розповсюджується об'єм його правового захисту. На фіг. 1 зображено архітектуру мережі множинної логістичної регресії. Надалі корисна модель пояснюється докладним описом її виконання. Для виконання корисної моделі застосовано портативну неінвазивну систему "АВРМ-04" (MEDITEX, Угорщина) для проведення добового моніторування AT; ПК Intel Pentium IV 1700 MHz, 256 DDR RAM або вище, операційна система сімейства Microsoft Windows 9X/ME/2000/XP, BDE (Borland Database Engine V5.01). Заявлений спосіб здійснюється таким чином. Після отримання параметрів первинних вимірів систолічного артеріального тиску (CAT), діастолічного артеріального тиску (ДАТ), частоти серцевих скорочень (ЧСС) за денний та нічний часи доби, здійснюють обробку обмірюваних параметрів, з можливістю отримання параметрів AT. Приймаючи процес ДМАТ за показниками CAT, ДАТ та ЧСС як стохастичний, то моделлю цього процесу є:  x  yi  6,N   t i , x i , y i , z i , p i  x i  y i , s i  y i  i  3    ; i  1 N ,    , де t i - час проведення виміру; 0  t i  , t a  t b для a  b, t i  t i - термін дії виміру; N - кількість вимірів; x  yi x i , y i , z i , x i  y i , y i  i 3 - відповідно значення показників CAT, ДАТ, ЧСС, пульсового AT (ПАТ) та AT середньодобового (АТС), в момент часу t i ; X , Y , Z , P , S - нижні границі показників CAT, ДАТ, ЧСС, ПАТ, АТС; X , Y  , Z  , P , S - верхні границі показників CAT, ДАТ, ЧСС, ПАТ, АТС; X   x i  X  ; Y  y i  Y  ; Z   z i  Z  ; P  p i  P  ; S   s i  S  . Після підрахунку за даною моделлю параметрів AT множина  складається з набору векторів вхідних параметрів x i  x ij j  1,2,, n , де n - кіль   кість вхідних параметрів. Кожен вектор x i відповідає певному класу або групі класів з множини  . Кожному поставимо у відповідність xi 5  , y i  y il l  12,, m , 66416 де m - кількість класів, при чому , 1 якщо x i належить l  ому класу y il   0, не належить  Нехай k - кількість вхідних векторів множини  , тоді множину навчальних пар можна зобразити у вигляді матриці:  x 11  x L   21  x  k1 x 12 x 22  x k2  x 1n  x 2n    x kn y 11 y 21  y k1 y 12 y 22  y k2  y 1m    y 2m       y km   . Навчальні пари знаходяться у стоках цієї матриці. якщо 1  j  n  x , Таким чином Lij   ij  y ijn , якщо n  1  j  n  m  Крок 1. Нормування вхідних даних Необхідно обчислити мінімальні та максимаL: льні значення у стовпцях матриці minj  mini1k L ij ; max j  maxi1k L ij , j  1n . L до інтервалу [Звести елементи матриці 2 Lij  minj 1,1]. Lн  1  , i  1k; j  1n . ij max j  minj       Елементи L ij при j  n  1m не потребують нормування. Таким чином Lн  L ij, j  n  1 m . ij н У результаті отримано нормовані данні L . Крок 2. Побудова нейронної мережі [3]. 2.1. Для кожного класу необхідно побудувати бінарну логістичну регресію виду: 1 yl  , l  1,2,, m w l 0  w l1x l1  w l 2 x l 2  w ln x ln  1 e . Множинну логістичну регресію представляємо у вигляді одношарової нейронної мережі (фіг. 1), що складається з нейронів які мають сигмоїдальну функцію активації. Синаптичними вагами вхідних сигналів нейрона є коефіцієнти w li, i  1n , а вага поляризації - константа регресійного рівняння w l0 . Крок 3. Навчання нейронної мережі. 3.1. Для навчання нейронної мережі використовуються методи навчання з учителем - метод зворотного поширення похибки. 3.2. За допомогою ROC- аналізу проводиться оцінка адекватність моделі, підраховуються пороги відсікання bestBound [1], де l  12,, m . Поперед, ньо визначається крок зміщення границі під час tep  0.01 . аналізу ROC-кривих s 3.2.1. Для всіх навчальних пар отримати вихі дні вектори мережі yi   yil l   12,, m . , 3.2.2. Поточний номер класу l  1 . 3.2.3. Процедура обчислення оптимальних границь класу 1. 6 3.2.3.1. Обчислення кількості навчаючих пар, котрі відносяться до класу:   inClass  Ni, i  1k : y il  1 3.2.3.2. Обчислення кількості навчаючих пар, котрі відносяться до класу:   notInClass  Ni, i  1k : y il  0 3.2.3.3. Поточне значення границі bound  1 3.2.3.4. bound  bound  step 3.2.3.5. Процедура перевірки перетину ROCкривих. 3.2.3.5.1. Обчислення кількості навчальних пар, які при заданій границі bound не відносяться до очікуваного класу:      wrongNotGuessed  Ni, i  1 k : y il  1  y il  bound 3.2.3.5.2. Обчислення кількості навчальних пар, які при заданій границі bound зa помилкою відносяться до очікуваного класу:      wrongGuessed  Ni, i  1k : y il  0  y il  bound 3.2.3.5.3. Обчислити помилку першого роду: wrongNotGuessed error1  inClass 3.2.3.5.4. Обчислити помилку другого роду: wrongGuess ed error 2  notInClass 1 3.2.3.5.5. Якщо error  error2 , то була знайдена точка перетину ROC- кривих. Перейти на крок 3.2.3.6. Інакше перейти на крок 3.2.3.4. 3.2.3.6. Зберегти поточне значення bestBound1  bound . 3.2.3.7. 1=l+ 1 3.2.3.8. Якщо l  m ? то перейти на крос 3.2.3.3. Інакше перейти на крок 3.2.4. 3.2.4. Оптимальні границі для класів bestBound знайдені. Крок 4. Класифікація за допомогою моделі. 4.1. Для об'єкту, що необхідно класифікувати, на підставі рівнянь логістичної регресії підрахову   ються значення y l l  1 m . Якщо yl  bestBound1 , , y то об'єкт не належить j-тому класу і значення j виключається з подальшого розгляду. 4.2. Для решти yl підраховуються коефіцієнти 1  yl . 1  bestbound 1 Об'єкт зараховується до класу, у якого коефіцієнт Pi більше. належності до l-го класу: Pl  Для експериментальної перевірки запропонованого методу визначення ступеню АГ за даними ДМАТ групу з 423 пацієнта було розділено на дві групи: до 1-ої групи було віднесено 321 хворий на АГ, з різним ступенем підвищення AT; до 2-ої групи віднесено 102 хворих на АГ в поєднанні з ішемічною хворобою серця (ІХС), також з різним ступенем підвищення AT. Система була навчена та 7 протестована на селективній вибірці хворих з наявністю поєднаної патології:АГ та ішемічною хворобою серця, що в діагностичному плані являють найбільшу важкість. Водночас, вибір саме цієї групи хворих зумовлений тим, що прогноз у цих пацієнтів найбільш несприятливий. А знання сугубо специфічних діагностичних показників, за якими слід проводити відбір по важкості стану, є особливо важливим. Для множинної логістичної регресії за допомогою генетичного алгоритму були підібрані налаштування мережі. Навчання становило 853 епох на протязі 59 секунд. При цьому похибка на навчальній виборці становила 2 % та 26 % на тестовій виборці. На базі ROC- аналізу було визначено якість моделі класифікації за належністю хворих до групи з визначеним діагнозом. Якість моделі множинної логістичної регресії для першого та третього ступенів АГ було визначено, як відмінне та становило відповідно (0,9048;0,9815) та (0,9412;0,9483). Для другого ступеню АГ якість моделі множинної логістичної регресії було визначено як дуже добре та становило (0,7568; 0,8947). Для селективної вибірки хворих з 1-м ступенем підвищення AT значення межі становило 0,751, для вибірки хворих з 2-м ступенем АГ 0,8241 та вибірки з 3-м ступенем АГ 0,9506. Отриманні результати підтверджують, що використані для аналізу показники добового моніторингу АД є коректним набором для постановки ступеню АГ відповідно для 1-го, 2-го, та 3-го ступеню. Також результати нейрокласифікації (чутливість та специфічність) показали максимальну діагностичну значущість використаних характеристик для мінімального та максимального ступеню підвищення АД. Характеристики чутливості та специфічності по даній виборці хворих підтверджують високу якість та адекватність вибраної для аналізу нейронної моделі. 66416 8 Технічним результатом, який досягається при використанні корисної моделі аналізу показників AT за рахунок застосування нейромережевої класифікації результатів моделювання процесу ДМАТ у пацієнтів з різним ступенем підвищення AT, є забезпечення високої об'єктивності і удосконалення оцінки тяжкості перебігу АГ, збільшення функціонально-діагностичних можливостей ДМАТ та забезпечення можливості превентивної корекції серцево-судинних ускладнень. Спосіб оцінки показників AT, завдяки удосконаленню функціонально-діагностичних можливостей ДМАТ, може знайти широке використання в кабінетах функціональної діагностики, кардіологічних, терапевтичних, неврологічних відділеннях, в реабілітаційних центрах для хворих, що перенесли гострий інфаркт міокарда чи порушення мозкового кровообігу, в науково-дослідних лабораторіях та інститутах, в дослідженнях клініко-біологічних процесів, при створенні моніторингових і апаратнодіагностичних систем на базі сучасних комп'ютерних технологій. Джерела інформації: 1. Горбунов В. М. Значение 24-часового мониторирования в выявлении и лечении артериальной гипертензии // Кардиология.-1995. - № 6. - С. 64-70. 2. Дзяк Г. В. Суточное мониторирование артеріального давления / Г. В. Дзяк, Т. В. Колесник, Ю. Н. Погорецкий. - Днепропетровск, 2005.-200 с. 3. Осовский С. Нейронные сети для обработки информации / пер. с польск. И. Рудинского. - М.: Финансы и статистика, 2004.-344с. 4. Способ диагностики артериальной гипертензии и определения ее тяжести: Пат. 2164078 С1 России / Мазур Е. С., Мазур В. В. (Россия); Тверская государственная медицинская академия (Россия); опубл. 20.03.2001. 9 Комп’ютерна верстка Г. Паяльніков 66416 Підписне 10 Тираж 23 прим. Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601