Физиологические данные пациента это: Физиологические данные — это

Физиологические данные — это

Государственное образовательное учреждение

Всероссийский учебно-научно-методический Центр по непрерывному

Медицинскому и фармацевтическому образованию

УТВЕРЖДАЮ

Руководитель Департамента

образовательных медицинских

учреждений и кадровой политики

Н.Н. Володин

______________________

“____”_________2001 г.

Рабочая тетрадь студента

для практических занятий по сестринскому делу

Часть I

(основы сестринского дела: введение в предмет, сестринский процесс)

Москва

Тема занятия № 1. Сестринский процесс. Понятие о стандартах сестринского ухода.

Цель работы:дать научный подход к сестринскому делу, изучить основные понятия и термины. Четко знать цель сестринского процесса, необходимость его внедрения в сестринскую практику. Умение работать с текстом учебника, выделить главное.

Задание № 1.

Используя учебник, дайте определение сестринского процесса.

Что входит в понятие «сестринский процесс»?

Основные направления сестринского процесса:

Что может обеспечить внедрение сестринского процесса в практику?

Задание № 2.

Перечислите основные этапы сестринского процесса:

Задание № 3.

Дайте краткую характеристику сестринскому процессу (заполните таблицу):

Задание № 4.

С целью самоконтроля полученных знаний, устно ответьте на вопросы:

1. Что, на Ваш взгляд, представляет собой сестринский процесс?

2. В чем заключается основная цель сестринской помощи?

3. С какой целью медсестра выясняет проблемы пациента?

4. Обоснуйте необходимость внедрения в практику профессиональной деятельности медицинской сестры понятия «Сестринский процесс».

Тема занятия № 4. Основные потребности человека.

Цель работы:четко выделять потребности человека, знать их иерархию. Уметь применить на практике полученные знания.

Задание № 1.

Изучив текст учебника, попытайтесь ответить на вопрос: как вы понимаете понятие «потребности человека»:

Какие основные потребности вы знаете:

Задание № 2.

Приведите иерархию человеческих потребностей (по А. Маслоу):

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

14.

Задание № 4.

Приведите примеры проблем пациента, связанные с нарушением удовлетворения потребностей (желательно в виде ситуационных задач, используя пример приведенной):

В терапевтическом отделении ночью пациент, страдающий гипертонической болезнью, пожаловался медсестре на то, что у него появилась одышка, чувство «нехватки воздуха», кашель с выделением ржавой пенистой мокроты.

При сестринском осмотре: состояние тяжелое, вынужденное положение: сидя с опущенными конечностями. Кожные покровы бледные. Дыхание шумное, клокочущее, изо рта выделяется розовая пенистая мокрота, ЧДД 35 в мин., пульс 120 уд. в мин., АД 210/110 мм рт. ст.

Нарушены потребности:

Проблемы пациента:

Тема занятия № 5. Первый этап сестринского процесса: сестринское обследование.

Цель работы:научиться обследовать пациентов, уметь самостоятельно общаться с источниками информации, применять полученные знания на практике.

Задание № 1.

Что включает в себя субъективное обследование пациента:

Физиологические данные — это

Роскомнадзором разъяснены некоторые вопросы, касающиеся отнесения фото- и видеоизображения, дактилоскопических данных и иной информации к биометрическим персональным данным и особенностей их обработки

• Главная
• Правовые ресурсы
• «Горячие» документы
• <Разъяснения> Роскомнадзора «О вопросах отнесения фото- и видеоизображения, дактилоскопических данных и иной информации к биометрическим персональным данным и особенности их обработки»

<Разъяснения> Роскомнадзора «О вопросах отнесения фото- и видеоизображения, дактилоскопических данных и иной информации к биометрическим персональным данным и особенности их обработки»

Сообщается, что в соответствии с Федеральным законом «О персональных данных» к биометрическим персональным данным относятся сведения, которые характеризуют физиологические и биологические особенности человека, на основании которых можно установить его личность и которые используются оператором для установления личности субъекта персональных данных.

В этой связи, в частности, разъясняется, что не является биометрическими персональными данными фотографическое изображение, содержащиеся в личном деле работника, а также подпись лица, наличие которой в различных договорных отношениях является обязательным требованием, и почерк, в том числе анализируемый уполномоченными органами в рамках почерковедческой экспертизы.

Не являются биометрическим персональными данными рентгеновские или флюорографические снимки, характеризующие физиологические и биологические особенности человека, и находящиеся в истории болезни (медицинской карте) пациента (бумажной или электронной), поскольку они не используются оператором (медицинским учреждением) для установления личности пациента. Но в случае их передачи по запросу субъектов оперативно-розыскной деятельности, органов следствия и дознания в рамках проводимых ими мероприятий указанные сведения становятся биометрическими персональными данными, поскольку используются операторами — органами следствия и дознания в целях установления личности конкретного лица.

Такая же позиция и с материалами видеосъемки в публичных местах и на охраняемой территории. До передачи их для установления личности снятого человека они не являются биометрическим персональными данными, обработка которых регулируется общими положениями Федерального закона «О персональных данных», поскольку не используются оператором (владельцем видеокамеры или лицом, организовавшим ее эксплуатацию) для установления личности. Однако указанные материалы, используемые органами, осуществляющими оперативно-розыскную деятельность, дознание и следствие в рамках проводимых мероприятий, являются биометрическими персональными данными, в случае, если целью их обработки является установление личности конкретного физического лица.

Больше документов и разъяснений по коронавирусу и антикризисным мерам — в системе КонсультантПлюс.

Зарегистрируйся и получи пробный доступ

Дата публикации на сайте: 03.09.2013

Поделиться ссылкой:

Аппарат диагностический для контроля физиологических параметров «АРМИС»

Аппарат диагностический для контроля

физиологических параметров

«АРМИС»

АПК «АРМИС» предназначен для исследования физиологических систем организма человека с целью оценки уровня здоровья, профотбора, определения текущего функционального состояния и индивидуальных особенностей человека.

АПК «АРМИС» позволяет провести автоматизированное обследование ряда систем организма: регистрировать физиологические сигналы, измерять и оценивать показатели здоровья и функционального состояния пациента, автоматически формировать заключение о соответствии этих показателей половозрастным региональным нормам.

Показатели состояния сердечно-сосудистой системы

·     частота сердечных сокращений

·     нарушения сердечного ритма: тахикардия, брадикардия, паузы

·     нарушения проводимости и возбудимости: желудочковые и наджелудочковые экстрасистолы, синоатриальная и АВ блокада

·     контурный анализ ЭКГ: анализ сегмента ST, интервала QT, зубца P

·     анализ вариабельности сердечного ритма по индексу Баевского

·     систолическое артериальное давление

·     диастолическое артериальное давление

Показатели состояния респираторной системы

·     частота дыхания

·     жизненная емкость легких

·     форсированная жизненная емкость легких

Показатели состояния центральной нервной системы

·     время простой зрительно-моторной реакции

·     время сложной зрительно-моторной реакции

Показатели состояния слуховой системы

·     данные субъективной тональной аудиометрии.

Показатели состояния зрительной системы

·     острота зрения

·     наличие предмиопии по тесту Малиновского

·     знак аметропии

Показатели состояния физического развития

·     индекс массы тела

·     индекс силы кисти

Показатели адаптационных резервов организма

·     время задержки дыхания на вдохе и на выдохе

Состав базового комплекта АПК «АРМИС»

В комплект поставки АПК «АРМИС» входят установочный диск, с программным обеспечением, Руководство по эксплуатации и, как опция, персональный компьютер, а также

1. Центральный блок

2. Сетевой кабель и кабель для связи центрального блока с персональным компьютером

3. Датчик для регистрации ЭКГ с набором электродов (4 шт)

4. Датчик для регистрации АД крови осциллометрическим методом с манжетой и грушей

5. Датчик для пневмографии

6. Датчик для спирометрии с комплектом из 10 мундштуков

7. Пульт для психометрических и аудиометрических измерений

8. Аудиометрические наушники

9. Датчик для динамометрии

Ссылки для ознакомления с АПК «Армис»:

Монитор реанимационный от производства НПП Монитор

Техническая и коммерческая информация является ориентировочной, может быть изменена без уведомления и подлежит уточнению перед заказом.

Новая концепция здравоохранения: 4П-медицина

В последнее время всё большее распространение получает абсолютно новая модель здравоохранения — так называемая 4П-медицина, медицина будущего. Свое название она получила от четырех основополагающих принципов: персонализации, предикции, превентивности и партисипативности.

4П-медицина — это не отдельный раздел медицины, прежде всего это идеология, в фокусе которой находится индивидуальный подход к пациенту. Её целью является доклиническое выявление заболеваний и разработка комплекса профилактических мер. Иными словами, если медицина в традиционном её понимании имеет дело с проявлениями болезни (как инфекционных, так и хронических), то 4П-медицина направлена на то, чтобы выделить факторы риска, определить предрасположенность пациента к тем или иным болезням и предотвратить их.

Научные основы 4П-медицины

Реализация четырех основополагающих принципов 4П-медицины на практике становится возможной благодаря многочисленным научным открытиям в сфере биоинформатики, транскриптомики, генетики и ряда других дисциплин. Обращаясь к “медицине будущего”, практикующий врач больше не может ориентироваться на непосредственные локальные проявления заболевания. Теперь всё внимание должно быть направлено на функциональные молекулярные и клеточные сдвиги, которые позволят как отследить все физиологические и клеточные процессы, определить степень рисков, так и предугадать развитие заболеваний, разработать комплекс профилактических мер.

Многочисленные базы данных по молекулярной биологии, биохимии, структурам белков, а также хранилища первичных структур ДНК (такие, как EMBL (European Molecular Biology Laboratory), GenBank, DDBJ (DNA Data Base of Japan), SWISS-PROT и другие) позволяют анализировать транскриптомные данные конкретного пациента. На основе такого анализа и составляются индивидуальные стратегии профилактики и лечения (вспомним первую П: персонализация). Подобные программы позволяют подбирать лекарственные средства и профилактические процедуры с невероятной точностью, вовремя вносить коррективы в план лечения, а также минимизировать возникновение побочных эффектов.

Персонализация, предикция, превентивность и партисипативность

Разберем подробней каждый из принципов 4П-медицины.

Под персонализацией мы понимаем индивидуальный подход к пациенту. Это — основа подобной концепции здравоохранения, поскольку именно для персонализации используются новейшие научные разработки. Если врач хочет не лечить заболевания после их возникновения, а предусматривать и предотвращать их, прежде всего необходим тщательный анализ и разбор генетических и физиологических особенностей конкретного человека. На основе генетического тестирования и сбора родительского (генеалогического) анализа отслеживаются биомаркеры, влияющие на возможное развитие болезней. В рамках реализации этого принципа большое распространение получает создание генетического паспорта пациента.

Предикция — это выявление предрасположенностей на основе такого паспорта и создание прогноза здоровья. Обладая знаниями об индивидуальных особенностях генома человека, врач может верно выделить факторы риска и определить степень вероятности развития того или иного заболевания. Что важно, этому принципу соответствует также и пренатальная диагностика — иными словами, оценить риски можно не только у взрослого пациента, но и у эмбриона. Так, продиагностировав хромосомные аномалии, возможно обнаружить более 98% плодов с синдромом Дауна и более 40% сердечных аномалий.

Превентивность — следующий этап после определения факторов риска. Его суть состоит либо в полном предотвращении, либо в снижение риска развития заболевания. Возможно, это самый главный принцип всей концепции, ведь 4П-медицину часто называют просто превентивной медициной. Составленные на основе генетического анализа прогнозы позволяют разработать комплекс профилактических мер, а персонализированный подход позволяет сделать его наиболее эффективным. Одним из наиболее распространенных примеров реализации данного принципа является профилактическая мастэктомия, популярная на Западе, но еще не получившая распространения в нашей стране. Риск развития рака молочной железы в данном случае определяется на основе опасных мутаций в генах BRCA1 и BRCA2. При выявлении подобных мутаций перед пациентом встает выбор — профилактическое удаление яичников и молочной железы либо регулярные осмотры.

Здесь можно перейти к последнему П — партисипативности, или вовлеченности пациента в процесс лечения. Четвертое П также иногда расшифровывают как “партнерство”. Именно благодаря подобному партнерству между врачом и пациентом становится возможным реализация всей концепции. Пациент мотивирован к участию в профилактике и лечении, он делает осознанный выбор (как в случае с мастэктомией) и принимает на себя ответственность за свое здоровье. Популяризация здорового образа жизни, информированность о рисках и возможностях — именно это является основой для реализации всей концепции 4П-медицины на практике.

Итак, модель 4П действительно является приоритетной для всей системы здравоохранения нашей страны. Для её реализации важно развитие научной базы и обучение практикующих врачей верной интерпретации данных, полученных в результате генетических тестирований.

Возрастные изменения физиологии систем кровообращения и дыхания и особенности анестезиологического обеспечения пациентам старше 60 лет

В.Н. Куклин

Университетская клиника Ахюс, Осло, Норвегия

Для корреспонденции: Владимир Николаевич Куклин — MD, PhD, заведующий отделением хирургии одного дня университетской клиники Ахюс, Осло; e-mail: [email protected]

Для цитирования: Куклин В.Н. Возрастные изменения физиологии систем кровообращения и дыхания и особенности анестезиологического обеспечения пациентам старше 60 лет. Вестник интенсивной терапии имени А.И. Салтанова. 2019;4:47–57. DOI: 10.21320/1818-474X-2019-4-47-57

Реферат

Наличие сопутствующей патологии и возрастные физиологические изменения в системе кровообращения и дыхания являются основными причинами увеличения послеоперационных осложнений и смертности у лиц старше 60 лет. Артериальная гипертония обычно дебютирует в возрасте старше 50 лет. Согласно рекомендациям большинства анестезиологических сообществ, артериальное давление (АД) выше 180/110 мм рт. ст. является основанием для отмены плановой хирургической операции. Однако до сих пор не представлено ни одного убедительного доказательства того, что высокое предоперационное АД, как изолированный фактор, приводит к увеличению количества осложнений и ранней летальности. В то же время низкое АД, как до операции, так и/или в ходе анестезии, является доказанным фактором увеличения количества послеоперационных осложнений и 30-дневной летальности. Хирургические операции, связанные с высоким риском быстрого развития артериальной гипотонии, требуют использования инвазивного измерения АД, потому как даже кратковременные понижения АД в интервалах между неинвазивными измерениями могут привести к развитию ишемических повреждений в жизненно важных органах. До сих пор нет убедительных доказательств преимущества одного вида наркоза над другим в плане развития периоперационной артериальной гипотензии (ПАГ) и/или послеоперационной пневмонии у больных старше 60 лет. С точки зрения патогенеза ПАГ (вазодилатация артериол и венул) у нормоволемичных пациентов необходимо возмещать недостающий норадреналин, а не корригировать ее внутривенным введением жидкости. При высоком риске развития ПАГ необходимо начинать инфузию норадреналина непосредственно в ходе вводного наркоза. У пациентов, получавших мышечные релаксанты, риск развития послеоперационной пневмонии вырастает в 1,79 раза, а у пациентов, получивших мышечные релаксанты без последующей декураризации, этот риск увеличивается в 2,26 раза. Ранняя мобилизация пожилых пациентов позволяет избежать большинства послеоперационных осложнений.

Ключевые слова: возрастные изменения физиологии систем кровообращения и дыхания, особенности проведения анестезии пациентам старше 60 лет

Поступила: 10.10.2019

Принята к печати: 05.11.2019

Читать статью в PDF

Определение

В связи с увеличением продолжительности жизни в большинстве развитых стран произошли заметные изменения в классификации биологического возраста человека. Последняя классификация Всемирной организации здравоохранения (ВОЗ) определяет возраст от 25 до 44 лет как молодой; от 44 до 60 лет — как средний; от 60 до 75 лет — пожилой, а старше 75 лет — как старческий [1, 2].

Актуальность проблемы

По прогнозам ВОЗ, за период с 2000 по 2050 г. доля населения мира в возрасте старше 60 лет увеличится с 11 до 22 %. Ожидается, что абсолютное число людей в возрасте 60 лет и старше возрастет за этот же период с 605 млн до 2 млрд человек [1, 2].

Стремительное старение населения уже является актуальной экономической и медицинской проблемой большинства развитых стран. На сегодняшний день во многих клиниках стран Западной Европы и США лица пожилого и старческого возраста стали практически основными пациентами для протезирования тазобедренного и коленного суставов, удаления опухолей желудочно-кишечного тракта и выполнения сосудистых вмешательств [3]. В то же время расширение объема хирургии у данных групп пациентов выявило, что 30-дневная смертность увеличивается примерно  в 1,35 раза на каждые 10 лет увеличения возраста после 60 лет, а риск послеоперационных осложнений у пациентов старше 75 лет в 4 раза больше, чем у 35-летних [3– 10]. Наличие сопутствующей патологии и возрастные физиологические изменения систем кровообращения и дыхания являются основными причинами увеличения послеоперационных осложнений и 30-дневной смертности [3–10]. Большинство анестезиологов-реаниматологов хорошо ориентированы в сопутствующей патологии анестезиологических пациентов, в то время как возрастным физиологическим изменениям систем кровообращения и дыхания порой уделяется недостаточно внимания. Основная цель данной статьи — дать обзор возрастных физиологических изменений систем кровообращения и дыхания и обсудить особенности проведения анестезиологического пособия у пожилых пациентов.

Возрастные физиологические изменения сердечно-сосудистой системы и особенности анестезиологического пособия

По мере увеличения возраста снижается растяжимость кровеносных сосудов, что приводит к постепенному увеличению общего периферического сосудистого со- противления (ОПСС) и, соответственно, систолического артериального давления (СиАД) [11, 12]. Вследствие увеличения ОПСС происходит постепенное формирование левожелудочковой недостаточности: снижение выброса минутного объема крови примерно на 1 % каждый год после 30 лет [11, 12]. Снижение растяжимости (комплайнса) и эластичности артериального сосудистого русла приводит также к постепенному снижению Виндкессель-эффекта [13]. Суть данного эффекта заключается в том, что после сокращения сердца и выброса крови в аорту происходит волнообразное расширение и сужение аорты и крупных артерий, которое, с одной стороны, помогает дальнейшему току крови по сосудам, а с другой стороны, постепенно трансформирует пульсовой ток крови в ламинарный (постоянный) [13]. В литературе данный эффект часто сравнивают с системой преобразования переменного электрического тока в постоянный или с камерой конвертации пульсового тока воды в постоянный в пожарных системах, использующих насосы с пульсовой подачей воды. Необходимость наличия данного физиологического эффекта в организме подчеркивает тот факт, что исчезновение Виндкессель-эффекта после ушивания больших аневризм аорты или крупных артерий часто приводит к возникновению дистальных кровотечений [13]. Одним из методов профилактики данных осложнений является инвазивный мониторинг СиАД в первые сутки после сосудистых операций и поддержание его уровня ниже 140 мм рт. ст. [11]. Одним из препаратов выбора является Лабеталол (Трандат), блокирующий периферические артериальные альфа-рецепторы и снижающий таким образом ОПСС [14]. Несмотря на то что Лабеталол существенно не влияет на величину сердечного выброса и частоту сердечных сокращений, препарат противопоказан больным с выраженной сердечной недостаточностью [14]. В блоках послеоперационного наблюдения Лабеталол используется обычно в виде постоянной внутривенной инфузии 10–20 мг препарата в час, с постепенным увеличением дозы до 100–200 мг в час, в зависимости от СиАД [14]. Обычно 200 мг Лабеталола разводится в 200 мл 5 % глюкозы. Концентрация препарата 1 мг/мл наиболее удобна для титрования гипотензивного эффекта [14]. Подбор эффективной внутривенной дозы Лабеталола и постепенный перевод пациента на прием таблетированной формы препарата в раннем послеоперационном периоде являются одной из многочисленных задач врача-анестезиолога.

Постепенное увеличение СиАД обычно начинается у лиц старше 50 лет [15]. Установлено, что именно увеличение разницы между систолическим и диастолическим АД, то есть увеличение именно пульсового артериального давления (ПАД), имеет четкую корреляцию с частотой возникновения сердечно-сосудистой патологии [16, 17]. Исследования больших человеческих популяций показали, что увеличение СиАД на 10 мм рт. ст. приводит к 30%-му увеличению частоты возникновения ишемической болезни сердца [18]. Интересно, что возрастное увеличение ПАД — это проблема в основном промышленно развитых стран. В то время как, например, в странах Африки данная проблема вообще не актуальна [15]. И здесь нельзя говорить о какой-либо генетической предрасположенности, поскольку у лиц, переехавших из Африки в промышленно развитые страны, отмечается возрастное повышение ПАД [15]. Некоторые исследователи находят четкую корреляцию между потреблением/выведением соли и возрастным увеличением ПАД [19, 20]. На сегодняшний день имеются убедительные морфологические доказательства влияния пищи с большим содержанием соли на гладкомышечные клетки артерий в виде увеличения в них внутриклеточного натрия и кальция, блокирования эндогенной выработки оксида азота и, соответственно, увеличения ОПСС и СиАД [21, 22]. Интересно, что снижение потребления калийсодержащих продуктов или низкая концентрация калия в плазме также приводит к перераспределению натрия в клетку и, соответственно, к увеличению систолического АД [23]. В свою очередь, уменьшение потребления натрия с пищей продемонстрировало статистически достоверное снижение СиАД и последующий отказ от приема гипотензивных препаратов у людей старше 60 лет [21]. Однако у людей старше 75 лет медикаментозное снижение АД может уже само по себе увеличивать смертность вследствие побочных эффектов в виде артериальной гипотензии и гипоперфузии. Особенно этот эффект выражен у больных c сахарным диабетом [24, 25]. На сегодняшний день для врачей анестезиологов-реаниматологов не так актуальна проблема высокого АД непосредственно перед проведением наркоза, поскольку практически все препараты для анестезии вызывают периферическую вазодилатацию и, соответственно, артериальную гипотензию [26]. В 2017 году группа британских исследователей опубликовала анализ связи между высоким СиАД перед операцией и 30-дневной смертностью у 251 567 пациентов после некардиохирургических вмешательств [27]. Проведенный анализ не выявил какой-либо положительной связи между данными переменными. В то же время было обнаружено, что риск смертности постепенно возрастает при предоперационном СиАД ниже 120 мм рт. ст. Данная корреляция особенно выражена у пожилых пациентов [27]. Авторы отмечают, что, например, у больных с предоперационным СиАД 100 мм рт. ст. риск летальности возрастает в 1,4 раза по сравнению с нормальным СиАД и является, по существу, таким же, как и у больных с сердечной недостаточностью [27]. В то же время авторы обнаружили, что увеличение диастолического АД более 84 мм рт. ст. также ведет к увеличению риска 30-дневной смертности [27]. Согласно последним рекомендациям Ассоциации анестезиологов Великобритании и Ирландии, АД выше 180/110 мм рт. ст. является основанием для отмены плановой хирургической операции [28]. Как отмечают авторы, в Великобритании примерно 1 % плановых операций (это примерно 100 пациентов каждый день) отменяют из-за высокого АД [28]. Однако до сих пор не представлено ни одного убедительного доказательства того, что высокое АД перед наркозом, как изолированный фактор, без наличия какой-либо органной недостаточности, приводит к увеличению количества осложнений и летальности [27, 29]. В то же время низкое АД как до операции, так и/или в ходе анестезии является доказанным фактором увеличения количества послеоперационных осложнений и летальности. Ретроспективный анализ 33 000 анестезий, проведенный в клинике Кливленда (штат Огайо, США), показал, что даже кратковременное снижение (1–5 минут) среднего артериального давления (САД) ниже 55 мм рт. ст. приводит к ишемическим повреждениям миокарда и почечной недостаточности [30]. Степень повреждений напрямую зависит от длительности ишемии. Так, при снижении САД менее 55 мм рт. ст. в течение 20 минут и более риск развития данных осложнений увеличивается почти в 2,5 раза [30]. Важно помнить, что кратковременные ишемические эпизоды у пожилых пациентов в течение анестезии могут приводить к формированию органной недостаточности, которая может проявляться через многие часы, а то и дни после проведения наркоза. Как правило, в этот момент времени анестезиолог уже передал больного в руки врачей-реаниматологов, и постепенное ухудшение состояния больного в послеоперационном периоде зачастую списывается на возраст и сопутствующую патологию [30].

В 1959 году датский исследователь Ларсен впервые опубликовал кривую зависимости мозгового кровотока от пороговых значений САД ниже 50 мм рт. ст. [31]. Согласно этому исследованию на животных, САД ниже 38 ± 11 мм рт. ст. вызывало уменьшение скорости мозгового кровотока ниже 30 мл/100 г/мин и появление первых признаков ишемического повреждения головного мозга [31]. Однако данные, полученные в результате многочисленных клинических исследований [32–42], демонстрируют значительную вариацию пороговых САД (40–70 мм рт. ст.) у здоровых людей. В то же время установлено, что у пациентов старше 60 лет кривая Ларсена смещается вправо, то есть пороговые значения САД гораздо выше, чем у молодых и здоровых людей [33]. В ежедневной практике анестезиолога встает вопрос о том, как определить пороговое значение САД у пожилого пациента. На сегодняшний день не существует какой-то «магической» цифры или формулы, которая бы подходила для всех пожилых пациентов. Задачей анестезиолога перед проведением наркоза являются анализ факторов риска и определение допустимого предела снижения САД у каждого конкретного пациента. Первым и самым важным фактором является базовое САД. При этом необходимо учитывать возрастные увеличения САД. На рис. 1 представлены возрастные увеличения САД, полученные в результате диспансерного наблюдения большой популяции здоровых людей в Северной Норвегии. Как видно из представленных данных, к возрасту 70 лет средние значения САД уже находятся в пределах 106–108 мм рт. ст. Если у вашего пациента, например, базовое САД 106 мм рт. ст., то снижение его на 35 % дает вам цифру примерно в 70 мм рт. ст. Однако и это значение может быть не окончательным и требовать коррекции в сторону увеличения, если, например, у пациента в анамнезе имелись ишемические или геморрагические повреждения центральной нервной системы (ЦНС). Повышенное внутричерепное давление так- же является важным фактором, требующим увеличения порогового значения САД. Следующий фактор, требующий увеличения порогового значения САД, — это потеря или врожденное отсутствие коллатерального кровообращения в ЦНС. Согласно последним исследованиям, только у 51 % людей находят нормальное анатомическое строение виллизиева круга [44]. Виллизиев круг — это круг артериальных сосудов, расположенный в основании головного мозга и обеспечивающий компенсацию недостаточности кровоснабжения головного мозга (ГМ) за счет притока крови из других сосудистых бассейнов. Положение пациента на хирургическом столе может определять перфузию ГМ. При строго горизонтальном положении значения САД на уровне манжетки тонометра и виллизиева круга одинаковы. При подъеме головного конца хирургического стола возникает гидростатический градиент, где каждый сантиметр разницы между уровнем манжетки тонометра и виллизиева круга вызывает снижение артериального давления на 1,35 мм рт. ст. [44]. Например, если при сидячем положении больного во время операции разница между ними составляет 15 см, то при определении САД на уровне манжетки 70 мм рт. ст. САД на уровне виллизиева круга будет практически на 20 мм рт. ст. ниже (15 × 1,35 = 20,25) и составит уже 50 мм рт. ст. Для молодых и здоровых пациентов это может и не иметь большого значения, но для пожилых пациентов такое большое снижение САД может стать критическим в плане возникновения ишемического повреждения ЦНС. В последние годы появилось несколько публикаций  о неврологических осложнениях после ортопедических операций в сидячем положении, где основной причиной таких осложнений считается наличие выраженного гидростатического градиента между САД на уровне манжетки тонометра и виллизиева круга [44–48].

Рис. 1. Возрастные изменения среднего артериального давления. Данные получены в ходе диспансерного наблюдения, проведенного в 1995–1997 годах в Северном Тронделаге, Норвегия. В исследование было включено 30 340 мужчин и 34 429 женщин

Профилактика и коррекция низкого АД во время анестезии — одна из основных ежедневных проблем врача-анестезиолога. Эта тема активно обсуждается в литературе [49–51]. Несмотря на противоречивость данных, полученных в клинических исследованиях, большинство экспертов отмечают все же необходимость отмены утреннего приема гипотензивных препаратов (ингибиторов ангиотензин-превращающего фермента и блокаторов  ангиотензин-2-рецепторов)  у пожилых больных в день операции [50]. Прием данных препаратов перед наркозом приводит к выраженной артериальной гипотензии во время анестезии. Эта гипотензия крайне плохо поддается лечению вазопрессорами [52, 53]. У пожилых пациентов также крайне важен правильный выбор типа мониторирования АД в процессе анестезии. Хирургические операции, которые сами по себе несут высокий риск быстрого развития артериальной гипотензии, например сосудистые вмешательства с высоким риском кровотечения, требуют использования инвазивного измерения АД, которое покрывает временные паузы между неинвазивными измерениями АД [54]. Таким образом, инвазивный мониторинг АД обеспечивает профилактику ишемических осложнений, которые могут возникать даже за короткий период неконтролируемой артериальной гипотензии [54]. Выбор типа анестезии (ингаляционная анестезия или тотальная внутривенная анестезия пропофолом) для пожилых пациентов принципиального значения не имеет, поскольку механизм снижения АД в ходе анестезии практически одинаков для всех агонистов ГАБА-рецепторов [55, 56]. Рефлекторная дуга контроля и поддержания постоянного АД в организме человека начинается от барорецепторов каротидного синуса и аортальных телец, где в зависимости от величины АД формируется электрический сигнал, который затем передается в ядра одиночного пути продолговатого мозга по X черепно-мозговому нерву [57] (рис. 2). Нейроны данных ядер в зависимости от величины АД посылают электрический сигнал через вставочные нейроны спинного мозга непосредственно к периферическим симпатическим нервным окончаниям артериол и венул. Симпатические нервные окончания выделяют нейротрансмиттер — норадреналин, который, присоединяясь к альфа-1- и альфа-2-рецепторам мышечной ткани артериол и венул, вызывает их сокращение [57]. По мере насыщения данных рецепторов норадреналин присоединяется также к альфа-2-рецепторам нервных окончаний, и выброс норадреналина из везикул нервных окончаний прекращается [57] (рис. 2). В ядрах одиночного пути продолговатого мозга находятся также вставочные ГАБА-рецепторы, активация которых агонистами (пропофол или севофлуран) может приводить к полной блокировке передачи электрического сигнала к периферическим нервным окончаниям и, соответственно, прекращению выделения норадреналина [58]. В нормальном состоянии венулы содержат примерно 70 % объема циркулирующей крови, и их постоянная вазоконстрикция позволяет поддерживать достаточный венозный возврат крови к сердцу [57] (рис. 3). При блокировке данной рефлекторной дуги агонистами ГАБА- рецепторов происходит вазодилатация как венул, так и артериол. Таким образом, происходит формирование артериальной гипотензии в ходе анестезии [58] (рис. 3). Поскольку ГАБА-агонисты в первую очередь присоединяются к рецепторам коры больших полушарий и, по мере их насыщения, воздействуют на ядра одиночного пути продолговатого мозга, важен вопрос дозы и скорости введения препарата. С возрастом количество и качество как ГАБА, так и опиоидных рецепторов снижается, поэтому дозировки препаратов для анестезии должны быть ниже по сравнению со здоровыми молодыми пациентами и должны подбираться индивидуально по общепринятому принципу «start low, go slow» — начинайте с малых доз и постепенно увеличивайте дозы препаратов. Однако у пожилых больных с хронической гипертонией существует так называемое узкое терапевтическое окно, поэтому даже небольшие дозы анестетиков могут приводить к артериальной гипотензии и необходимости ее коррекции. На сегодняшний день протоколы ERAS и Fast track surgery предусматривают приоритет в использовании постоянно вводимых малых доз норадреналина у пациентов без каких-либо больших потерь жидкости. Внутривенное введение кристаллоидов ограничивается обычно на уровне 1–3 мл/кг/ час [59], и положительный вводный баланс не должен превышать 1 л за время всей хирургической операции. На самом деле с точки зрения патогенеза нет смысла корригировать артериальную гипотензию, вызванную вазодилатацией артериол и венул, внутривенным введением жидкости, когда существует необходимость возмещать недостающий норадреналин (см. рис. 3). В свою очередь, механизм Франка Старлинга практически не работает у пожилых пациентов. Внутривенное введение жидкости не приводит к увеличению сократимости сердца, а наоборот, может даже ухудшать общее состояние пациента. В недавно опубликованных исследованиях введение кристаллоидов добровольцам приводило к их 75–90%-му выведению из организма в течение первых 2 часов [60]. В то же время только 5–10 % объема введенных кристаллоидов выводилось из организма больных в ходе общего наркоза за тот же период времени [61, 62]. Более того, увеличение объема вводимой жидкости не способствовало увеличению диуреза [63]. Замедленное выведение кристаллоидов в ходе общей анестезии зависит только от 2 факторов: величины САД и возраста пациента [64]. Интересно, что нормальный диурез легко восстанавливается блокадой бета-1-рецепторов и стимуляцией альфа-1-рецепторов [65]. В последнее время поднимается вопрос о том, что норадреналин по своим свойствам подходит лучше для коррекции периоперативной артериальной гипотензии по сравнению с другими симпатомиметиками (эфедрин и фенилэфрин) [66]. Преимущество использования норадреналина заключается в том, что он по сравнению с фенилэфрином не снижает сердечный выброс и растяжимость (комплайнс) артериального русла [67]. Это, в свою очередь, позволяет в некоторой степени сохранить Виндкессель-эффект. В клиниках Норвегии довольно широко используется норадреналин для лечения периоперативной артериальной гипотензии. Стандартная дозировка норадреналина находится в пределах от 0,05 до 0,1 мкг/кг/мин в виде постоянной внутривенной инфузии. Для введения в периферические вены используется концентрация 20 мкг/мл. У пациентов с высоким риском развития периоперативной артериальной гипотензии важно начинать инфузию норадреналина уже в ходе вводного наркоза.

Рис. 2. Схема рефлекторной дуги контроля артериального давления в организме человека

Рис. 3. Схема распределения объема циркулирующей крови в организме человека

В заключение необходимо отметить, что у пожилых ортопедических пациентов все большую популярность набирает использование различных регионарных блокад, выполненных под контролем ультразвукового исследования и сопровождающихся легкой седацией. Это позволяет избежать развития периоперативной артериальной гипотензии и таким образом снизить риск послеоперационных осложнений. Использование спинальных катетеров с возможностью титровать дозу местного анестетика также позволяет снизить риск развития периоперативной артериальной гипотензии и, соответственно, уменьшить риск развития осложнений у пожилых пациентов. Использование ларингеальной маски также позволяет значительно снизить дозы вводимых анестетиков и анальгетиков, которые обычно необходимы для подавления трахеального рефлекса при интубации трахеи.

Возрастные физиологические изменения органов дыхания и особенности анестезиологического пособия

У пожилых пациентов может не отмечаться одышка при физической нагрузке, поскольку заболевание опорно-двигательного аппарата и быстрое мышечное утомление могут маскировать появление данной симптоматики [69, 70]. Поэтому пожилые пациенты могут не знать о своих проблемах с органами дыхания. С возрастом соединения между эластином и коллагеном в легочной ткани подвергаются изменениям и, как следствие, легочная ткань становится менее эластичной и более растяжимой [69, 70]. Увеличение растяжимости поддерживающей ткани вокруг альвеол приводит к уменьшению просвета бронхиол и, соответственно, способствует неполному выдоху и, как результат, перераздуванию альвеол [69, 70]. Данные изменения соответствуют изменениям, характерным для хронических обструктивных болезней легких (ХОБЛ). В отличие от ХОБЛ, возрастная эмфизема не имеет воспалительных инфильтратов и деструкции альвеолярных перегородок. Альвеолярное расширение распространяется гомогенно по всей паренхиме легких. Бронхиолы 16-го порядка, непосредственно соединенные с альвеолой, не содержат хрящевой ткани. Поэтому их просвет может полностью закрываться, формируя так называемый закрытый объем (ЗО) (в англоязычной литературе Closed Volume — CV) [69–71]. Анестезиологу необходимо помнить, что длительная подача пожилому пациенту на спонтанном дыхании 100% кислорода или высокопоточная подача кислорода, превышающая минутную вентиляцию легких, может приводить к формированию адсорбционных ателектазов, когда в альвеолах полностью отсутствует азот, выполняющий своего рода «каркасную функцию» вследствие того, что азот не всасывается в кровь. Альвеола, наполненная 100% кислородом со спавшейся бронхиолой 16-го порядка, постепенно тоже спадается в следствие полной адсорбции кислорода. Это приводит к формированию ателектазов [69–73]. Спадение альвеол стимулирует альвеоциты на выработку медиаторов воспаления, таким образом, постепенно формируются воспалительный процесс в альвеолярной ткани и пневмония [69–73]. Необходимо также помнить, что ЗО становится больше, чем функциональная остаточная емкость (ФОЕ), у больных в вертикальном положении после 65 лет, в горизонтальном положении — после 50 лет, в горизонтальном положении плюс наркоз — после 35 лет [72] (рис. 4). ФОЕ в горизонтальном положении составляет примерно 2 литра у пациента с массой тела 70 кг и является своего рода резервуаром кислорода, особенно важным в моменты отсутствия дыхания. Преоксигенация чистым кислородом больного перед наркозом позволяет выиграть дополнительное время, которое, при средней потребности человека в кислороде 200–250 мл в минуту до начала падения периферической сатурации кислорода (ПСК), может составлять примерно 8–10 минут. В свою очередь, когда у пожилых пациентов ЗО становится больше ФОЕ, время до начала падения ПСК значительно уменьшается, даже несмотря на преоксигенацию больного 100% кислородом. Необходимо помнить, что создание постоянного положительного давления в дыхательных путях и альвеолах в течение всего наркоза является своего рода профилактикой формирования ателектазов. Грудная клетка, в отличие от легочной паренхимы, становится менее растяжимой вследствие отложения кальция в реберных хрящах и суставах. Таким образом, объем грудной клетки значительно уменьшается. Эти возрастные изменения приводят к изменению механики дыхания. Форсированный выдох за 1 секунду (ФВ1) снижается примерно на 10 % на каждые 10 лет увеличения возраста. Снижение ФВ1 приводит к снижению силы кашлевого рефлекса и, соответственно, снижению его эффективности. Неполный выдох, в свою очередь, создает проблему вдоха и, вследствие низкого дыхательного объема, компенсаторно увеличивает частоту дыхания. Таким образом, пожилые люди могут иметь тахипноэ в покое. Уменьшение дыхательного объема также приводит к усиленной работе дыхательной мускулатуры. Это приводит к повышению потребления кислорода до 20 %. Вследствие спадения бронхиол 16-го порядка и последующего спадения альвеол увеличивается количество шунтируемой неоксигенированной крови. Несмотря на все эти нарушения в системе дыхания, газообмен кислорода и углекислого газа обычно остается в пределах нормальных значений. Однако, поскольку для его поддержания уже задействованы все резервные возможности системы дыхания, пожилые пациенты в любой критической ситуации могут быстро декомпенсироваться.

Если у пожилого пациента отмечается одышка в покое или при небольших физических нагрузках, имеет смысл направить пациента на спирометрию и ультра- звуковое исследование сердца.

Поскольку практически все пожилые пациенты находятся в зоне риска развития пери- и послеоперационных осложнений, с целью их профилактики необходимо тщательное планирование анестезии.

Рис. 4. Изменения функционального остаточного объема (ФОЕ) и закрытого объема (ЗО) в течение жизни человека

Практические рекомендации

В последнее время набирает популярность использования протоколов ERAS и Fast track surgery [59], основная идея которых — ранняя послеоперационная мобилизация пациента. Известно, что ранняя мобилизация пожилых пациентов позволяет избежать большинства послеоперационных осложнений, в том числе таких, как формирование ателектазов, развитие пневмоний, образование тромбов и тромбоэмболий, развитие делирия и интеллектуальной дисфункции [74]. Данные протоколы предусматривают использование коротко действующих гипнотиков и анальгетиков, таких как пропофол и ремифентанил в комбинации с эпидуральной анестезией для торакальных и абдоминальных от- крытых вмешательств [74]. При этом эпидуральный катетер вводится в предоперационном периоде, эпидуральная анестезия (ЭА) тут же активируется бупивакаином 5 мг/мл 5–7 мл с последующей постоянной инфузией бупивакаина 5 мг/мл — 5–6 мл в час. Обязательно проведение холодового теста через 10–15 минут после активации ЭА. При абдоминальных вмешательствах верхняя граница активации ЭА должна быть на уровне 4–5-го межреберья, в то время как для торакальных вмешательств она может быть выше и определяется индивидуально, в зависимости от величины хирургического разреза. Важно отметить, что при этих операциях ЭА не должна быть выполнена на поясничных сегментах, поскольку у больного может развиться слабость в ногах и ранняя мобилизация данного пациента будет затруднена. Вводный наркоз осуществляется только пропофолом и ремифентанилом. При этом интубация трахеи проводится без использования мышечных релаксантов, если нет опасности возникновения аспирации и потребности в краш-интубации. Для того чтобы заблокировать трахеальный рефлекс у больного и интубировать пациента без проблем, необходимо использование 3–4 мкг/ кг ремифентанила, плазмоконцентрация пропофола обычно должна составлять не менее 5–6 мкг/мл. Последние клинические исследования показали, что использование мышечных релаксантов приводило к увеличению риска развития послеоперационных пневмоний [75]. Анализ 13 000 анестезий показал, что у пациентов, получавших миорелаксанты, риск развития послеоперационной пневмонии вырастал в 1,79 раза, а у пациентов, получивших мышечные релаксанты, но без декураризации, риск развития послеоперационной пневмонии вырастал в 2,26 раза [75, 76]. Автор данного обзора три года работал в торакальной и абдоминальной хирургии с программой ERAS без использования мышечных релаксантов, и жалоб от хирургов на плохую релаксацию не поступало. Необходимо отметить, что использование закиси азота в качестве адъюванта в ходе наркоза может приводить к накоплению его в кишечнике и, как следствие, к «плохой релаксации». Поддерживающая анестезия осуществляется пропофолом с постоянной целевой плазмоконцентрацией 4–6 мкг/мл или постоянной инфузией пропофола 8–14 мг/кг/час и ремифентанилом с целевой плазмоконцентрацией 5–10 нг/мл или постоянной инфузией ремифентанила 0,4–0,8 мкг/ кг/мин. Ремифентанил метаболизируется непосредственно в плазме за 10 минут с помощью плазмаэстераз и поэтому для пожилых больных с какой-либо органной недостаточностью является идеальным анальгетиком в течение хирургической операции. Использование данного вида анестезии позволяет начинать раннюю мобилизацию через 2–3 часа после операции. В послеоперационном периоде важен регулярный контроль эффективности ЭА, особенно для того чтобы больной мог эффективно откашливать мокроту без возникновения послеоперационной боли.

Заключение

Анестезиологическое обеспечение у пожилых пациентов требует от врача-анестезиолога наличия плана ее проведения до начала хирургической операции. Первым пунктом данного плана должно быть четкое определение базового САД и допустимого уровня его снижения во время анестезии. Вторым важным моментом является определение потребности в использовании инвазивного мониторинга САД и наличие двух-трех венозных сосудистых доступов для его коррекции. Третьим пунктом является выбор методики анестезии и медикаментов для индукции и поддержания анестезии, имеющих минимальное влияние на систему кровообращения и дыхания как во время хирургической операции, так и в первые часы после нее. На сегодняшний день использование блокад региональных нервных сплетений в комбинации с анестетиками короткого действия — одно из перспективных направлений в современной анестезии для пожилых пациентов. Четвертым пунктом является выбор медикаментов и/или инфузионных средств, наиболее подходящих для коррекции гемодинамических нарушений у данного больного. Согласно последним рекомендациям анестезиологических профессиональных сообществ, у пожилых пациентов положительный водный баланс не должен превышать одного литра в конце хирургической операции. Использование норадреналина является патогенетически обоснованным, учитывая механизм развития артериальной гипотензии во время анестезии. Последним пунктом хотелось бы отметить важность использования ранней мобилизации и адекватного послеоперационного обезболивания с целью профилактики послеоперационных осложнений. Перечисленные выше пункты не охватывают всех возможных проблем, возникающих во время анестезии и после нее, поэтому дополнительные пункты в планировании анестезии могут быть необходимы для профилактики послеоперационных осложнений у по- жилых пациентов.

Конфликт интересов. Автор заявляет об отсутствии конфликта интересов.

ORCID автора

Куклин В.Н. — 0000-0003-4686-1773

Литература     

1. https://pdfs.semanticscholar.org/01c1/9475411bfa984af63c132c861fb33602d9e6.pdf
2. http://www.searo.who.int/entity/health_situation_trends/data/chi/elderly-population/en/
3. Neuman M.D., Bosk C.L. The redefinition of aging in American surgery. Milbank Q. 2013; 91(2): 288–315. DOI: 10.1111/milq.12014
4. Hamel M.B., Henderson W.G., Khuri S.F., Daley J. Surgical outcomes for patients aged 80 and older: morbidity and mortality from major noncardiac surgery. J Am Geriatr Soc. 2005; 53: 424.
5. Turrentine F.E., Wang H., Simpson V.B., Jones R.S. Surgical risk factors, morbidity, and mortality in elderly patients. J Am Coll Surg. 2006; 203: 865.
6. Pedersen T., Eliasen K., Henriksen E. A prospective study of mortality associated with anaesthesia and surgery: risk indicators of mortality in hospital. Acta Anaesthesiol Scand. 1990; 34: 176.
7. Hosking M.P., Warner M.A., Lobdell C.M., et al. Outcomes of surgery in patients 90 years of age and older. JAMA. 1989; 261: 1909.
8. Kheterpal S., OʼReilly M., Englesbe M.J., et al. Preoperative and intraoperative predictors of cardiac adverse events after general, vascular, and urological surgery. Anesthesiology. 2009; 110: 58.
9. Chung F., Mezei G., Tong D. Adverse events in ambulatory surgery. A comparison between elderly and younger patients. Can J Anaesth. 1999; 46: 309.
10. Fleisher L.A., Pasternak L.R., Herbert R., Anderson G.F. Inpatient hospital admission and death after outpatient surgery in elderly patients: importance of patient and system characteristics and location of care. Arch Surg. 2004; 139: 67.
11. Miller R.D., Eriksson L.I., Fleisher L.A., et al. Millerʼs Anesthesia, 2 Volume Set. 8th Edition. ISBN: 9780323280785.
12. Parikh J.D., Hollingsworth K.G., Wallace D., et al. Normal age-related changes in left ventricular function: Role of afterload and subendocardial dysfunction. International Journal of Cardiology. 2016; 223: 306–312.
13. Chambers D., Huang C., Matthews G. Basic Physiology for Anaesthetists, 1st Edition, ISBN-13: 978–1107637825.
14. https://www.felleskatalogen.no/medisin/trandate-aspen-564767
15. Pinto E. Blood pressure and ageing. Postgrad Med J. 2007; 83: 109–114. DOI: 10.1136/pgmj.2006.048371
16. Blacher J., Staessen J.A., Girerd X., et al. Pulse pressure not mean pressure determines cardiovascular risk in older hypertensive patients. Arch Intern Med. 2000; 160: 1085–1089.
17. Vaccarino V., Berger A.K., Abramson J., et al. Pulse pressure and risk of cardiovascular events in the Systolic Hypertension in the Elderly Program. Am J Cardiol. 2001; 88: 980–986.
18. Lacey B., Lewington S., Clarke R., et al. China Kadoorie Biobank collaborative group. Age-specific association between blood pressure and vascular and non-vascular chronic diseases in 0·5 million adults in China: a prospective cohort study. Lancet Glob Health. 2018; 6(6): e641–e649. DOI: 10.1016/S2214–109X(18)30217–1
19. Whelton P.K., Appel L.J., Espeland M.A., et al. Sodium reduction and weight loss in the treatment of hypertension in older persons. A randomised controlled trial of non-pharmacological interventions in the elderly (TONE). JAMA.1998; 279: 839–846.
20. Strazzullo P. Salt-sensitivity, hypertension and cardiovascular ageing: broadening our view without missing the point. J Hypertens. 2002; 20(4): 561–563.
21. Appel L.J., Espeland M.A., Easter L., et al. Effects of reduced sodium intake on hypertension control in older individuals: results from the Trial of Nonpharmacologic Interventions in the Elderly (TONE). Arch Intern Med 2001; 161(5): 685–693.
22. Adrogué H.J., Madias N.E. Sodium and potassium in the pathogenesis of hypertension. N Engl J Med. 2007; 356(19): 1966–1978.
23. Krishna G. Effect of Potassium Intake on Blood Pressure. J Am Soc Nephrol. 1990; 1: 43–52.
24. D’Agostino R.B., Belanger A.J., Kannel W.B., Cruickshank J.M. Relation of low diastolic blood pressure to coronary heart disease death in presence of myocardial infarction: the Framingham Study. BMJ. 1991; 303: 385–389.
25. Bangalore S., Fayyad R., Laskey R., et al. Lipid lowering in patients with treatment-resistant hypertension: an analysis from the Treating to New Targets (TNT) trial. Eur Heart J. 2014; 35: 1801–1808.
26. van Klei W.A., van Waes J.A., Pasma W., et al. Relationship Between Preoperative Evaluation Blood Pressure and Preinduction Blood Pressure: A Cohort Study in Patients Undergoing General Anesthesia. Anesth Analg. 2017; 124(2): 431–437. DOI: 10.1213/ANE.0000000000001665
27. Venkatesan S., Myles P.R., Manning H.J., et al. Cohort study of preoperative blood pressure and risk of 30-day mortality after elective non-cardiac surgery. British Journal of Anaesthesia. 2017; 119(1): 65–77. DOI: 10.1093/bja/aex056
28. Hartle A., McCormack T., Carlisle J., et al. The measurement of adult blood pressure and management of hypertension before elective surgery: Joint Guidelines from the Association of Anaesthetists of Great Britain and Ireland and the British Hypertension Society. Anaesthesia. 2016; 71(3): 326–337. DOI: 10.1111/anae.13348
29. Howell S.J., Sear J.W., Foëx P. Hypertension, hypertensive heart disease and perioperative cardiac risk. Br J Anaesth. 2004; 92(4): 570–583.
30. Walsh M., Devereaux P.J., Garg A.X., et al. Relationship between Intraoperative Mean Arterial Pressure and Clinical Outcomes after Noncardiac Surgery: Toward an Empirical Definition of Hypotension. Anesthesiology. 2013; 119(3): 507–515. DOI: 10.1097/ALN.0b013e3182a10e26
31. Lassen N.A. Cerebral blood flow and oxygen consumption in man. Physiol Rev. 1959; 39: 183–238.5.
32. Moyer J.H., Morris G., Smith C. Cerebral hemodynamics during controlled hypotension induced by the continuous infusion of ganglionic blocking agents (hexamethonium, Pendiomide and Arfonad. J Clin Invest. 1954; 33:1081–1088.
33. Strandgaard S. Autoregulation of cerebral blood flow in hypertensive patients. The modifying influence of prolonged antihypertensive treatment on the tolerance to acute, drug-induced hypotension. Circulation. 1976; 53: 720–727.
34. Waldemar G., Schmidt J.F., Andersen A.R., et al. Angiotensin converting enzyme inhibition and cerebral blood flow autoregulation in normotensive and hypertensive man. J Hypertens. 1989; 7: 229–235.
35. Larsen F.S., Olsen K.S., Hansen B.A., et al. Transcranial Doppler is valid for determination of the lower limit of cerebral blood flow autoregulation. Stroke. 1994; 25: 1985–1988.
36. Olsen K.S., Svendsen L.B., Larsen F.S., et al. Effect of labetalol on cerebral blood flow, oxygen metabolism and autoregulation in healthy humans. Br J Anaesth. 1995; 75: 51–54.
37. Olsen K.S., Svendsen L.B., Larsen FS. Validation of transcranial near-infrared spectroscopy for evaluation of cerebral blood flow autoregulation. J Neurosurg Anesthesiol. 1996; 8: 280–285.
38. Joshi B., Ono M., Brown C., et al. Predicting the limits of cerebral autoregulation during cardiopulmonary bypass. Anesth Analg. 2012; 114: 503–510.
39. Morris G.C.Jr., Moyer J.H., Synder H.B., et al. Vascular dynamics in controlled hypotension; a study of cerebral and renal hemodynamics and blood volume changes. Ann Surg. 1953; 138: 706–711.
40. McCall M.L. Cerebral circulation and metabolism in toxemia of pregnancy; observations on the effects of veratrum viride and apresoline (1-hydrazinophthalazine). Am J Obstet Gynecol. 1953; 66: 1015–1030.
41. Rivera-Lara L., Zorrilla-Vaca A., Geocadin R.G., et al. Cerebral autoregulation-oriented therapy at the bedside: a comprehensive review. Anesthesiology. 2017; 126: 1187–1199.
42. Tan C.O. Defining the characteristic relationship between arterial pressure and cerebral flow. J Appl Physiol (1985). 2012; 113: 1194–1200.
43. Drummond J.C. Blood Pressure and the Brain: How Low Can You Go? 2019; 128(4):759–771.
44. Murphy G.S., Greenberg S.B., Szokol J.W. Safety of Beach Chair Position Shoulder Surgery: A Review of the Current Literature. Anesth Analg. 2019; 129(1): 101–118. DOI: 10.1213/ANE.0000000000004133
45. Pohl A., Cullen D.J. Cerebral ischemia during shoulder surgery in the upright position: a case series. J Clin Anesth. 2005; 17: 463–469.
46. Drummond J.C., Lee R.R., Howell J.P. Jr. Focal cerebral ischemia after surgery in the “beach chair” position: the role of a congenital variation of circle of Willis anatomy. Anesth Analg. 2012; 114: 1301–1303.
47. Lee L., Caplan R. APSF workshop: cerebral perfusion experts share views on management of head-up cases. APSF Newsletter Winter. 2009–2010; 24: 45–68.
48. Villevieille T., Delaunay L., Gentili M., et al. Arthroscopic shoulder surgery and ischemic cerebral complications. Ann Fr Anesth Reanim. 2012; 31: 914–918.
49. Roshanov P.S., Rochwerg B., Patel A., et al. Withholding versus Continuing Angiotensin-converting Enzyme Inhibitors or Angiotensin II Receptor Blockers before Noncardiac Surgery: An Analysis of the Vascular events In noncardiac Surgery patIents cOhort evaluatioN Prospective Cohort. Anesthesiology. 2017;126(1): 16–27.
50. Hollmann C.L., Fernandes N.L., Biccard B.M. A Systematic Review of Outcomes Associated With Withholding or Continuing Angiotensin-Converting Enzyme Inhibitors and Angiotensin Receptor Blockers Before Noncardiac Surgery. Anesth Analg. 2018; 127(3): 678–687. DOI: 10.1213/ANE.0000000000002837
51. Setty S., Orza D., Belani K.G. Angiotensin-Converting Enzyme Inhibitors and Angiotensin II Receptor Blockers Before Elective Noncardiac Surgery: An Ongoing Dilemma. Anesth Analg. 2018; 127(3): 598–600. DOI: 10.1213/ANE.0000000000003516
52. Ritter J.M. Dual blockade of the renin-angiotensin system with angiotensin converting enzyme (ACE) inhibitors and angiotensin receptor blockers (ARBs). Br J Clin Pharmacol. 2011; 71: 313–315.
53. Mets B. Management of hypotension associated with angiotensin-axis blockade and general anesthesia administration. J Cardiothorac Vasc Anesth. 2013; 27: 156–167.
54. Maheshwari K., Khanna S., Bajracharya G.R., et al. A Randomized Trial of Continuous Noninvasive Blood Pressure Monitoring During Noncardiac Surgery. Anesth Analg. 2018;127(2): 424–431. DOI: 10.1213/ANE.0000000000003482
55. Tsikas D., Jordan J., Engeli S. Blood pressure-lowering effects of propofol or sevoflurane anaesthesia are not due to enhanced nitric oxide formation or bioavailability. Br J Clin Pharmacol. 2015; 79(6): 1030–1033.
56. Ebert T.J., Kanitz D.D., Kampine J.P. Inhibition of sympathetic neural outflow during thiopental anesthesia in humans. Anesthesia and analgesia 1990; 71: 319–26.
57. Glick D. Chapter 12 — The autonomic nervous system. In: Ronald D. Miller. Miller’s Anesthesia, 7th Edition, Philadelphia: Elsevier, 2009: 261–304.
58. Xuan С., Li Y., Yan W., Ma H. Inhibition of GABAA receptors in the nucleus tractus solitarius induced cardiovascular depression during isoflurane inhalation anesthesia. Int J Clin Exp Med. 2016; 9(3): 5746–5754.
59. Miller T.E., Roche A.M., Mythen M. Fluid management and goal-directed therapy as an adjunct to Enhanced Recovery After Surgery (ERAS). Can J Anaesth. 2015; 62(2): 158–168. DOI: 10.1007/s12630-014-0266-y
60. Drobin D., Hahn R.G. Volume kinetics of Ringer’s solution in hypovolemic volunteers. Anesthesiology. 1999; 90: 81–91.
61. Olsson J., Svensén C.H., Hahn R.G. The volume kinetics of acetated Ringer’s solution during laparoscopic cholecystectomy. Anesth Analg. 2004; 99: 1854–1860.
62. Hahn R.G., Lyons G. The half-life of infusion fluids: an educational review. Eur J Anaesthesiol. 2016; 33: 475–482.
63. Matot I., Paskaleva R., Eid L., et al. Effect of the volume of fluids administered on intraoperative oliguria in laparoscopic bariatric surgery: a randomized controlled trial. Arch Surg. 2012; 147: 228–234.
64. Hahn R.G. Arterial Pressure and the Rate of Elimination of Crystalloid Fluid. Anesth Analg. 2017; 124(6): 1824–1833. DOI: 10.1213/ANE.0000000000002075
65. Li Y.H., Zhu H.B., Zheng X., et al. Low doses of esmolol and phenylephrine act as diuretics during intravenous anesthesia. Crit Care. 2012; 16: R18.
66. Mets B. Should Norepinephrine, Rather than Phenylephrine, Be Considered the Primary Vasopressor in Anesthetic Practice? Anesth Analg. 2016 May;122(5): 1707–14. DOI: 10.1213/ANE.0000000000001239
67. Hassani V., Movaseghi G., Safaeeyan R., et al. Comparison of Ephedrine vs. Norepinephrine in Treating Anesthesia-Induced Hypotension in Hypertensive Patients: Randomized Double-Blinded Study. Anesth Pain Med. 2018; 8(4): e79626. DOI: 10.5812/aapm.79626
68. Vallee F., Passouant O., Le Gall A., et al. Norepinephrine reduces arterial compliance less than phenylephrine when treating general anesthesia-induced arterial hypotension. Acta Anaesthesiol Scand. 2017; 61(6): 590–600. DOI:10.1111/aas.12905
69. Janssens J.P., Pache J.C., Nicod L.P. Physiological changes in respiratory function associated with ageing. Eur Respir J. 1999; 13(1): 197–205
70. Janssens J.P. Aging of the respiratory system: impact on pulmonary function tests and adaptation to exertion. Clin Chest Med. 2005; 26(3): 469–484, vi-vii.
71. Sprung J., Gajic O., Warner D.O. Review article: age related alterations in respiratory function — anesthetic considerations. Can J Anaesth. 2006; 53(12): 1244–1257.
72. Tran D., Rajwani K., Berlin D.A. Pulmonary effects of aging. Curr Opin Anaesthesiol. 2018; 31(1): 19–23. DOI: 10.1097/ACO.0000000000000546
73. Rock P., Rich P.B. Postoperative pulmonary complications. Curr Opin Anaesthesiol. 2003; 16(2): 123–131.
74. Braga M., Pecorelli N., Scatizzi M., et al. PeriOperative Italian Society. Enhanced Recovery Program in High-Risk Patients Undergoing Colorectal Surgery: Results from the PeriOperative Italian Society Registry. World J Surg. 2017; 41(3): 860–867. DOI: 10.1007/s00268-016-3766-9
75. Bulka C.M., Terekhov M.A., Martin B.J., et al. Nondepolarizing neuromuscular blocking agents, reversal, and risk of postoperative pneumonia. Anesthesiology. 2016; 125: 647–655.
76. Murphy G.S., Kopman A.F. “To reverse or not to reverse?” The answer is clear! Anesthesiology. 2016; 125: 611–614.

ФИЗИОЛОГИЧЕСКИЕ И УСЛОВНО ФИЗИОЛОГИЧЕСКИЕ ПАТТЕРНЫ БОДРСТВОВАНИЯ И МЕДЛЕННОГО СНА НА ЭЭГ.

ФИЗИОЛОГИЧЕСКИЕ И УСЛОВНО ФИЗИОЛОГИЧЕСКИЕ ПАТТЕРНЫ БОДРСТВОВАНИЯ И МЕДЛЕННОГО СНА НА ЭЭГ.

Гукасян Г.В. ⁽¹⁾, Самыгин Д.В. ⁽¹⁾, Беляев О.В. ^(1,2) , Малинина Е.Н ⁽¹⁾

1. Медицинский центр неврологии, диагностики и лечения эпилепсии «ЭпиЦентр», г. Волгоград
2. ГБОУ ВПО «Волгоградский государственный медицинский университет» МЗ РФ.

В настоящее время многочисленными руководствами в достаточном объёме освещены теоретические и практические вопросы и методики электроэнцефалографии. Однако, оценка и интерпретация заключения, а также визуальный анализ ЭЭГ, представляют трудности для лечащего врача и вызывают больше вопросов, чем ответов.

Расшифровка ЭЭГ представляет собой процесс ее интерпретации с учетом клинических симптомов, имеющихся у пациента. Итоговый диагноз выставляется только при наличии определенных клинических признаков, беспокоящих пациента.

Описание записи предназначено, в первую очередь, для врача-нейрофизиолога, который использует его для последующего вывода, или, для другого эксперта, и должно быть детальным и объективным.

Заключение ЭЭГ — не является диагнозом. Большинство клиницистов предполагают, что текст заключения дает достаточно информации для постановки диагноза, и поэтому не просматривают кривые.

Корректная интерпретация ЭЭГ требует значительной подготовки и опыта врача. Для того чтобы обеспечить взаимопонимание между клиницистами и нейрофизиологами мы собрали и представили все основные физиологические и некоторые условно физиологические паттерны бодрствования и сна с подробным описанием.

Волны вертекса – одно- или двухфазная острая волна: чаще всего начальная фаза негативная, затем следует низкоамплитудная позитивная фаза, а затем медленная волна с негативным отклонением.  Максимальны в области вертекса. Могут возникать асимметрично, с преобладанием то слева, то справа, изолированно или в виде ритмических пробегов. Возникает спонтанно во время сна или в ответ на сенсорный стимул во время сна или бодрствования. Может быть одиночным или повторяющимся. Амплитуда в целом редко превышает 250 мкВ, но могут быть высокоамплитудными и очень острыми, особенно у детей. У детей волны вертекса встречаются чаще, чем у взрослых и более выражены по амплитуде.

Гипнагогическая гиперсинхронизация – диффузные вспышки высокоамплитудных (300-600 мкВ) билатерально-синхронных ритмических тета- или дельта-волн (3-5 Гц), длительностью 2-6 секунд, характерны для периода расслабленного бодрствования I стадии медленного сна (первые 3 минуты от момента засыпания), исчезают по мере углубления сна. Является нормальным паттерном дремоты у детей от 3 месяцев до 14 лет, максимально выражен у детей 3-5 лет.

К-комплексы — непостоянные разряды, состоящие из высокоамплитудной негативной медленной волны, за которой следует меньшая позитивная медленная волна. Сопровождается сонными веретёнами, следующими сразу за К-комплексами. Амплитуда, как правило, максимальна в передней вертексной области. Разряды билатерально-синхронные, но в детском возрасте могут быть унилатеральные или с устойчивым амплитудным преобладанием в одной из гемисфер. Характерны для II стадии медленного сна. Возникают спонтанно или в ответ на неожиданные сенсорные стимулы, и не являются специфическими. Встречаются у взрослых и детей.

Веретёна сна — представляют собой ритмические билатерально-синхронные (у детей до 2 лет, как правило, асинхронные) веретёнообразно нарастающие и снижающиеся по амплитуде волны, частотой 12-16 Гц (11-15 Гц), по амплитуде до 50 мкВ, максимальны в области вертекса, иногда со сдвигом на лобные отделы, продолжительностью 0,5-2 секунды. Веретёна встречаются изолированно или в сочетании с другими паттернами фазы медленного сна (ФМС) часто с К-комплексами, вертексными волнами во II стадии. Редко встречаются так называемые «гигантские» веретёна – с высокой амплитудой, частотой 11-12,5 Гц, преобладанием в лобных отведениях  и длительностью 3-5 секунд. В детском возрасте могут регистрироваться независимо два типа сонных веретён: частотой 11-12,5 Гц с максимумом в лобных отведениях и частотой 13-14 Гц с максимумом в центрально-теменных отведениях. Часть авторов рассматривают «гигантские» веретёна сна как признак патологии (ДЦП, органическое поражение ЦНС, олигофрения, медикаментозная интоксикация, когнитивные нарушения различной степени).

Позитивные затылочные острые компоненты сна (POSTS) – острый компонент, состоящий из высокоамплитудной позитивной моно- или бифазной волны частотой 3-5 Гц с последующим возможным сопровождением низкоамплитудной негативной волной. Максимально выражены в затылочных отведениях. Возникают в виде коротких пробегов продолжительностью до 3 секунд, частотой 4-5 Гц, билатерально-синхронно, но в большинстве случаев отмечается выраженная асимметрия. Встречаются в I и II стадии медленного сна, при углублении сна замедляются по частоте (3 Гц и ниже). Наиболее часто регистрируются в возрасте 20-30 лет, у детей появляются с 3-4 лет, после 50-ти постепенно уменьшаются.

Доброкачественные эпилептиформные компоненты сна (BETS) —
низкоамплитудные двухфазные пики (small sharp spikes — SSS) очень короткой длительности, за которыми часто следует небольшая тета-волна, возникающие в височных областях (м.б. и диффузно, но преобладая в лобно-височных отведениях) в состоянии дремоты или поверхностного сна. BETS — аббревиатура от benign epileptiform transients of sleep. Могут регистрироваться как с одной, так и с обеих сторон. Всегда возникают в виде единичных паттернов. Имеют разную электрическую направленность. Длительность и амплитуда колебаний в пределах 50 миллисекунд и 50 мкВ соответственно.  У взрослых встречаются чаще, чем у детей.

Wicket-волны – это пробеги нарастающих и убывающих аркообразных острых волн, напоминающие мю-ритм в средних и/или передневисочных, лобных отведениях, частотой 6-11 Гц, без последующей медленной волны. Негативная фаза волн – заострённая, позитивная фаза – закруглённая. Частота 6-11 Гц, амплитуда 60-200 мкВ, возникающие в височных отведениях унилатерально, билатерально или независимо, в состоянии расслабленного бодрствования и I стадии ФМС, встречаются в любом возрасте, но чаще у взрослых. 14-6 Гц позитивные спайки – аркообразные позитивные спайки или волны, частотой 13-17 Гц и/или 5-7 Гц, в виде коротких пробегов 1 секунда (редко до 3 секунд), амплитудой не выше 75 мкВ, в задневисочных отведениях унилатерально или билатерально (синхронно или асинхронно) с диффузным распространением. Встречаются в любом возрасте, чаще у подростков. Регистрируются I и II стадии ФМС.

Ритмические тета-волны дремоты у молодых людей (RMTTD — rhythmic temporal theta bursts of drowsiness, психомоторный вариант) – ритмичные групповые низкоамплитудные негативные бифазные, имеющие синусоидальную форму, зазубренные или резко очерченные монотонные острые волны частотой 5-7 Гц в виде коротких пробегов длительностью от нескольких секунд до 1 минуты в центрально-височных отведениях у подростков и молодых людей. Возникают в состоянии дремоты. Могут быть односторонними,  билатерально-синхронными и независимыми с внезапным или постепенным началом. При длительной записи ЭЭГ можно наблюдать смену сторон. Регистрируются в состоянии расслабленного бодрствования и I стадии ФМС. Пилообразные волны (saw—tooth waves) — негативные вертексные волны 2-5 Гц, возникающие сериями во время REM сна.  

Центральный ритм Циганека – аркообразные волны частотой 6-7 Гц с максимумом в лобно-центральных отведениях, пробегами 4-20 секунд. Возникают в состоянии пассивного бодрствования или дремоты.

Лобный ритм пробуждения (FAR) – ритмичные, нередко заострённые (зазубренные), пробеги колебаний частотой 7-20 Гц в лобных отделах обеих гемисфер, продолжительностью до 20 секунд. Регистрируются при пробуждении у детей.

Гиперсинхрония пробуждения — диффузные ритмические синусоидальные (возможно заострённые) групповые волны тета-дельта-диапазона по амплитуде 150-300 мкВ, продолжительностью 4-20 секунд с амплитудным преобладанием в передних отделах коры. Регистрируются при пробуждении у детей от 6 месяцев до 5 лет.

Височное замедление у пожилых лиц — кратковременная, нерегулярная преходящая медленная активность частотой 4-6 Гц в височной области, чаще с преобладанием по амплитуде слева старше 45 лет. 

Лямбда-волны — бифазные острые волны альфа-диапазона в затылочных отделах возникающие в состоянии бодрствования во время зрительной задачи («обследования») у детей 2-15 лет, реже молодых взрослых и пожилых. Главный компонент позитивен по отношению к другим областям. Синхронизированы по времени с саккадическими движениями глаз, с задержкой около 100 мс. Амплитуда варьирует, оставаясь в основном в пределах 50мкВ.

FIRDA — периодические, ритмические волны, частотой 3 Гц. Возникают бифронтально-синхронно или унилатерально в лобных отведениях. Регистрируются в бодрствовании, дремоте, ГВ (при ГВ вариант нормы у детей), а также при диффузных энцефалопатиях, органическом поражении лобной коры.

OIRDA (PIRDA) — периодические, ритмические волны, частотой 3 Гц. Возникают бипариетально, биокципитально-синхронно, пробегами 2-6 секунд (м.б. до нескольких минут). Регистрируются в бодрствовании, в I и II стадиях NonREM-сна. М.б. в сочетании с пиками при генерализованных формах эпилепсии. У детей 10-12 лет — вариант нормы.

SREDA — внезапно начинающиеся и заканчивающиеся ритмичные волны, диффузные или билатерально-синхронные с преобладанием в затылочных отведениях, частотой 5-6 Гц, несколько секунд — несколько минут. Регистрируются в бодрствовании и дремоте у лиц с 50 лет и старше.

6 Гц «фантомные» спайк-волновые комплексы — комплексы спайк-медленная-волна частотой 4-7 Гц, в основном 6 Гц (иногда называют фантомными). Возникают короткими вспышками билатерально и синхронно, симметрично или асимметрично, с амплитудным преобладанием в передних или задних областях головы в состоянии дремоты. Амплитуда спайкового компонента очень маленькая (называют иногда миниатюрный спайк). Амплитуда варьирует, но в целом меньше, чем у комплексов спайк-медленная-волна, которые повторяются с меньшей частотой. Этот паттерн не имеет большого клинического значения и должен дифференцироваться с эпилептиформными разрядами.

Медленная активность при гипервентиляции — вспышки высокоамплитудных медленных колебаний, тета-дельта-диапазона в частности, FIRDA Ритмические, генерализованные, с бифронтальным преобладанием. Регистрируются в бодрствовании у детей и подростков,  реже молодых взрослых во время гипервентиляции. Всегда являются нормой!

Усвоение ритма при фотостимуляции — позитивные билатерально-синхронные колебания альфа-тета-диапазона «в такт» частоте ритмической фотостимуляции, с преобладанием в затылочных отведениях. Регистрируется в бодрствовании.

Вариант медленного фонового альфа-ритма — Кратковременное или продолжительное замещение нормальной частоты альфа-ритма его субгармониками: например, появление вместо колебаний 10-12 Гц колебаний частотой 5-6 Гц. Волны ритмические, билатерально-синхронные с преобладанием в затылочных отведениях. Регистрируется в бодрствовании. Пограничный вариант между нормой и патологией. Может указывать на дисфункцию диэнцефальных неспецифических систем мозга.

«Спайки» rectus lateralis — артефакты, отражающие спайки m.rectus lateralis во время горизонтальных движений глаз. Билатеральные асинхронные полифазные острые дельта-волны. В основном генерируются ипсилатеральной мышцей. Регистрируются, как правило, под электродами F7/F8.

Артефакты движения глаз – высокоамплитудные билатеральные синхронные моно- и бифазные тета-дельта-волны. Артефакты, отражающие рефлекторное отведение глазных яблок вверх при смыкании век тета-диапазона регистрируются, как правило, под электродами F7/F8.

Выводы: знание тонкостей физиологических  и условно физиологических паттернов позволит избежать терминологической путаницы, помогая клиницистам безошибочно интерпретировать ЭЭГ, выставлять  корректный диагноз и, при необходимости, назначать адекватную терапию.

Литература:

1. Мухин К.Ю.. Эпилепсия. Атлас электро-клинической диагностики/ К.Ю. Мухин, А.С. Петрухин, Л.Ю. Глухова. М.: Альварес Паблишинг, 2004. — 440 с.
2. Глухова Л.Ю., Мухин К.Ю., Барлетова Е.И., Никитина М.А., Соборнова А.М., Кузьмич Г.В.. Физиологические феномены сна на ЭЭГ, имитирующие эпилептиформную активность // Рус жур дет невр. – 2013. –Т.VIII (2). – С. 3-14
3. сайт www. eeg-online.ru

Обзор приложений больших данных для данных физиологических сигналов

Biophys Rev. 2019 Фев; 11 (1): 83–87.

Кристина Орфаниду

Oxygen Research Ltd, 8 Vassileos Constantinou Street, 3075 Limassol, Cyprus

Oxygen Research Ltd, 8 Vassileos Constantinou Street, 3075 Limassol, Cyprus

Автор, отвечающий за переписку.

Автор сообщения Эта статья является частью специального выпуска «Большие данные» под редакцией Джошуа В.К. Хо и Элени Джаннулату.

Поступила 11.11.2018; Принято 18 декабря 2018 г.

Abstract

Распространение интеллектуальных датчиков для мониторинга физиологических сигналов в сочетании с развитием телеметрии и интеллектуальных систем связи привело к резкому увеличению объемов медицинских данных за последние несколько лет. Кроме того, доступ к более дешевым и эффективным механизмам питания и хранения значительно повысил доступность медицинских данных для разработки приложений для работы с большими данными.Приложения для больших данных в здравоохранении связаны с анализом наборов данных, которые слишком велики, слишком быстры и слишком сложны для обработки и интерпретации поставщиками медицинских услуг с помощью существующих инструментов. Движущей силой развития таких систем являются постоянные усилия по повышению эффективности и устойчивости медицинских услуг. В этой статье мы представляем обзор текущих приложений для работы с большими данными, которые используют физиологические формы волны или производные измерения, чтобы обеспечить поддержку принятия медицинских решений, часто в режиме реального времени, в клинических и домашних условиях.Мы уделяем основное внимание системам, разработанным для непрерывного наблюдения за пациентами в отделениях интенсивной терапии, и обсуждаем проблемы, которые необходимо преодолеть, чтобы эти системы можно было внедрить в клиническую практику. Как только эти проблемы будут преодолены, системы больших данных смогут трансформировать управление здравоохранением в больницах будущего.

Ключевые слова: Данные физиологического сигнала, Интеллектуальные датчики, Данные здравоохранения, Поддержка принятия медицинских решений, Большие данные

Введение

Распространение интеллектуальных датчиков мониторинга физиологических сигналов в сочетании с развитием телеметрии и интеллектуальных систем связи привело к резкий рост данных в области здравоохранения за последние несколько лет.В то время как в прошлом непрерывные физиологические данные, генерируемые носимыми датчиками, обычно не сохранялись в течение длительных периодов времени, в недавнем прошлом доступ к более дешевым и более эффективным механизмам питания и хранения значительно повысил доступность таких данных. Данные здравоохранения сложны, разнообразны и богаты контекстом, что создает основу для разработки приложений больших данных для здравоохранения (Roski et al., 2014; Krumholz, 2014; Orphanidou, Wong, 2017). Приложения для больших данных в здравоохранении связаны с анализом наборов данных, которые слишком велики, слишком быстры и слишком сложны для обработки и интерпретации поставщиками медицинских услуг с помощью существующих инструментов (Andreu-Perez et al.2015). Движущей силой развития таких систем являются постоянные усилия по повышению эффективности и устойчивости медицинских услуг перед лицом постоянно стареющего населения мира. Чтобы решить эти социально-экономические проблемы, ученые работают над созданием более интеллектуальных систем здравоохранения, стремясь трансформировать управление здравоохранением за счет сокращения затрат при одновременном улучшении результатов лечения пациентов.

Большие данные и физиологические сигналы

В 2012 году данные о здравоохранении во всем мире составили примерно 500 петабайт, а к 2020 году этот объем, по прогнозам, составит 25000 петабайт (Roski et al.2014). Большой объем физиологических данных, собранных в больнице и дома, предоставил возможность разработать основанные на данных подходы для улучшения диагнозов, внедрения передовых методов и улучшения результатов лечения пациентов. Важная проблема заключается в том, как можно интерпретировать имеющиеся данные, чтобы обеспечить более качественное и быстрое (иногда в режиме реального времени) принятие решений и улучшить стандарты ухода за пациентами и, как следствие, результаты для здоровья пациентов (Orphanidou and Wong 2017). За счет использования подходов машинного обучения совокупные физиологические данные могут раскрывать новую информацию, ведущую к усовершенствованным способам медицинской диагностики, и могут способствовать динамическому онлайн-мониторингу в клинической среде или дома.Системы поддержки принятия медицинских решений, основанные на подходах Big Data / Deep Learning, предлагают возможность быстрого и эффективного принятия решений с меньшими затратами, избегая при этом предвзятости подтверждения клинического эксперта (Krumholz 2014). Однако наборы медицинских данных, часто состоящие из структурированных (например, лабораторных результатов), полуструктурированных (например, данных датчиков) и неструктурированных (например, рукописных заметок пациента) данных (Palanisamy and Thirunavukarasu, 2017), часто бывают многомерными, шумными и динамически меняется.Эта сложность очень затрудняет интерпретацию и требует строгой проверки. Кроме того, внедрение этих систем в клиническую практику потребует не только новых источников данных, но также нового обучения и разработки новых стратегий эскалации (Krumholz 2014).

В больнице электронная карта здоровья пациента (EHR) является источником больших данных, содержащих информацию о социально-демографических данных, ранее существовавших и текущих заболеваниях, генетике, биохимических тестах и ​​методах лечения (Andreu-Perez et al.2015). Несмотря на богатый объем информации, эта обширная и богатая информацией база данных не может быть обработана человеком с высокой пропускной способностью для принятия медицинских решений и, таким образом, в значительной степени используется недостаточно. Требуются системы анализа данных, часто использующие машинное обучение, которые могут помочь клиническому персоналу систематизировать данные, выявлять закономерности, интерпретировать результаты и устанавливать пороговые значения для действий. Обработка естественного языка также является инструментом на основе больших данных, который может внести значительный вклад в анализ этих записей на предмет семантического контекста.Примеры аналитики больших данных для получения новых знаний, улучшения клинической помощи и оптимизированного наблюдения за общественным здоровьем уже применяются в больницах (Андреу-Перес и др., 2015). Использование больших данных и создание систем машинного обучения, обеспечивающих механизм непрерывного обучения с производством знаний в реальном времени, может привести к разработке интеллектуальных систем, основанных на принципе медицины P4: прогнозных, профилактических, персонализированных и совместных (Hood and Flores 2012; Leff and Ян 2015).Система HVITAL (наблюдение, мониторинг и оповещение в больницах), функционирующая в больнице Сан-Паулу с 2012 года (Almeida 2016), является примером новой аналитической платформы, которая использует все большие данные, хранящиеся в электронных медицинских записях, в режиме реального времени и применяемые расширенная и быстрая аналитика на основе этой информации для оказания поддержки врачам в принятии решений. Система рассчитывает и выдает более 600 ключевых показателей эффективности (KPI), которые не только связаны с клинической картиной, но и обеспечивают понимание на уровне руководства для улучшения работы больниц.Имея возможность быстрого поиска среди миллионов записей пациентов, система HVITAL предоставляет персоналу больницы информацию в режиме реального времени через настольные информационные панели и идет еще дальше, постоянно отслеживая серию физиологических признаков у каждого пациента на протяжении всего его пребывания и применяя интеллектуальные алгоритмы прогнозирования. для раннего выявления пациентов из группы риска, отображается желтым и красным цветом и требует вмешательства. Для предоставления таких предупреждений часто используется подход обнаружения новизны (Pimentel et al.2014), который представляет собой подход машинного обучения, используемый в ситуациях, когда доступно много данных о «нормальном» состоянии и очень мало данных о «ненормальном». Часто моделируемые как подход одноклассной классификации, методы обнаружения новизны применялись в клиническом контексте для обеспечения раннего предупреждения об ухудшении состояния в отделениях неотложной помощи (Wilson et al., 2016), ICU (Ghassemi et al., 2015) и для послеоперационные пациенты (Clifton et al., 2014; Pimentel et al., 2013). Гауссовские процессы также широко использовались для работы с зашумленными и ненадежными физиологическими данными (Dunitz et al.2015), в том числе в отделении интенсивной терапии (Pimentel et al., 2016). Как описано в Leff and Yang (2015), в дополнение к приложениям для раннего предупреждения об ухудшении непрерывного мониторинга, системы поддержки принятия медицинских решений также были предложены для многих других приложений, в том числе для оценки и улучшения соблюдения протокола (Klann et al., 2013) , для напоминаний о приеме лекарств (Nair et al. 2010), для улучшения скрининга (Wagholikar et al. 2012) и для прогнозирования повторной госпитализации (Futoma et al. 2015).

Приложения для непрерывного мониторинга пациентов

Всеобъемлющим принципом приложений для анализа больших данных в системах мониторинга пациентов является использование либо непрерывных данных физиологической формы волны, полученной информации о показателях жизнедеятельности из разных и разрозненных источников, либо их комбинации для того, чтобы обеспечить раннее предупреждение об ухудшении состояния.Большинство систем мониторинга пациентов, используемых до сих пор, полагались на один источник информации (например, один жизненно важный показатель) и приводили к феномену «усталости от сигналов тревоги», в результате чего клинический персонал теряет чувствительность и в конечном итоге игнорирует предупреждения систем мониторинга ( Орфаниду и др., 2015). Приложения для больших данных создали возможность для разработки улучшенных и более всеобъемлющих механизмов раннего предупреждения путем объединения различных источников информации, таких как несколько одновременно собранных показателей жизнедеятельности, а также другой клинической информации (разных фенотипов), агрегирование которой обеспечивает более полный обзор. состояния здоровья пациента.Помимо повышения точности предупреждений, это создало возможность изучения взаимодействий и корреляций между данными мультимодальных клинических временных рядов или формами волн (Belle et al. 2015) для получения клинических знаний.

В контексте внутрибольничного мониторинга огромное количество физиологических данных за короткие периоды времени создается в отделениях интенсивной терапии (ОИТ), где пациенты постоянно подключены к многопараметрическим мониторам, которые записывают формы волны и обеспечивают периодические измерения жизненно важных функций, таких как как частота сердечных сокращений (ЧСС), частота дыхания (ЧД), сатурация периферической артериальной крови кислородом (SpO2), артериальное кровяное давление (АД) и температура (Т).Помимо данных с прикроватных мониторов, для разработки приложений с большими данными для непрерывного наблюдения за пациентами и поддержки принятия медицинских решений можно использовать данные электронных медицинских записей и насосов для приема лекарств, а также данные вентиляции. Потенциал для разработки таких систем в среде ICU получил широкое признание, и в литературе появился ряд исследований, предлагающих подходы к большим данным. Главный тезис большинства исследований заключается в том, что сложности, характеризующие критическое заболевание (часто с сопутствующими заболеваниями), не могут быть адекватно решены с использованием традиционных подходов (например,g., отдельные лекарственные вмешательства), и, возможно, использование подходов слияния данных на основе больших данных является более подходящим (Johnson et al. 2016; Sanchez-Pinto et al. 2018). Примеры приложений с большими данными в отделениях интенсивной терапии включают масштабируемую инфраструктуру для разработки системы управления уходом за пациентами, которая объединяет статические и непрерывные данные, отслеживаемые критически больными пациентами в отделении интенсивной терапии, для интеллектуального анализа данных и оповещения медицинского персонала о критических событиях в режиме реального времени (Han et al. 2006), система для прогнозирования повышенного внутричерепного давления в отделении интенсивной терапии (Güiza et al.2013), а также систему, разработанную для неонатального отделения интенсивной терапии, в которой использовались потоковые данные с мониторов ЭЭГ, инфузионных насосов, мониторов оксигенации головного мозга и т. Д. Для поддержки принятия медицинских решений (Bressan et al. 2012). В одном из первых исследований с участием пациентов отделения интенсивной терапии использовались данные 250 000 госпитализаций и были построены прогностические модели на основе логистической регрессии для оценки перевода в отделение интенсивной терапии, остановки сердца или смерти пациентов отделения (Churpek et al. 2014). В последующем исследовании тех же авторов логистическая регрессия была заменена более сложными подходами к машинному обучению, такими как случайные леса и методы повышения градиента, чтобы улучшить прогнозирующую способность для раннего обнаружения ухудшения (Churpek et al.2016). Уровень смертности также был точно спрогнозирован Джоши и Шоловиц (2012) с использованием данных из базы данных многопараметрического интеллектуального мониторинга в интенсивной терапии (MIMIC) (Johnson et al., 2016) на Physionet (Goldberger et al. 2000). Для достижения AUC 0,91 авторы использовали методы кластеризации, деля пациентов по органоспецифическим состояниям пациентов. Используя ту же базу данных, Pirracchio et al. (2014) сравнили производительность 12 различных алгоритмов прогнозирования смертности (параметрических и непараметрических) для точного прогнозирования смертности и пришли к выводу, что метод ансамбля, использующий взвешенные выходные данные нескольких алгоритмов машинного обучения ( Superlearner ), дает наилучшие прогнозные характеристики с AUB 0.88.

Базы данных, такие как MIMIC III (Многопараметрический интеллектуальный мониторинг в интенсивной терапии) (Johnson et al., 2016), содержащие физиологические сигналы и временные ряды показателей жизненно важных функций, полученные с мониторов пациентов, а также исчерпывающие клинические данные, полученные из медицинских учреждений больниц. Информационные системы для десятков тысяч пациентов отделений интенсивной терапии (ОИТ) дали исследователям возможность работать над разработкой приложений больших данных для открытия знаний. Таким образом, база данных MIMIC использовалась для таких приложений, как обнаружение сходства между пациентами в выбранных когортах (Lee and Mark, 2010) или для разработки систем, которые объединяют информацию о нескольких формах волны для разработки ранних предикторов сердечно-сосудистой нестабильности у пациентов (Sun et al.2010). Комбинация информации о множественных формах волн, доступная в базе данных MIMIC II, также использовалась для раннего выявления гемодинамической нестабильности у пациентов (Cao et al. 2008). Другие приложения для больших данных, использующие физиологические сигналы, включают систему оценки сердечного выброса с использованием анализа контура пульса (Attin et al. 2015), систему обнаружения гиповолемии с использованием данных фотоплетизмографии (Roederer et al. 2015) и систему для прогнозирования гиперлактемии с использованием комбинированных физиологических данных. (Дуниц и др.2015).

За пределами клинической среды растет число носимых датчиков потребительского уровня, которые предоставляют возможность для разработки приложений больших данных с использованием данных физиологических датчиков. Эти датчики делают традиционные устройства физиологического мониторинга меньше, дешевле и портативнее. Были предложены системы, объединяющие параметры ЭКГ из телеметрии с демографической информацией, включая историю болезни, фракцию выброса, лабораторные показатели и лекарственные препараты, чтобы обеспечить стационарную систему раннего обнаружения остановки сердца (Sun et al.2010). Однако, как и в случае с клиническими приложениями, объединение информации, одновременно полученной с нескольких портативных устройств, может стать сложной задачей. Разнообразие фиксированных и мобильных датчиков, доступных для интеллектуального анализа данных в секторе здравоохранения, и способы использования таких данных для разработки технологий ухода за пациентами исследуются Sow et al. (2013).

Проблемы

Несмотря на значительную динамику применения больших данных в здравоохранении, прежде чем системы больших данных смогут быть применены к реальным клиническим проблемам, необходимо преодолеть ряд проблем.Технические проблемы, которые необходимо преодолеть, связаны с качеством данных и анализом, и, хотя они не являются уникальными для здравоохранения, получение данных от пациентов-людей создает дополнительные проблемы, которые не встречаются во многих других областях (Orphanidou and Wong, 2017). Одной из проблем является анализ наборов данных с отсутствующими или поврежденными данными, что часто случается при работе с данными, полученными от людей, и которые, если их не распознать, могут исказить или повредить анализ и привести к принятию неточных решений.В контексте данных, собранных с носимых датчиков, эти проблемы могут быть просто результатом неправильно подключенного датчика или движения. Чтобы уменьшить искажение данных, датчики необходимо улучшить с точки зрения их эргономики и стратегии крепления. Бесконтактный мониторинг показателей жизнедеятельности (Тарасенко и др., 2014) может решить эту проблему. Если искаженные данные были собраны и не могут быть отброшены, решение может быть найдено такими методами, как условное исчисление данных (Тарассенко и др., 2006) и оценка качества (Орфаниду, 2018).Еще одна проблема в использовании физиологических данных в медицинских приложениях с большими данными — это проблема интеграции разнородных источников данных. В то время как слияние данных, т. Е. Обработка информации из нескольких различных источников данных, широко используется для обеспечения более целостного представления о проблеме и для подтверждения измерений при наличии проблем с качеством, процесс интеграции источников данных в приложениях для больших данных является очень сложно. Методы выбора характеристик (обзор Saeys et al.2007) и методы слияния данных, такие как фильтры Калмана (Даррант-Уайт и Хендерсон, 2008) и обучение с использованием нескольких ядер (MKL) (Hu et al. 2009), были предложены в литературе как способы обеспечения интеграции нескольких источников данных одновременно, но требуется дополнительная работа, чтобы можно было извлечь максимальное значение из одновременно собранных наборов физиологических данных. Методы, основанные на многозадачных гауссовских процессах (MTGP), также были предложены для работы с наборами данных, которые являются зашумленными, неполными, разреженными, неоднородными и с неравномерной выборкой (Ghassemi et al.2015; Dürichen et al. 2015). В дополнение к этому, необходимо внедрить сложные и недорогие механизмы хранения и обработки, которые способствуют быстрому извлечению данных и фиксации на основе требований аналитики (Belle et al. 2015). Кроме того, необходимо преодолеть ряд проблем управления, таких как проблемы, связанные с установлением соответствующих протоколов и стандартов данных, а также вопросы конфиденциальности данных (Andreu-Perez et al. 2015). Разделение данных — еще одна проблема, которая касается того факта, что данные, собранные с нескольких устройств, часто хранятся в разных базах данных, которые необходимо связать для разработки целостных приложений для больших данных (Johnson et al.2016). Чтобы эта связь была эффективной, необходимо решить ряд юридических и этических проблем, и это часто включает необходимость сотрудничества между конкурирующими производителями систем (Orphanidou and Wong, 2017).

Помимо анализа и проблем, связанных с качеством, внедрение методов больших данных в реальных клинических приложениях создает ряд операционных проблем. Это требует развития новых клинических практик и способов мышления. Подходы к большим данным, основанные на машинном обучении и интеллектуальном анализе данных, требуют принятия поиска шаблонов, не зная, что может появиться (Krumholz 2014).Этот подход сильно отличается от классического научного подхода, когда начинают с конкретного вопроса исследования, и требует строгих методов проверки результатов для обеспечения достоверности и статистической значимости.

Заключение

Для того, чтобы приложения с большими данными нашли свой путь к клинической практике, самая большая проблема, которая впереди, — это потребность в развитии новых навыков, новых способов мышления и новых способов получения знаний, а также новой реакции и механизмы эскалации в клинических условиях.Поэтому исследовательская деятельность в области приложений больших данных в здравоохранении должна ограничиваться не только технической реализацией таких систем, но и соответствующими механизмами интеграции в клиническую практику. Как только эта проблема будет решена, приложения для больших данных смогут оказать огромное влияние не только на клинические исследования, но и на состояние здоровья населения в целом.

Примечания

Конфликт интересов

Кристина Орфаниду заявляет, что у нее нет конфликта интересов.

Этическое одобрение

Эта статья не содержит исследований с участием людей или животных, выполненных автором.

Сноски

Примечание издателя

Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий на опубликованных картах и ​​сведений об учреждениях.

Ссылки

• Almeida JP. Прорывной подход к работе с большими данными для повышения эффективности управления и поддержки принятия клинических решений в больнице.Порто Биомед Дж. 2016; 1 (1): 40–42. [Google Scholar]
• Андреу-Перес Дж., Пун CCY, Меррифилд RD, Вонг STC, Ян Г.З. Большие данные для здоровья. IEEE J Biomed Health Inf. 2015; 19 (4): 1193–1208. [PubMed] [Google Scholar]
• Attin M, Feld G, Lemus H, et al. Характеристики электрокардиограммы до остановки сердца в стационаре. J Clin Monit Comput. 2015; 29 (3): 385–392. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Belle A, Thiagarajan A, Reza SM, et al. Аналитика больших данных в здравоохранении.Biomed Res Int. 2015; 370194: 16. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Брессан Н., Джеймс А., МакГрегор С. (2012) Тенденции и возможности для интегрированной поддержки неонатальных клинических решений в реальном времени. Труды Международной конференции IEEE-EMBS по биомедицинской и медицинской информатике (BHI ’12), стр. 687–690.
• Цао Х., Эшельман Л., Чбат Н., Нильсен Л., Гросс Б., Саид М. (2008) Прогнозирование гемодинамической нестабильности в ОИТ с использованием непрерывные многопараметрические тренды, EMBC ’08, стр. 3803–3806 [PubMed]
• Чурпек М.М., Юэн Т.К., Уинслоу С. и др.Многоцентровая разработка и проверка инструмента стратификации риска для пациентов отделения. Am J Respir Crit Care Med. 2014; 190 (6): 649–655. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Churpek MM, Yuen TC, Winslow C, Meltzer DO, Kattan MW, Edelson DP. Многоцентровое сравнение методов машинного обучения и традиционной регрессии для прогнозирования клинического ухудшения в палатах. Crit Care Med. 2016; 44 (2): 368–374. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Клифтон Л., Клифтон Д.А., Пиментел М.А.Ф., Уоткинсон П.Дж., Тарасенко Л.Прогностический мониторинг мобильных пациентов путем объединения клинических наблюдений с данными носимых датчиков. IEEE J Biomed Health Inf. 2014. 18 (3): 722–730. [PubMed] [Google Scholar]
• Dunitz M, Verghese G, Heldt T (2015) Прогнозирование гиперлактатемии в базе данных MIMIC II. Proc. EMBC ’15, pp 985–988 [PubMed]
• Dürichen R, Pimentel MAF, Clifton L, Schweikard A, Clifton DA. Многозадачные гауссовские процессы для многомерного физиологического анализа временных рядов. IEEE Trans Biomed Eng.2015; 62 (1): 314–322. [PubMed] [Google Scholar]
• Даррант-Уайт Х, Хендерсон TC (2008). Слияние мультисенсорных данных. Справочник Springer по робототехнике, стр. 585–610
• Футома Дж., Моррис Дж., Лукас Дж. Сравнение моделей для прогнозирования ранней повторной госпитализации. Дж Биомед Информ. 2015; 56: 229–238. [PubMed] [Google Scholar]
• Гассеми М., Пиментел М.А., Науманн Т. и др. (2015) Подход к многомерному моделированию временных рядов для оценки тяжести заболевания и прогнозирования в отделениях интенсивной терапии с разреженными данными.Неоднородные клинические данные. Proc Conf AAAI Artif Intell 2015: 446–453 [Бесплатная статья PMC] [PubMed]
• Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PC, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit и PhysioNet: компоненты нового ресурса для исследования сложных физиологических сигналов. Тираж. 2000; 101 (23): e215 – e220. [PubMed] [Google Scholar]
• Güiza F, Depreitere B, Piper I., Van den Berghe G, Meyfroidt G. Новые методы прогнозирования повышенного внутричерепного давления во время интенсивной терапии и долгосрочного неврологического исхода после черепно-мозговой травмы: разработка и проверка в многоцентровом наборе данных.Crit Care. 2013. 41 (2): 554–564. [PubMed] [Google Scholar]
• Хан Х., Риу Х.К., Патрик Х. (2006) Инфраструктура потокового анализа, объединения и управления данными для наблюдаемых пациентов. В материалах 19-го Международного симпозиума IEEE по компьютерным медицинским системам (CBMS ’06), стр. 461–468
• Худ Л., Флорес М. Личный взгляд на системную медицину и появление проактивной медицины P4: прогнозирующая, профилактическая, персонализированный и совместный. New Biotechnol. 2012. 29 (6): 613–624.[PubMed] [Google Scholar]
• Hu M, Chen Y, Kwok JT. Построение разреженных многоядерных классификаторов SVM. IEEE Trans Neural Netw. 2009. 20 (5): 827–839. [PubMed] [Google Scholar]
• Johnson AEW, Pollard TJ, Shen L, Lehman L, Feng M, Ghassemi M, Moody B, Szolovits P, Celi LA, Mark RG (2016) MIMIC-III, свободно доступный центр интенсивной терапии база данных. Научные данные [Бесплатная статья PMC] [PubMed]
• Joshi R, Szolovits P (2012) Прогностическая физиология: моделирование тяжести состояния пациента в отделениях интенсивной терапии с использованием сворачивания радиальных доменов.Документ представлен на: Материалы ежегодного симпозиума AMIA [Бесплатная статья PMC] [PubMed]
• Кланн Дж. Г., Ананд В., Даунс С. М.. Расстановка приоритетов для системы поддержки принятия решений в педиатрической помощи с учетом потребностей пациентов с помощью машинного обучения. J Am Med Inform Assoc. 2013; 20 (e2): e267 – e274. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Krumholz HM. Большие данные и новые знания в медицине: мышление, обучение и инструменты, необходимые для обучающейся системы здравоохранения. Health Aff. 2014. 33 (7): 1163–1170. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Lee J, Mark RG (2010) Средство прогнозирования эпизодов гипотонии для интенсивной терапии на основе временных рядов частоты сердечных сокращений и артериального давления.IEEE Comput Cardiol 81–84 [Бесплатная статья PMC] [PubMed]
• Leff DR, Yang G-Z (2015) Большие данные для точной медицины, инженерии. 1 (3): 277–279
• Nair BG, Newman SF, Peterson GN, Wu WY, Schwid HA. Механизмы обратной связи, включая электронные оповещения в реальном времени, для достижения почти 100% своевременного профилактического введения антибиотиков в хирургических случаях. Anesth Analg. 2010. 111 (5): 1293–1300. [PubMed] [Google Scholar]
• Орфаниду К. Оценка качества сигнала при физиологическом мониторинге: современное состояние и практические соображения.Чам: Спрингер; 2018. [Google Scholar]
• Орфаниду К., Вонг Д. Модели машинного обучения для многомерных клинических данных. В: Хан Су, Зомая А.Ю., Асад А., редакторы. Справочник по крупномасштабным распределенным вычислениям в умном здравоохранении, масштабируемых вычислениях и коммуникациях. Чам: Спрингер; 2017. С. 177–216. [Google Scholar]
• Орфаниду С., Бонничи Т., Чарльтон П., Клифтон Д., Валанс Д., Тарассенко Л. Показатели качества сигнала для электрокардиограммы и фотоплетизмограммы: вывод и приложения для беспроводного мониторинга.IEEE J Biomed Health Inform. 2015; 19 (3): 832–838. [PubMed] [Google Scholar]
• Palanisamy V, Thirunavukarasu R (2017) Влияние аналитики больших данных на разработку структур здравоохранения — обзор. J King Saud Univ Comput Inf Sci
• Пиментел МАФ, Клифтон Д.А., Клифтон Л., Уоткинсон П.Дж., Тарассенко Л. Моделирование физиологического ухудшения в послеоперационных данных показателей жизнедеятельности пациентов. Med Biol Eng Comput. 2013; 51: 869–877. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Pimentel MAF, Clifton DA, Clifton L, Tarassenko L.Обзор обнаружения новинок. Сигнальный процесс. 2014; 99: 215–249. [Google Scholar]
• Pimentel MAF, et al. Прогнозирование исходов для пациентов с черепно-мозговой травмой с динамическими характеристиками по сигналам внутричерепного давления и артериального давления: подход гауссова процесса. Acta Neurochir Suppl. 2016; 122: 85–91. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Pirracchio R, Petersen ML, Carone M, Rigon MR, Chevret S, van der Laan MJ. Прогнозирование смертности в отделениях интенсивной терапии с помощью алгоритма учащихся Super ICU (SICULA): популяционное исследование.Ланцет Респир Мед. 2014; 3 (1): 42–52. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Roederer A, Weimer J, DiMartino J, Gutsche J, Lee I. (2015) Надежный мониторинг гиповолемии у пациентов интенсивной терапии с использованием сигналов фотоплетизмограммы. Proc. EMBC ‘15, pp. 1504–1507 [PubMed]
• Роски Дж., Бо-Линн Г.В., Эндрюс Т.А. Создание ценности в здравоохранении с помощью больших данных: возможности и последствия для политики. Health Aff. 2014. 33 (7): 1115–1122. [PubMed] [Google Scholar]
• Saeys Y, Inza I, Larrañaga P.Обзор методов выбора характеристик в биоинформатике. Биоинформатика. 2007. 23 (19): 2507–2517. [PubMed] [Google Scholar]
• Санчес-Пинто Л.Н., Луо Й., Чурпек М.М. Большие данные и наука о данных в интенсивной терапии. Грудь. 2018; 154 (5): 1239–1248. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Соу Д., Турага Д.С., Шмидт М. (2013) Извлечение данных датчиков в здравоохранении: исследование. Managing and Mining Sensor Data, pp 459–504
• Sun J, Sow D, Hu J, Ebadollahi S (2010) Система для анализа потоков временных физиологических данных для расширенной поддержки принятия прогностических решений, в Proceedings of the 10th IEEE International Conference on Data Горное дело (ICDM ’10), стр. 1061–1066
• Тарассенко Л., Ханн А., Янг Д.Комплексный мониторинг и анализ для раннего предупреждения об ухудшении состояния пациента. Br J Anaesth. 2006. 97 (1): 64–68. [PubMed] [Google Scholar]
• Тарасенко Л., Вильярроэль М., Гуацци А., Хорхе Дж., Клифтон Д.А., Пью К. Бесконтактный видеонаблюдение за жизненно важными функциями с использованием внешнего освещения и авторегрессионных моделей. Physiol Meas. 2014. 35 (5): 807–831. [PubMed] [Google Scholar]
• Wagholikar KB, et al. Поддержка принятия клинических решений с автоматизированной обработкой текста для скрининга рака шейки матки. J Am Med Inform Assoc.2012; 19 (5): 833–839. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Wilson SJ, Wong D, Pullinger RM, Way R, Clifton DA, Tarassenko L. Анализ системы объединения данных для непрерывного мониторинга показателей жизнедеятельности в отделении неотложной помощи. Eur J Emerg Med. 2016; 23 (1): 28–32. [PubMed] [Google Scholar]

Обзор приложений больших данных для данных физиологических сигналов

Biophys Rev. 2019 Фев; 11 (1): 83–87.

Кристина Орфаниду

Oxygen Research Ltd, 8 Vassileos Constantinou Street, 3075 Limassol, Cyprus

Oxygen Research Ltd, 8 Vassileos Constantinou Street, 3075 Limassol, Cyprus

Автор, отвечающий за переписку.

Автор сообщения Эта статья является частью специального выпуска «Большие данные» под редакцией Джошуа В.К. Хо и Элени Джаннулату.

Поступила 11.11.2018; Принято 18 декабря 2018 г.

Abstract

Распространение интеллектуальных датчиков для мониторинга физиологических сигналов в сочетании с развитием телеметрии и интеллектуальных систем связи привело к резкому увеличению объемов медицинских данных за последние несколько лет.Кроме того, доступ к более дешевым и эффективным механизмам питания и хранения значительно повысил доступность медицинских данных для разработки приложений для работы с большими данными. Приложения для больших данных в здравоохранении связаны с анализом наборов данных, которые слишком велики, слишком быстры и слишком сложны для обработки и интерпретации поставщиками медицинских услуг с помощью существующих инструментов. Движущей силой развития таких систем являются постоянные усилия по повышению эффективности и устойчивости медицинских услуг.В этой статье мы представляем обзор текущих приложений для работы с большими данными, которые используют физиологические формы волны или производные измерения, чтобы обеспечить поддержку принятия медицинских решений, часто в режиме реального времени, в клинических и домашних условиях. Мы уделяем основное внимание системам, разработанным для непрерывного наблюдения за пациентами в отделениях интенсивной терапии, и обсуждаем проблемы, которые необходимо преодолеть, чтобы эти системы можно было внедрить в клиническую практику. Как только эти проблемы будут преодолены, системы больших данных смогут трансформировать управление здравоохранением в больницах будущего.

Ключевые слова: Данные физиологического сигнала, Интеллектуальные датчики, Данные здравоохранения, Поддержка принятия медицинских решений, Большие данные

Введение

Распространение интеллектуальных датчиков мониторинга физиологических сигналов в сочетании с развитием телеметрии и интеллектуальных систем связи привело к резкий рост данных в области здравоохранения за последние несколько лет. В то время как в прошлом непрерывные физиологические данные, генерируемые носимыми датчиками, обычно не сохранялись в течение длительных периодов времени, в недавнем прошлом доступ к более дешевым и более эффективным механизмам питания и хранения значительно повысил доступность таких данных.Данные здравоохранения сложны, разнообразны и богаты контекстом, что создает основу для разработки приложений больших данных для здравоохранения (Roski et al., 2014; Krumholz, 2014; Orphanidou, Wong, 2017). Приложения больших данных в здравоохранении связаны с анализом наборов данных, которые слишком велики, слишком быстры и слишком сложны для обработки и интерпретации поставщиками медицинских услуг с помощью существующих инструментов (Andreu-Perez et al. 2015). Движущей силой развития таких систем являются постоянные усилия по повышению эффективности и устойчивости медицинских услуг перед лицом постоянно стареющего населения мира.Чтобы решить эти социально-экономические проблемы, ученые работают над созданием более интеллектуальных систем здравоохранения, стремясь трансформировать управление здравоохранением за счет сокращения затрат при одновременном улучшении результатов лечения пациентов.

Большие данные и физиологические сигналы

В 2012 году объем данных здравоохранения во всем мире составил примерно 500 петабайт, а к 2020 году прогнозируется, что этот объем составит 25 000 петабайт (Roski et al. 2014). Большой объем физиологических данных, собранных в больнице и дома, предоставил возможность разработать основанные на данных подходы для улучшения диагнозов, внедрения передовых методов и улучшения результатов лечения пациентов.Важная проблема заключается в том, как можно интерпретировать имеющиеся данные, чтобы обеспечить более качественное и быстрое (иногда в режиме реального времени) принятие решений и улучшить стандарты ухода за пациентами и, как следствие, результаты для здоровья пациентов (Orphanidou and Wong 2017). За счет использования подходов машинного обучения совокупные физиологические данные могут раскрывать новую информацию, ведущую к усовершенствованным способам медицинской диагностики, и могут способствовать динамическому онлайн-мониторингу в клинической среде или дома. Системы поддержки принятия медицинских решений, основанные на подходах Big Data / Deep Learning, предлагают возможность быстрого и эффективного принятия решений с меньшими затратами, избегая при этом предвзятости подтверждения клинического эксперта (Krumholz 2014).Однако наборы медицинских данных, часто состоящие из структурированных (например, лабораторных результатов), полуструктурированных (например, данных датчиков) и неструктурированных (например, рукописных заметок пациента) данных (Palanisamy and Thirunavukarasu, 2017), часто бывают многомерными, шумными и динамически меняется. Эта сложность очень затрудняет интерпретацию и требует строгой проверки. Кроме того, внедрение этих систем в клиническую практику потребует не только новых источников данных, но также нового обучения и разработки новых стратегий эскалации (Krumholz 2014).

В больнице электронная карта здоровья пациента (EHR) является источником больших данных, содержащих информацию о социально-демографических данных, ранее существовавших и текущих заболеваниях, генетике, биохимических тестах и ​​методах лечения (Andreu-Perez et al. 2015 ). Несмотря на богатый объем информации, эта обширная и богатая информацией база данных не может быть обработана человеком с высокой пропускной способностью для принятия медицинских решений и, таким образом, в значительной степени используется недостаточно. Требуются системы анализа данных, часто использующие машинное обучение, которые могут помочь клиническому персоналу систематизировать данные, выявлять закономерности, интерпретировать результаты и устанавливать пороговые значения для действий.Обработка естественного языка также является инструментом на основе больших данных, который может внести значительный вклад в анализ этих записей на предмет семантического контекста. Примеры аналитики больших данных для получения новых знаний, улучшения клинической помощи и оптимизированного наблюдения за общественным здоровьем уже применяются в больницах (Андреу-Перес и др., 2015). Использование больших данных и создание систем машинного обучения, обеспечивающих механизм непрерывного обучения с производством знаний в реальном времени, может привести к разработке интеллектуальных систем, основанных на принципе медицины P4: прогнозных, профилактических, персонализированных и совместных (Hood and Flores 2012; Leff and Ян 2015).Система HVITAL (наблюдение, мониторинг и оповещение в больницах), функционирующая в больнице Сан-Паулу с 2012 года (Almeida 2016), является примером новой аналитической платформы, которая использует все большие данные, хранящиеся в электронных медицинских записях, в режиме реального времени и применяемые расширенная и быстрая аналитика на основе этой информации для оказания поддержки врачам в принятии решений. Система рассчитывает и выдает более 600 ключевых показателей эффективности (KPI), которые не только связаны с клинической картиной, но и обеспечивают понимание на уровне руководства для улучшения работы больниц.Имея возможность быстрого поиска среди миллионов записей пациентов, система HVITAL предоставляет персоналу больницы информацию в режиме реального времени через настольные информационные панели и идет еще дальше, постоянно отслеживая серию физиологических признаков у каждого пациента на протяжении всего его пребывания и применяя интеллектуальные алгоритмы прогнозирования. для раннего выявления пациентов из группы риска, отображается желтым и красным цветом и требует вмешательства. Для предоставления таких предупреждений часто используется подход обнаружения новизны (Pimentel et al.2014), который представляет собой подход машинного обучения, используемый в ситуациях, когда доступно много данных о «нормальном» состоянии и очень мало данных о «ненормальном». Часто моделируемые как подход одноклассной классификации, методы обнаружения новизны применялись в клиническом контексте для обеспечения раннего предупреждения об ухудшении состояния в отделениях неотложной помощи (Wilson et al., 2016), ICU (Ghassemi et al., 2015) и для послеоперационные пациенты (Clifton et al., 2014; Pimentel et al., 2013). Гауссовские процессы также широко использовались для работы с зашумленными и ненадежными физиологическими данными (Dunitz et al.2015), в том числе в отделении интенсивной терапии (Pimentel et al., 2016). Как описано в Leff and Yang (2015), в дополнение к приложениям для раннего предупреждения об ухудшении непрерывного мониторинга, системы поддержки принятия медицинских решений также были предложены для многих других приложений, в том числе для оценки и улучшения соблюдения протокола (Klann et al., 2013) , для напоминаний о приеме лекарств (Nair et al. 2010), для улучшения скрининга (Wagholikar et al. 2012) и для прогнозирования повторной госпитализации (Futoma et al. 2015).

Приложения для непрерывного мониторинга пациентов

Всеобъемлющим принципом приложений для анализа больших данных в системах мониторинга пациентов является использование либо непрерывных данных физиологической формы волны, полученной информации о показателях жизнедеятельности из разных и разрозненных источников, либо их комбинации для того, чтобы обеспечить раннее предупреждение об ухудшении состояния.Большинство систем мониторинга пациентов, используемых до сих пор, полагались на один источник информации (например, один жизненно важный показатель) и приводили к феномену «усталости от сигналов тревоги», в результате чего клинический персонал теряет чувствительность и в конечном итоге игнорирует предупреждения систем мониторинга ( Орфаниду и др., 2015). Приложения для больших данных создали возможность для разработки улучшенных и более всеобъемлющих механизмов раннего предупреждения путем объединения различных источников информации, таких как несколько одновременно собранных показателей жизнедеятельности, а также другой клинической информации (разных фенотипов), агрегирование которой обеспечивает более полный обзор. состояния здоровья пациента.Помимо повышения точности предупреждений, это создало возможность изучения взаимодействий и корреляций между данными мультимодальных клинических временных рядов или формами волн (Belle et al. 2015) для получения клинических знаний.

В контексте внутрибольничного мониторинга огромное количество физиологических данных за короткие периоды времени создается в отделениях интенсивной терапии (ОИТ), где пациенты постоянно подключены к многопараметрическим мониторам, которые записывают формы волны и обеспечивают периодические измерения жизненно важных функций, таких как как частота сердечных сокращений (ЧСС), частота дыхания (ЧД), сатурация периферической артериальной крови кислородом (SpO2), артериальное кровяное давление (АД) и температура (Т).Помимо данных с прикроватных мониторов, для разработки приложений с большими данными для непрерывного наблюдения за пациентами и поддержки принятия медицинских решений можно использовать данные электронных медицинских записей и насосов для приема лекарств, а также данные вентиляции. Потенциал для разработки таких систем в среде ICU получил широкое признание, и в литературе появился ряд исследований, предлагающих подходы к большим данным. Главный тезис большинства исследований заключается в том, что сложности, характеризующие критическое заболевание (часто с сопутствующими заболеваниями), не могут быть адекватно решены с использованием традиционных подходов (например,g., отдельные лекарственные вмешательства), и, возможно, использование подходов слияния данных на основе больших данных является более подходящим (Johnson et al. 2016; Sanchez-Pinto et al. 2018). Примеры приложений с большими данными в отделениях интенсивной терапии включают масштабируемую инфраструктуру для разработки системы управления уходом за пациентами, которая объединяет статические и непрерывные данные, отслеживаемые критически больными пациентами в отделении интенсивной терапии, для интеллектуального анализа данных и оповещения медицинского персонала о критических событиях в режиме реального времени (Han et al. 2006), система для прогнозирования повышенного внутричерепного давления в отделении интенсивной терапии (Güiza et al.2013), а также систему, разработанную для неонатального отделения интенсивной терапии, в которой использовались потоковые данные с мониторов ЭЭГ, инфузионных насосов, мониторов оксигенации головного мозга и т. Д. Для поддержки принятия медицинских решений (Bressan et al. 2012). В одном из первых исследований с участием пациентов отделения интенсивной терапии использовались данные 250 000 госпитализаций и были построены прогностические модели на основе логистической регрессии для оценки перевода в отделение интенсивной терапии, остановки сердца или смерти пациентов отделения (Churpek et al. 2014). В последующем исследовании тех же авторов логистическая регрессия была заменена более сложными подходами к машинному обучению, такими как случайные леса и методы повышения градиента, чтобы улучшить прогнозирующую способность для раннего обнаружения ухудшения (Churpek et al.2016). Уровень смертности также был точно спрогнозирован Джоши и Шоловиц (2012) с использованием данных из базы данных многопараметрического интеллектуального мониторинга в интенсивной терапии (MIMIC) (Johnson et al., 2016) на Physionet (Goldberger et al. 2000). Для достижения AUC 0,91 авторы использовали методы кластеризации, деля пациентов по органоспецифическим состояниям пациентов. Используя ту же базу данных, Pirracchio et al. (2014) сравнили производительность 12 различных алгоритмов прогнозирования смертности (параметрических и непараметрических) для точного прогнозирования смертности и пришли к выводу, что метод ансамбля, использующий взвешенные выходные данные нескольких алгоритмов машинного обучения ( Superlearner ), дает наилучшие прогнозные характеристики с AUB 0.88.

Базы данных, такие как MIMIC III (Многопараметрический интеллектуальный мониторинг в интенсивной терапии) (Johnson et al., 2016), содержащие физиологические сигналы и временные ряды показателей жизненно важных функций, полученные с мониторов пациентов, а также исчерпывающие клинические данные, полученные из медицинских учреждений больниц. Информационные системы для десятков тысяч пациентов отделений интенсивной терапии (ОИТ) дали исследователям возможность работать над разработкой приложений больших данных для открытия знаний. Таким образом, база данных MIMIC использовалась для таких приложений, как обнаружение сходства между пациентами в выбранных когортах (Lee and Mark, 2010) или для разработки систем, которые объединяют информацию о нескольких формах волны для разработки ранних предикторов сердечно-сосудистой нестабильности у пациентов (Sun et al.2010). Комбинация информации о множественных формах волн, доступная в базе данных MIMIC II, также использовалась для раннего выявления гемодинамической нестабильности у пациентов (Cao et al. 2008). Другие приложения для больших данных, использующие физиологические сигналы, включают систему оценки сердечного выброса с использованием анализа контура пульса (Attin et al. 2015), систему обнаружения гиповолемии с использованием данных фотоплетизмографии (Roederer et al. 2015) и систему для прогнозирования гиперлактемии с использованием комбинированных физиологических данных. (Дуниц и др.2015).

За пределами клинической среды растет число носимых датчиков потребительского уровня, которые предоставляют возможность для разработки приложений больших данных с использованием данных физиологических датчиков. Эти датчики делают традиционные устройства физиологического мониторинга меньше, дешевле и портативнее. Были предложены системы, объединяющие параметры ЭКГ из телеметрии с демографической информацией, включая историю болезни, фракцию выброса, лабораторные показатели и лекарственные препараты, чтобы обеспечить стационарную систему раннего обнаружения остановки сердца (Sun et al.2010). Однако, как и в случае с клиническими приложениями, объединение информации, одновременно полученной с нескольких портативных устройств, может стать сложной задачей. Разнообразие фиксированных и мобильных датчиков, доступных для интеллектуального анализа данных в секторе здравоохранения, и способы использования таких данных для разработки технологий ухода за пациентами исследуются Sow et al. (2013).

Проблемы

Несмотря на значительную динамику применения больших данных в здравоохранении, прежде чем системы больших данных смогут быть применены к реальным клиническим проблемам, необходимо преодолеть ряд проблем.Технические проблемы, которые необходимо преодолеть, связаны с качеством данных и анализом, и, хотя они не являются уникальными для здравоохранения, получение данных от пациентов-людей создает дополнительные проблемы, которые не встречаются во многих других областях (Orphanidou and Wong, 2017). Одной из проблем является анализ наборов данных с отсутствующими или поврежденными данными, что часто случается при работе с данными, полученными от людей, и которые, если их не распознать, могут исказить или повредить анализ и привести к принятию неточных решений.В контексте данных, собранных с носимых датчиков, эти проблемы могут быть просто результатом неправильно подключенного датчика или движения. Чтобы уменьшить искажение данных, датчики необходимо улучшить с точки зрения их эргономики и стратегии крепления. Бесконтактный мониторинг показателей жизнедеятельности (Тарасенко и др., 2014) может решить эту проблему. Если искаженные данные были собраны и не могут быть отброшены, решение может быть найдено такими методами, как условное исчисление данных (Тарассенко и др., 2006) и оценка качества (Орфаниду, 2018).Еще одна проблема в использовании физиологических данных в медицинских приложениях с большими данными — это проблема интеграции разнородных источников данных. В то время как слияние данных, т. Е. Обработка информации из нескольких различных источников данных, широко используется для обеспечения более целостного представления о проблеме и для подтверждения измерений при наличии проблем с качеством, процесс интеграции источников данных в приложениях для больших данных является очень сложно. Методы выбора характеристик (обзор Saeys et al.2007) и методы слияния данных, такие как фильтры Калмана (Даррант-Уайт и Хендерсон, 2008) и обучение с использованием нескольких ядер (MKL) (Hu et al. 2009), были предложены в литературе как способы обеспечения интеграции нескольких источников данных одновременно, но требуется дополнительная работа, чтобы можно было извлечь максимальное значение из одновременно собранных наборов физиологических данных. Методы, основанные на многозадачных гауссовских процессах (MTGP), также были предложены для работы с наборами данных, которые являются зашумленными, неполными, разреженными, неоднородными и с неравномерной выборкой (Ghassemi et al.2015; Dürichen et al. 2015). В дополнение к этому, необходимо внедрить сложные и недорогие механизмы хранения и обработки, которые способствуют быстрому извлечению данных и фиксации на основе требований аналитики (Belle et al. 2015). Кроме того, необходимо преодолеть ряд проблем управления, таких как проблемы, связанные с установлением соответствующих протоколов и стандартов данных, а также вопросы конфиденциальности данных (Andreu-Perez et al. 2015). Разделение данных — еще одна проблема, которая касается того факта, что данные, собранные с нескольких устройств, часто хранятся в разных базах данных, которые необходимо связать для разработки целостных приложений для больших данных (Johnson et al.2016). Чтобы эта связь была эффективной, необходимо решить ряд юридических и этических проблем, и это часто включает необходимость сотрудничества между конкурирующими производителями систем (Orphanidou and Wong, 2017).

Помимо анализа и проблем, связанных с качеством, внедрение методов больших данных в реальных клинических приложениях создает ряд операционных проблем. Это требует развития новых клинических практик и способов мышления. Подходы к большим данным, основанные на машинном обучении и интеллектуальном анализе данных, требуют принятия поиска шаблонов, не зная, что может появиться (Krumholz 2014).Этот подход сильно отличается от классического научного подхода, когда начинают с конкретного вопроса исследования, и требует строгих методов проверки результатов для обеспечения достоверности и статистической значимости.

Заключение

Для того, чтобы приложения с большими данными нашли свой путь к клинической практике, самая большая проблема, которая впереди, — это потребность в развитии новых навыков, новых способов мышления и новых способов получения знаний, а также новой реакции и механизмы эскалации в клинических условиях.Поэтому исследовательская деятельность в области приложений больших данных в здравоохранении должна ограничиваться не только технической реализацией таких систем, но и соответствующими механизмами интеграции в клиническую практику. Как только эта проблема будет решена, приложения для больших данных смогут оказать огромное влияние не только на клинические исследования, но и на состояние здоровья населения в целом.

Примечания

Конфликт интересов

Кристина Орфаниду заявляет, что у нее нет конфликта интересов.

Этическое одобрение

Эта статья не содержит исследований с участием людей или животных, выполненных автором.

Сноски

Примечание издателя

Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий на опубликованных картах и ​​сведений об учреждениях.

Ссылки

• Almeida JP. Прорывной подход к работе с большими данными для повышения эффективности управления и поддержки принятия клинических решений в больнице.Порто Биомед Дж. 2016; 1 (1): 40–42. [Google Scholar]
• Андреу-Перес Дж., Пун CCY, Меррифилд RD, Вонг STC, Ян Г.З. Большие данные для здоровья. IEEE J Biomed Health Inf. 2015; 19 (4): 1193–1208. [PubMed] [Google Scholar]
• Attin M, Feld G, Lemus H, et al. Характеристики электрокардиограммы до остановки сердца в стационаре. J Clin Monit Comput. 2015; 29 (3): 385–392. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Belle A, Thiagarajan A, Reza SM, et al. Аналитика больших данных в здравоохранении.Biomed Res Int. 2015; 370194: 16. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Брессан Н., Джеймс А., МакГрегор С. (2012) Тенденции и возможности для интегрированной поддержки неонатальных клинических решений в реальном времени. Труды Международной конференции IEEE-EMBS по биомедицинской и медицинской информатике (BHI ’12), стр. 687–690.
• Цао Х., Эшельман Л., Чбат Н., Нильсен Л., Гросс Б., Саид М. (2008) Прогнозирование гемодинамической нестабильности в ОИТ с использованием непрерывные многопараметрические тренды, EMBC ’08, стр. 3803–3806 [PubMed]
• Чурпек М.М., Юэн Т.К., Уинслоу С. и др.Многоцентровая разработка и проверка инструмента стратификации риска для пациентов отделения. Am J Respir Crit Care Med. 2014; 190 (6): 649–655. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Churpek MM, Yuen TC, Winslow C, Meltzer DO, Kattan MW, Edelson DP. Многоцентровое сравнение методов машинного обучения и традиционной регрессии для прогнозирования клинического ухудшения в палатах. Crit Care Med. 2016; 44 (2): 368–374. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Клифтон Л., Клифтон Д.А., Пиментел М.А.Ф., Уоткинсон П.Дж., Тарасенко Л.Прогностический мониторинг мобильных пациентов путем объединения клинических наблюдений с данными носимых датчиков. IEEE J Biomed Health Inf. 2014. 18 (3): 722–730. [PubMed] [Google Scholar]
• Dunitz M, Verghese G, Heldt T (2015) Прогнозирование гиперлактатемии в базе данных MIMIC II. Proc. EMBC ’15, pp 985–988 [PubMed]
• Dürichen R, Pimentel MAF, Clifton L, Schweikard A, Clifton DA. Многозадачные гауссовские процессы для многомерного физиологического анализа временных рядов. IEEE Trans Biomed Eng.2015; 62 (1): 314–322. [PubMed] [Google Scholar]
• Даррант-Уайт Х, Хендерсон TC (2008). Слияние мультисенсорных данных. Справочник Springer по робототехнике, стр. 585–610
• Футома Дж., Моррис Дж., Лукас Дж. Сравнение моделей для прогнозирования ранней повторной госпитализации. Дж Биомед Информ. 2015; 56: 229–238. [PubMed] [Google Scholar]
• Гассеми М., Пиментел М.А., Науманн Т. и др. (2015) Подход к многомерному моделированию временных рядов для оценки тяжести заболевания и прогнозирования в отделениях интенсивной терапии с разреженными данными.Неоднородные клинические данные. Proc Conf AAAI Artif Intell 2015: 446–453 [Бесплатная статья PMC] [PubMed]
• Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PC, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit и PhysioNet: компоненты нового ресурса для исследования сложных физиологических сигналов. Тираж. 2000; 101 (23): e215 – e220. [PubMed] [Google Scholar]
• Güiza F, Depreitere B, Piper I., Van den Berghe G, Meyfroidt G. Новые методы прогнозирования повышенного внутричерепного давления во время интенсивной терапии и долгосрочного неврологического исхода после черепно-мозговой травмы: разработка и проверка в многоцентровом наборе данных.Crit Care. 2013. 41 (2): 554–564. [PubMed] [Google Scholar]
• Хан Х., Риу Х.К., Патрик Х. (2006) Инфраструктура потокового анализа, объединения и управления данными для наблюдаемых пациентов. В материалах 19-го Международного симпозиума IEEE по компьютерным медицинским системам (CBMS ’06), стр. 461–468
• Худ Л., Флорес М. Личный взгляд на системную медицину и появление проактивной медицины P4: прогнозирующая, профилактическая, персонализированный и совместный. New Biotechnol. 2012. 29 (6): 613–624.[PubMed] [Google Scholar]
• Hu M, Chen Y, Kwok JT. Построение разреженных многоядерных классификаторов SVM. IEEE Trans Neural Netw. 2009. 20 (5): 827–839. [PubMed] [Google Scholar]
• Johnson AEW, Pollard TJ, Shen L, Lehman L, Feng M, Ghassemi M, Moody B, Szolovits P, Celi LA, Mark RG (2016) MIMIC-III, свободно доступный центр интенсивной терапии база данных. Научные данные [Бесплатная статья PMC] [PubMed]
• Joshi R, Szolovits P (2012) Прогностическая физиология: моделирование тяжести состояния пациента в отделениях интенсивной терапии с использованием сворачивания радиальных доменов.Документ представлен на: Материалы ежегодного симпозиума AMIA [Бесплатная статья PMC] [PubMed]
• Кланн Дж. Г., Ананд В., Даунс С. М.. Расстановка приоритетов для системы поддержки принятия решений в педиатрической помощи с учетом потребностей пациентов с помощью машинного обучения. J Am Med Inform Assoc. 2013; 20 (e2): e267 – e274. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Krumholz HM. Большие данные и новые знания в медицине: мышление, обучение и инструменты, необходимые для обучающейся системы здравоохранения. Health Aff. 2014. 33 (7): 1163–1170. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Lee J, Mark RG (2010) Средство прогнозирования эпизодов гипотонии для интенсивной терапии на основе временных рядов частоты сердечных сокращений и артериального давления.IEEE Comput Cardiol 81–84 [Бесплатная статья PMC] [PubMed]
• Leff DR, Yang G-Z (2015) Большие данные для точной медицины, инженерии. 1 (3): 277–279
• Nair BG, Newman SF, Peterson GN, Wu WY, Schwid HA. Механизмы обратной связи, включая электронные оповещения в реальном времени, для достижения почти 100% своевременного профилактического введения антибиотиков в хирургических случаях. Anesth Analg. 2010. 111 (5): 1293–1300. [PubMed] [Google Scholar]
• Орфаниду К. Оценка качества сигнала при физиологическом мониторинге: современное состояние и практические соображения.Чам: Спрингер; 2018. [Google Scholar]
• Орфаниду К., Вонг Д. Модели машинного обучения для многомерных клинических данных. В: Хан Су, Зомая А.Ю., Асад А., редакторы. Справочник по крупномасштабным распределенным вычислениям в умном здравоохранении, масштабируемых вычислениях и коммуникациях. Чам: Спрингер; 2017. С. 177–216. [Google Scholar]
• Орфаниду С., Бонничи Т., Чарльтон П., Клифтон Д., Валанс Д., Тарассенко Л. Показатели качества сигнала для электрокардиограммы и фотоплетизмограммы: вывод и приложения для беспроводного мониторинга.IEEE J Biomed Health Inform. 2015; 19 (3): 832–838. [PubMed] [Google Scholar]
• Palanisamy V, Thirunavukarasu R (2017) Влияние аналитики больших данных на разработку структур здравоохранения — обзор. J King Saud Univ Comput Inf Sci
• Пиментел МАФ, Клифтон Д.А., Клифтон Л., Уоткинсон П.Дж., Тарассенко Л. Моделирование физиологического ухудшения в послеоперационных данных показателей жизнедеятельности пациентов. Med Biol Eng Comput. 2013; 51: 869–877. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Pimentel MAF, Clifton DA, Clifton L, Tarassenko L.Обзор обнаружения новинок. Сигнальный процесс. 2014; 99: 215–249. [Google Scholar]
• Pimentel MAF, et al. Прогнозирование исходов для пациентов с черепно-мозговой травмой с динамическими характеристиками по сигналам внутричерепного давления и артериального давления: подход гауссова процесса. Acta Neurochir Suppl. 2016; 122: 85–91. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Pirracchio R, Petersen ML, Carone M, Rigon MR, Chevret S, van der Laan MJ. Прогнозирование смертности в отделениях интенсивной терапии с помощью алгоритма учащихся Super ICU (SICULA): популяционное исследование.Ланцет Респир Мед. 2014; 3 (1): 42–52. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Roederer A, Weimer J, DiMartino J, Gutsche J, Lee I. (2015) Надежный мониторинг гиповолемии у пациентов интенсивной терапии с использованием сигналов фотоплетизмограммы. Proc. EMBC ‘15, pp. 1504–1507 [PubMed]
• Роски Дж., Бо-Линн Г.В., Эндрюс Т.А. Создание ценности в здравоохранении с помощью больших данных: возможности и последствия для политики. Health Aff. 2014. 33 (7): 1115–1122. [PubMed] [Google Scholar]
• Saeys Y, Inza I, Larrañaga P.Обзор методов выбора характеристик в биоинформатике. Биоинформатика. 2007. 23 (19): 2507–2517. [PubMed] [Google Scholar]
• Санчес-Пинто Л.Н., Луо Й., Чурпек М.М. Большие данные и наука о данных в интенсивной терапии. Грудь. 2018; 154 (5): 1239–1248. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Соу Д., Турага Д.С., Шмидт М. (2013) Извлечение данных датчиков в здравоохранении: исследование. Managing and Mining Sensor Data, pp 459–504
• Sun J, Sow D, Hu J, Ebadollahi S (2010) Система для анализа потоков временных физиологических данных для расширенной поддержки принятия прогностических решений, в Proceedings of the 10th IEEE International Conference on Data Горное дело (ICDM ’10), стр. 1061–1066
• Тарассенко Л., Ханн А., Янг Д.Комплексный мониторинг и анализ для раннего предупреждения об ухудшении состояния пациента. Br J Anaesth. 2006. 97 (1): 64–68. [PubMed] [Google Scholar]
• Тарасенко Л., Вильярроэль М., Гуацци А., Хорхе Дж., Клифтон Д.А., Пью К. Бесконтактный видеонаблюдение за жизненно важными функциями с использованием внешнего освещения и авторегрессионных моделей. Physiol Meas. 2014. 35 (5): 807–831. [PubMed] [Google Scholar]
• Wagholikar KB, et al. Поддержка принятия клинических решений с автоматизированной обработкой текста для скрининга рака шейки матки. J Am Med Inform Assoc.2012; 19 (5): 833–839. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Wilson SJ, Wong D, Pullinger RM, Way R, Clifton DA, Tarassenko L. Анализ системы объединения данных для непрерывного мониторинга показателей жизнедеятельности в отделении неотложной помощи. Eur J Emerg Med. 2016; 23 (1): 28–32. [PubMed] [Google Scholar]

Обзор приложений больших данных для данных физиологических сигналов

Biophys Rev. 2019 Фев; 11 (1): 83–87.

Кристина Орфаниду

Oxygen Research Ltd, 8 Vassileos Constantinou Street, 3075 Limassol, Cyprus

Oxygen Research Ltd, 8 Vassileos Constantinou Street, 3075 Limassol, Cyprus

Автор, отвечающий за переписку.

Автор сообщения Эта статья является частью специального выпуска «Большие данные» под редакцией Джошуа В.К. Хо и Элени Джаннулату.

Поступила 11.11.2018; Принято 18 декабря 2018 г.

Abstract

Распространение интеллектуальных датчиков для мониторинга физиологических сигналов в сочетании с развитием телеметрии и интеллектуальных систем связи привело к резкому увеличению объемов медицинских данных за последние несколько лет.Кроме того, доступ к более дешевым и эффективным механизмам питания и хранения значительно повысил доступность медицинских данных для разработки приложений для работы с большими данными. Приложения для больших данных в здравоохранении связаны с анализом наборов данных, которые слишком велики, слишком быстры и слишком сложны для обработки и интерпретации поставщиками медицинских услуг с помощью существующих инструментов. Движущей силой развития таких систем являются постоянные усилия по повышению эффективности и устойчивости медицинских услуг.В этой статье мы представляем обзор текущих приложений для работы с большими данными, которые используют физиологические формы волны или производные измерения, чтобы обеспечить поддержку принятия медицинских решений, часто в режиме реального времени, в клинических и домашних условиях. Мы уделяем основное внимание системам, разработанным для непрерывного наблюдения за пациентами в отделениях интенсивной терапии, и обсуждаем проблемы, которые необходимо преодолеть, чтобы эти системы можно было внедрить в клиническую практику. Как только эти проблемы будут преодолены, системы больших данных смогут трансформировать управление здравоохранением в больницах будущего.

Ключевые слова: Данные физиологического сигнала, Интеллектуальные датчики, Данные здравоохранения, Поддержка принятия медицинских решений, Большие данные

Введение

Распространение интеллектуальных датчиков мониторинга физиологических сигналов в сочетании с развитием телеметрии и интеллектуальных систем связи привело к резкий рост данных в области здравоохранения за последние несколько лет. В то время как в прошлом непрерывные физиологические данные, генерируемые носимыми датчиками, обычно не сохранялись в течение длительных периодов времени, в недавнем прошлом доступ к более дешевым и более эффективным механизмам питания и хранения значительно повысил доступность таких данных.Данные здравоохранения сложны, разнообразны и богаты контекстом, что создает основу для разработки приложений больших данных для здравоохранения (Roski et al., 2014; Krumholz, 2014; Orphanidou, Wong, 2017). Приложения больших данных в здравоохранении связаны с анализом наборов данных, которые слишком велики, слишком быстры и слишком сложны для обработки и интерпретации поставщиками медицинских услуг с помощью существующих инструментов (Andreu-Perez et al. 2015). Движущей силой развития таких систем являются постоянные усилия по повышению эффективности и устойчивости медицинских услуг перед лицом постоянно стареющего населения мира.Чтобы решить эти социально-экономические проблемы, ученые работают над созданием более интеллектуальных систем здравоохранения, стремясь трансформировать управление здравоохранением за счет сокращения затрат при одновременном улучшении результатов лечения пациентов.

Большие данные и физиологические сигналы

В 2012 году объем данных здравоохранения во всем мире составил примерно 500 петабайт, а к 2020 году прогнозируется, что этот объем составит 25 000 петабайт (Roski et al. 2014). Большой объем физиологических данных, собранных в больнице и дома, предоставил возможность разработать основанные на данных подходы для улучшения диагнозов, внедрения передовых методов и улучшения результатов лечения пациентов.Важная проблема заключается в том, как можно интерпретировать имеющиеся данные, чтобы обеспечить более качественное и быстрое (иногда в режиме реального времени) принятие решений и улучшить стандарты ухода за пациентами и, как следствие, результаты для здоровья пациентов (Orphanidou and Wong 2017). За счет использования подходов машинного обучения совокупные физиологические данные могут раскрывать новую информацию, ведущую к усовершенствованным способам медицинской диагностики, и могут способствовать динамическому онлайн-мониторингу в клинической среде или дома. Системы поддержки принятия медицинских решений, основанные на подходах Big Data / Deep Learning, предлагают возможность быстрого и эффективного принятия решений с меньшими затратами, избегая при этом предвзятости подтверждения клинического эксперта (Krumholz 2014).Однако наборы медицинских данных, часто состоящие из структурированных (например, лабораторных результатов), полуструктурированных (например, данных датчиков) и неструктурированных (например, рукописных заметок пациента) данных (Palanisamy and Thirunavukarasu, 2017), часто бывают многомерными, шумными и динамически меняется. Эта сложность очень затрудняет интерпретацию и требует строгой проверки. Кроме того, внедрение этих систем в клиническую практику потребует не только новых источников данных, но также нового обучения и разработки новых стратегий эскалации (Krumholz 2014).

В больнице электронная карта здоровья пациента (EHR) является источником больших данных, содержащих информацию о социально-демографических данных, ранее существовавших и текущих заболеваниях, генетике, биохимических тестах и ​​методах лечения (Andreu-Perez et al. 2015 ). Несмотря на богатый объем информации, эта обширная и богатая информацией база данных не может быть обработана человеком с высокой пропускной способностью для принятия медицинских решений и, таким образом, в значительной степени используется недостаточно. Требуются системы анализа данных, часто использующие машинное обучение, которые могут помочь клиническому персоналу систематизировать данные, выявлять закономерности, интерпретировать результаты и устанавливать пороговые значения для действий.Обработка естественного языка также является инструментом на основе больших данных, который может внести значительный вклад в анализ этих записей на предмет семантического контекста. Примеры аналитики больших данных для получения новых знаний, улучшения клинической помощи и оптимизированного наблюдения за общественным здоровьем уже применяются в больницах (Андреу-Перес и др., 2015). Использование больших данных и создание систем машинного обучения, обеспечивающих механизм непрерывного обучения с производством знаний в реальном времени, может привести к разработке интеллектуальных систем, основанных на принципе медицины P4: прогнозных, профилактических, персонализированных и совместных (Hood and Flores 2012; Leff and Ян 2015).Система HVITAL (наблюдение, мониторинг и оповещение в больницах), функционирующая в больнице Сан-Паулу с 2012 года (Almeida 2016), является примером новой аналитической платформы, которая использует все большие данные, хранящиеся в электронных медицинских записях, в режиме реального времени и применяемые расширенная и быстрая аналитика на основе этой информации для оказания поддержки врачам в принятии решений. Система рассчитывает и выдает более 600 ключевых показателей эффективности (KPI), которые не только связаны с клинической картиной, но и обеспечивают понимание на уровне руководства для улучшения работы больниц.Имея возможность быстрого поиска среди миллионов записей пациентов, система HVITAL предоставляет персоналу больницы информацию в режиме реального времени через настольные информационные панели и идет еще дальше, постоянно отслеживая серию физиологических признаков у каждого пациента на протяжении всего его пребывания и применяя интеллектуальные алгоритмы прогнозирования. для раннего выявления пациентов из группы риска, отображается желтым и красным цветом и требует вмешательства. Для предоставления таких предупреждений часто используется подход обнаружения новизны (Pimentel et al.2014), который представляет собой подход машинного обучения, используемый в ситуациях, когда доступно много данных о «нормальном» состоянии и очень мало данных о «ненормальном». Часто моделируемые как подход одноклассной классификации, методы обнаружения новизны применялись в клиническом контексте для обеспечения раннего предупреждения об ухудшении состояния в отделениях неотложной помощи (Wilson et al., 2016), ICU (Ghassemi et al., 2015) и для послеоперационные пациенты (Clifton et al., 2014; Pimentel et al., 2013). Гауссовские процессы также широко использовались для работы с зашумленными и ненадежными физиологическими данными (Dunitz et al.2015), в том числе в отделении интенсивной терапии (Pimentel et al., 2016). Как описано в Leff and Yang (2015), в дополнение к приложениям для раннего предупреждения об ухудшении непрерывного мониторинга, системы поддержки принятия медицинских решений также были предложены для многих других приложений, в том числе для оценки и улучшения соблюдения протокола (Klann et al., 2013) , для напоминаний о приеме лекарств (Nair et al. 2010), для улучшения скрининга (Wagholikar et al. 2012) и для прогнозирования повторной госпитализации (Futoma et al. 2015).

Приложения для непрерывного мониторинга пациентов

Всеобъемлющим принципом приложений для анализа больших данных в системах мониторинга пациентов является использование либо непрерывных данных физиологической формы волны, полученной информации о показателях жизнедеятельности из разных и разрозненных источников, либо их комбинации для того, чтобы обеспечить раннее предупреждение об ухудшении состояния.Большинство систем мониторинга пациентов, используемых до сих пор, полагались на один источник информации (например, один жизненно важный показатель) и приводили к феномену «усталости от сигналов тревоги», в результате чего клинический персонал теряет чувствительность и в конечном итоге игнорирует предупреждения систем мониторинга ( Орфаниду и др., 2015). Приложения для больших данных создали возможность для разработки улучшенных и более всеобъемлющих механизмов раннего предупреждения путем объединения различных источников информации, таких как несколько одновременно собранных показателей жизнедеятельности, а также другой клинической информации (разных фенотипов), агрегирование которой обеспечивает более полный обзор. состояния здоровья пациента.Помимо повышения точности предупреждений, это создало возможность изучения взаимодействий и корреляций между данными мультимодальных клинических временных рядов или формами волн (Belle et al. 2015) для получения клинических знаний.

В контексте внутрибольничного мониторинга огромное количество физиологических данных за короткие периоды времени создается в отделениях интенсивной терапии (ОИТ), где пациенты постоянно подключены к многопараметрическим мониторам, которые записывают формы волны и обеспечивают периодические измерения жизненно важных функций, таких как как частота сердечных сокращений (ЧСС), частота дыхания (ЧД), сатурация периферической артериальной крови кислородом (SpO2), артериальное кровяное давление (АД) и температура (Т).Помимо данных с прикроватных мониторов, для разработки приложений с большими данными для непрерывного наблюдения за пациентами и поддержки принятия медицинских решений можно использовать данные электронных медицинских записей и насосов для приема лекарств, а также данные вентиляции. Потенциал для разработки таких систем в среде ICU получил широкое признание, и в литературе появился ряд исследований, предлагающих подходы к большим данным. Главный тезис большинства исследований заключается в том, что сложности, характеризующие критическое заболевание (часто с сопутствующими заболеваниями), не могут быть адекватно решены с использованием традиционных подходов (например,g., отдельные лекарственные вмешательства), и, возможно, использование подходов слияния данных на основе больших данных является более подходящим (Johnson et al. 2016; Sanchez-Pinto et al. 2018). Примеры приложений с большими данными в отделениях интенсивной терапии включают масштабируемую инфраструктуру для разработки системы управления уходом за пациентами, которая объединяет статические и непрерывные данные, отслеживаемые критически больными пациентами в отделении интенсивной терапии, для интеллектуального анализа данных и оповещения медицинского персонала о критических событиях в режиме реального времени (Han et al. 2006), система для прогнозирования повышенного внутричерепного давления в отделении интенсивной терапии (Güiza et al.2013), а также систему, разработанную для неонатального отделения интенсивной терапии, в которой использовались потоковые данные с мониторов ЭЭГ, инфузионных насосов, мониторов оксигенации головного мозга и т. Д. Для поддержки принятия медицинских решений (Bressan et al. 2012). В одном из первых исследований с участием пациентов отделения интенсивной терапии использовались данные 250 000 госпитализаций и были построены прогностические модели на основе логистической регрессии для оценки перевода в отделение интенсивной терапии, остановки сердца или смерти пациентов отделения (Churpek et al. 2014). В последующем исследовании тех же авторов логистическая регрессия была заменена более сложными подходами к машинному обучению, такими как случайные леса и методы повышения градиента, чтобы улучшить прогнозирующую способность для раннего обнаружения ухудшения (Churpek et al.2016). Уровень смертности также был точно спрогнозирован Джоши и Шоловиц (2012) с использованием данных из базы данных многопараметрического интеллектуального мониторинга в интенсивной терапии (MIMIC) (Johnson et al., 2016) на Physionet (Goldberger et al. 2000). Для достижения AUC 0,91 авторы использовали методы кластеризации, деля пациентов по органоспецифическим состояниям пациентов. Используя ту же базу данных, Pirracchio et al. (2014) сравнили производительность 12 различных алгоритмов прогнозирования смертности (параметрических и непараметрических) для точного прогнозирования смертности и пришли к выводу, что метод ансамбля, использующий взвешенные выходные данные нескольких алгоритмов машинного обучения ( Superlearner ), дает наилучшие прогнозные характеристики с AUB 0.88.

Базы данных, такие как MIMIC III (Многопараметрический интеллектуальный мониторинг в интенсивной терапии) (Johnson et al., 2016), содержащие физиологические сигналы и временные ряды показателей жизненно важных функций, полученные с мониторов пациентов, а также исчерпывающие клинические данные, полученные из медицинских учреждений больниц. Информационные системы для десятков тысяч пациентов отделений интенсивной терапии (ОИТ) дали исследователям возможность работать над разработкой приложений больших данных для открытия знаний. Таким образом, база данных MIMIC использовалась для таких приложений, как обнаружение сходства между пациентами в выбранных когортах (Lee and Mark, 2010) или для разработки систем, которые объединяют информацию о нескольких формах волны для разработки ранних предикторов сердечно-сосудистой нестабильности у пациентов (Sun et al.2010). Комбинация информации о множественных формах волн, доступная в базе данных MIMIC II, также использовалась для раннего выявления гемодинамической нестабильности у пациентов (Cao et al. 2008). Другие приложения для больших данных, использующие физиологические сигналы, включают систему оценки сердечного выброса с использованием анализа контура пульса (Attin et al. 2015), систему обнаружения гиповолемии с использованием данных фотоплетизмографии (Roederer et al. 2015) и систему для прогнозирования гиперлактемии с использованием комбинированных физиологических данных. (Дуниц и др.2015).

За пределами клинической среды растет число носимых датчиков потребительского уровня, которые предоставляют возможность для разработки приложений больших данных с использованием данных физиологических датчиков. Эти датчики делают традиционные устройства физиологического мониторинга меньше, дешевле и портативнее. Были предложены системы, объединяющие параметры ЭКГ из телеметрии с демографической информацией, включая историю болезни, фракцию выброса, лабораторные показатели и лекарственные препараты, чтобы обеспечить стационарную систему раннего обнаружения остановки сердца (Sun et al.2010). Однако, как и в случае с клиническими приложениями, объединение информации, одновременно полученной с нескольких портативных устройств, может стать сложной задачей. Разнообразие фиксированных и мобильных датчиков, доступных для интеллектуального анализа данных в секторе здравоохранения, и способы использования таких данных для разработки технологий ухода за пациентами исследуются Sow et al. (2013).

Проблемы

Несмотря на значительную динамику применения больших данных в здравоохранении, прежде чем системы больших данных смогут быть применены к реальным клиническим проблемам, необходимо преодолеть ряд проблем.Технические проблемы, которые необходимо преодолеть, связаны с качеством данных и анализом, и, хотя они не являются уникальными для здравоохранения, получение данных от пациентов-людей создает дополнительные проблемы, которые не встречаются во многих других областях (Orphanidou and Wong, 2017). Одной из проблем является анализ наборов данных с отсутствующими или поврежденными данными, что часто случается при работе с данными, полученными от людей, и которые, если их не распознать, могут исказить или повредить анализ и привести к принятию неточных решений.В контексте данных, собранных с носимых датчиков, эти проблемы могут быть просто результатом неправильно подключенного датчика или движения. Чтобы уменьшить искажение данных, датчики необходимо улучшить с точки зрения их эргономики и стратегии крепления. Бесконтактный мониторинг показателей жизнедеятельности (Тарасенко и др., 2014) может решить эту проблему. Если искаженные данные были собраны и не могут быть отброшены, решение может быть найдено такими методами, как условное исчисление данных (Тарассенко и др., 2006) и оценка качества (Орфаниду, 2018).Еще одна проблема в использовании физиологических данных в медицинских приложениях с большими данными — это проблема интеграции разнородных источников данных. В то время как слияние данных, т. Е. Обработка информации из нескольких различных источников данных, широко используется для обеспечения более целостного представления о проблеме и для подтверждения измерений при наличии проблем с качеством, процесс интеграции источников данных в приложениях для больших данных является очень сложно. Методы выбора характеристик (обзор Saeys et al.2007) и методы слияния данных, такие как фильтры Калмана (Даррант-Уайт и Хендерсон, 2008) и обучение с использованием нескольких ядер (MKL) (Hu et al. 2009), были предложены в литературе как способы обеспечения интеграции нескольких источников данных одновременно, но требуется дополнительная работа, чтобы можно было извлечь максимальное значение из одновременно собранных наборов физиологических данных. Методы, основанные на многозадачных гауссовских процессах (MTGP), также были предложены для работы с наборами данных, которые являются зашумленными, неполными, разреженными, неоднородными и с неравномерной выборкой (Ghassemi et al.2015; Dürichen et al. 2015). В дополнение к этому, необходимо внедрить сложные и недорогие механизмы хранения и обработки, которые способствуют быстрому извлечению данных и фиксации на основе требований аналитики (Belle et al. 2015). Кроме того, необходимо преодолеть ряд проблем управления, таких как проблемы, связанные с установлением соответствующих протоколов и стандартов данных, а также вопросы конфиденциальности данных (Andreu-Perez et al. 2015). Разделение данных — еще одна проблема, которая касается того факта, что данные, собранные с нескольких устройств, часто хранятся в разных базах данных, которые необходимо связать для разработки целостных приложений для больших данных (Johnson et al.2016). Чтобы эта связь была эффективной, необходимо решить ряд юридических и этических проблем, и это часто включает необходимость сотрудничества между конкурирующими производителями систем (Orphanidou and Wong, 2017).

Помимо анализа и проблем, связанных с качеством, внедрение методов больших данных в реальных клинических приложениях создает ряд операционных проблем. Это требует развития новых клинических практик и способов мышления. Подходы к большим данным, основанные на машинном обучении и интеллектуальном анализе данных, требуют принятия поиска шаблонов, не зная, что может появиться (Krumholz 2014).Этот подход сильно отличается от классического научного подхода, когда начинают с конкретного вопроса исследования, и требует строгих методов проверки результатов для обеспечения достоверности и статистической значимости.

Заключение

Для того, чтобы приложения с большими данными нашли свой путь к клинической практике, самая большая проблема, которая впереди, — это потребность в развитии новых навыков, новых способов мышления и новых способов получения знаний, а также новой реакции и механизмы эскалации в клинических условиях.Поэтому исследовательская деятельность в области приложений больших данных в здравоохранении должна ограничиваться не только технической реализацией таких систем, но и соответствующими механизмами интеграции в клиническую практику. Как только эта проблема будет решена, приложения для больших данных смогут оказать огромное влияние не только на клинические исследования, но и на состояние здоровья населения в целом.

Примечания

Конфликт интересов

Кристина Орфаниду заявляет, что у нее нет конфликта интересов.

Этическое одобрение

Эта статья не содержит исследований с участием людей или животных, выполненных автором.

Сноски

Примечание издателя

Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий на опубликованных картах и ​​сведений об учреждениях.

Ссылки

• Almeida JP. Прорывной подход к работе с большими данными для повышения эффективности управления и поддержки принятия клинических решений в больнице.Порто Биомед Дж. 2016; 1 (1): 40–42. [Google Scholar]
• Андреу-Перес Дж., Пун CCY, Меррифилд RD, Вонг STC, Ян Г.З. Большие данные для здоровья. IEEE J Biomed Health Inf. 2015; 19 (4): 1193–1208. [PubMed] [Google Scholar]
• Attin M, Feld G, Lemus H, et al. Характеристики электрокардиограммы до остановки сердца в стационаре. J Clin Monit Comput. 2015; 29 (3): 385–392. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Belle A, Thiagarajan A, Reza SM, et al. Аналитика больших данных в здравоохранении.Biomed Res Int. 2015; 370194: 16. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Брессан Н., Джеймс А., МакГрегор С. (2012) Тенденции и возможности для интегрированной поддержки неонатальных клинических решений в реальном времени. Труды Международной конференции IEEE-EMBS по биомедицинской и медицинской информатике (BHI ’12), стр. 687–690.
• Цао Х., Эшельман Л., Чбат Н., Нильсен Л., Гросс Б., Саид М. (2008) Прогнозирование гемодинамической нестабильности в ОИТ с использованием непрерывные многопараметрические тренды, EMBC ’08, стр. 3803–3806 [PubMed]
• Чурпек М.М., Юэн Т.К., Уинслоу С. и др.Многоцентровая разработка и проверка инструмента стратификации риска для пациентов отделения. Am J Respir Crit Care Med. 2014; 190 (6): 649–655. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Churpek MM, Yuen TC, Winslow C, Meltzer DO, Kattan MW, Edelson DP. Многоцентровое сравнение методов машинного обучения и традиционной регрессии для прогнозирования клинического ухудшения в палатах. Crit Care Med. 2016; 44 (2): 368–374. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Клифтон Л., Клифтон Д.А., Пиментел М.А.Ф., Уоткинсон П.Дж., Тарасенко Л.Прогностический мониторинг мобильных пациентов путем объединения клинических наблюдений с данными носимых датчиков. IEEE J Biomed Health Inf. 2014. 18 (3): 722–730. [PubMed] [Google Scholar]
• Dunitz M, Verghese G, Heldt T (2015) Прогнозирование гиперлактатемии в базе данных MIMIC II. Proc. EMBC ’15, pp 985–988 [PubMed]
• Dürichen R, Pimentel MAF, Clifton L, Schweikard A, Clifton DA. Многозадачные гауссовские процессы для многомерного физиологического анализа временных рядов. IEEE Trans Biomed Eng.2015; 62 (1): 314–322. [PubMed] [Google Scholar]
• Даррант-Уайт Х, Хендерсон TC (2008). Слияние мультисенсорных данных. Справочник Springer по робототехнике, стр. 585–610
• Футома Дж., Моррис Дж., Лукас Дж. Сравнение моделей для прогнозирования ранней повторной госпитализации. Дж Биомед Информ. 2015; 56: 229–238. [PubMed] [Google Scholar]
• Гассеми М., Пиментел М.А., Науманн Т. и др. (2015) Подход к многомерному моделированию временных рядов для оценки тяжести заболевания и прогнозирования в отделениях интенсивной терапии с разреженными данными.Неоднородные клинические данные. Proc Conf AAAI Artif Intell 2015: 446–453 [Бесплатная статья PMC] [PubMed]
• Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PC, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit и PhysioNet: компоненты нового ресурса для исследования сложных физиологических сигналов. Тираж. 2000; 101 (23): e215 – e220. [PubMed] [Google Scholar]
• Güiza F, Depreitere B, Piper I., Van den Berghe G, Meyfroidt G. Новые методы прогнозирования повышенного внутричерепного давления во время интенсивной терапии и долгосрочного неврологического исхода после черепно-мозговой травмы: разработка и проверка в многоцентровом наборе данных.Crit Care. 2013. 41 (2): 554–564. [PubMed] [Google Scholar]
• Хан Х., Риу Х.К., Патрик Х. (2006) Инфраструктура потокового анализа, объединения и управления данными для наблюдаемых пациентов. В материалах 19-го Международного симпозиума IEEE по компьютерным медицинским системам (CBMS ’06), стр. 461–468
• Худ Л., Флорес М. Личный взгляд на системную медицину и появление проактивной медицины P4: прогнозирующая, профилактическая, персонализированный и совместный. New Biotechnol. 2012. 29 (6): 613–624.[PubMed] [Google Scholar]
• Hu M, Chen Y, Kwok JT. Построение разреженных многоядерных классификаторов SVM. IEEE Trans Neural Netw. 2009. 20 (5): 827–839. [PubMed] [Google Scholar]
• Johnson AEW, Pollard TJ, Shen L, Lehman L, Feng M, Ghassemi M, Moody B, Szolovits P, Celi LA, Mark RG (2016) MIMIC-III, свободно доступный центр интенсивной терапии база данных. Научные данные [Бесплатная статья PMC] [PubMed]
• Joshi R, Szolovits P (2012) Прогностическая физиология: моделирование тяжести состояния пациента в отделениях интенсивной терапии с использованием сворачивания радиальных доменов.Документ представлен на: Материалы ежегодного симпозиума AMIA [Бесплатная статья PMC] [PubMed]
• Кланн Дж. Г., Ананд В., Даунс С. М.. Расстановка приоритетов для системы поддержки принятия решений в педиатрической помощи с учетом потребностей пациентов с помощью машинного обучения. J Am Med Inform Assoc. 2013; 20 (e2): e267 – e274. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Krumholz HM. Большие данные и новые знания в медицине: мышление, обучение и инструменты, необходимые для обучающейся системы здравоохранения. Health Aff. 2014. 33 (7): 1163–1170. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Lee J, Mark RG (2010) Средство прогнозирования эпизодов гипотонии для интенсивной терапии на основе временных рядов частоты сердечных сокращений и артериального давления.IEEE Comput Cardiol 81–84 [Бесплатная статья PMC] [PubMed]
• Leff DR, Yang G-Z (2015) Большие данные для точной медицины, инженерии. 1 (3): 277–279
• Nair BG, Newman SF, Peterson GN, Wu WY, Schwid HA. Механизмы обратной связи, включая электронные оповещения в реальном времени, для достижения почти 100% своевременного профилактического введения антибиотиков в хирургических случаях. Anesth Analg. 2010. 111 (5): 1293–1300. [PubMed] [Google Scholar]
• Орфаниду К. Оценка качества сигнала при физиологическом мониторинге: современное состояние и практические соображения.Чам: Спрингер; 2018. [Google Scholar]
• Орфаниду К., Вонг Д. Модели машинного обучения для многомерных клинических данных. В: Хан Су, Зомая А.Ю., Асад А., редакторы. Справочник по крупномасштабным распределенным вычислениям в умном здравоохранении, масштабируемых вычислениях и коммуникациях. Чам: Спрингер; 2017. С. 177–216. [Google Scholar]
• Орфаниду С., Бонничи Т., Чарльтон П., Клифтон Д., Валанс Д., Тарассенко Л. Показатели качества сигнала для электрокардиограммы и фотоплетизмограммы: вывод и приложения для беспроводного мониторинга.IEEE J Biomed Health Inform. 2015; 19 (3): 832–838. [PubMed] [Google Scholar]
• Palanisamy V, Thirunavukarasu R (2017) Влияние аналитики больших данных на разработку структур здравоохранения — обзор. J King Saud Univ Comput Inf Sci
• Пиментел МАФ, Клифтон Д.А., Клифтон Л., Уоткинсон П.Дж., Тарассенко Л. Моделирование физиологического ухудшения в послеоперационных данных показателей жизнедеятельности пациентов. Med Biol Eng Comput. 2013; 51: 869–877. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Pimentel MAF, Clifton DA, Clifton L, Tarassenko L.Обзор обнаружения новинок. Сигнальный процесс. 2014; 99: 215–249. [Google Scholar]
• Pimentel MAF, et al. Прогнозирование исходов для пациентов с черепно-мозговой травмой с динамическими характеристиками по сигналам внутричерепного давления и артериального давления: подход гауссова процесса. Acta Neurochir Suppl. 2016; 122: 85–91. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Pirracchio R, Petersen ML, Carone M, Rigon MR, Chevret S, van der Laan MJ. Прогнозирование смертности в отделениях интенсивной терапии с помощью алгоритма учащихся Super ICU (SICULA): популяционное исследование.Ланцет Респир Мед. 2014; 3 (1): 42–52. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Roederer A, Weimer J, DiMartino J, Gutsche J, Lee I. (2015) Надежный мониторинг гиповолемии у пациентов интенсивной терапии с использованием сигналов фотоплетизмограммы. Proc. EMBC ‘15, pp. 1504–1507 [PubMed]
• Роски Дж., Бо-Линн Г.В., Эндрюс Т.А. Создание ценности в здравоохранении с помощью больших данных: возможности и последствия для политики. Health Aff. 2014. 33 (7): 1115–1122. [PubMed] [Google Scholar]
• Saeys Y, Inza I, Larrañaga P.Обзор методов выбора характеристик в биоинформатике. Биоинформатика. 2007. 23 (19): 2507–2517. [PubMed] [Google Scholar]
• Санчес-Пинто Л.Н., Луо Й., Чурпек М.М. Большие данные и наука о данных в интенсивной терапии. Грудь. 2018; 154 (5): 1239–1248. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Соу Д., Турага Д.С., Шмидт М. (2013) Извлечение данных датчиков в здравоохранении: исследование. Managing and Mining Sensor Data, pp 459–504
• Sun J, Sow D, Hu J, Ebadollahi S (2010) Система для анализа потоков временных физиологических данных для расширенной поддержки принятия прогностических решений, в Proceedings of the 10th IEEE International Conference on Data Горное дело (ICDM ’10), стр. 1061–1066
• Тарассенко Л., Ханн А., Янг Д.Комплексный мониторинг и анализ для раннего предупреждения об ухудшении состояния пациента. Br J Anaesth. 2006. 97 (1): 64–68. [PubMed] [Google Scholar]
• Тарасенко Л., Вильярроэль М., Гуацци А., Хорхе Дж., Клифтон Д.А., Пью К. Бесконтактный видеонаблюдение за жизненно важными функциями с использованием внешнего освещения и авторегрессионных моделей. Physiol Meas. 2014. 35 (5): 807–831. [PubMed] [Google Scholar]
• Wagholikar KB, et al. Поддержка принятия клинических решений с автоматизированной обработкой текста для скрининга рака шейки матки. J Am Med Inform Assoc.2012; 19 (5): 833–839. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Wilson SJ, Wong D, Pullinger RM, Way R, Clifton DA, Tarassenko L. Анализ системы объединения данных для непрерывного мониторинга показателей жизнедеятельности в отделении неотложной помощи. Eur J Emerg Med. 2016; 23 (1): 28–32. [PubMed] [Google Scholar]

Горнодобывающая промышленность, телемониторинг физиологических данных и результатов пациентов с застойной сердечной недостаточностью

Abstract

В этом документе рассматриваются результаты, сообщаемые пациентами (PRO), и дистанционный мониторинг при застойной сердечной недостаточности (CHF), которые становятся все более важными темами.Интерес к исследованиям ХСН смещается от жестких конечных точек, таких как госпитализация и смертность, к более мягким конечным точкам, таким как качество жизни, связанное со здоровьем. Однако связь этих более мягких конечных точек с объективными параметрами изучена недостаточно. Телемониторинг подходит для сбора как результатов, сообщаемых пациентами, так и объективных параметров. Однако в большинстве исследований по дистанционному мониторингу не используются в полной мере преимущества доступной сенсорной технологии и интеллектуального анализа данных. Клиническое обсервационное исследование Chiron проводилось среди 24 пациентов с ХСН (17 мужчин и 7 женщин в возрасте 62 лет.9 ± 9,4 лет, 15 по NYHA класса II и 9 класса III, 10 — с ишемией, этиологией, 6 — с дилатацией, 2-клапанная и 6 — с множественной этиологией или кардиомиопатией) в Италии и Великобритании. Носимые и другие устройства собирали большое количество физиологических параметров и параметров окружающей среды вместе с PRO, описывающими, насколько хорошо пациенты чувствовали себя в течение 1086 дней наблюдения. Полученные данные были проанализированы на предмет взаимосвязей между объективными параметрами и PRO. Объективные параметры (влажность, температура окружающей среды, артериальное давление, SpO2 и интенсивность сладкого) могли предсказать PRO с точностью до 86% и AUC до 0.83, что делает этот отчет первым, в котором представлены доказательства того, что окружающие и физиологические параметры объективно связаны с PRO у пациентов с ХСН. Мы также проанализировали взаимосвязи в прогностических моделях, получив некоторое представление о том, что влияет на ощущение здоровья, что также обычно не предпринималось в предыдущих исследованиях. В документе настоятельно указывается на возможность использования PRO в качестве основных конечных точек в будущих исследованиях.

Образец цитирования: Mlakar M, Puddu PE, Somrak M, Bonfiglio S, Luštrek M, от имени исследовательских проектов Chiron и HeartMan (2018) Mining дистанционно контролировал физиологические данные и сообщаемые пациентами результаты пациентов с застойной сердечной недостаточностью.PLoS ONE 13 (3):
e01