Физиологические данные пациента это: Физиологические данные — это

Содержание

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):

ЭТАП ЦЕЛЬ ДОСТИЖЕНИЕ ЦЕЛИ
1.        
2.          

3.          
4.          
5.        

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

  • Электрокардиограмма (ЭКГ, ЧСС) до 12 отведений одновременно с измерением смещения сегмента ST в каждом отведении и анализа аритмий

  • Неинвазивное артериальное давление (АД) в ручном, автоматическом и непрерывном режимах с возможностью включения измерения АД при изменении времени распространения пульсовой волны

  • Инвазивное артериальное давление (АД) до 4-х каналов с возможностью измерения низких и отрицательных давлений

  • Пульсоксиметрия (ФПГ, SpO2 и ЧП) с датчиками Nellcor, Nonin или их эквивалентами

  • Пневмограмма и частота дыхания (ПГ и ЧД) реографическим и термисторным способами

  • Температура (Т) до 2-х каналов

  • Капнография (СО2, КГ, ЧД, АПНОЭ) в боковом или прямом потоке

  • Сердечный выброс

  • Мультигазы (СО2, О2, N2O, HAL, ISO, ENF, SEV, DES) , компания Phasein, Швеция

  • Глубина наркоза методом BIS, компания Covidien, США

  • Возможность проводного и беспроводного (WiFi) подключения к центральной станции (опция)

  • Возможность использования индивидуальной информационной модели (индивидуальный выбор необходимого числа и расположения графических каналов от 2 до 12 и возможность отключения ненужных пользователю физиологических функций)

  • Возможность синтеза 12 отведений ЭКГ с 5 электродного кабеля

  • Малые габариты и масса монитора с возможностью работы от аккумулятора до 5 часов без подзарядки

  • Режим отображения больших цифр (до 35 мм) позволяет наблюдать физиологические показатели пациента с большого расстояния

  • Автоматическое изменение уровня яркости экрана в зависимости от степени освещенности

  • Возможность переноса мониторируемых данных пациента с одного монитора на другой с помощью SD карты или USB носителя

  • Межкоечный просмотр и межкоечные обновления (опция)

  • Интерфейсы: СОМ-порт для смены программного обеспечения, опции — 2 СОМ-порта (MULTI В1, MULTI В2), порт VGA, мультиконнектор MULTI А, порт USB

  • 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 (sawtooth 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

  • .

    https://doi.org/10.1371/journal.pone.01

  • Редактор: Йошихиро Фукумото, Медицинский факультет Университета Куруме, ЯПОНИЯ

    Поступила: 4 июля 2017 г .; Принята к печати: 12 декабря 2017 г .; Опубликован: 1 марта 2018 г.

    Авторские права: © 2018 Mlakar et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Доступность данных: Все соответствующие данные находятся в документе и его файлах с вспомогательной информацией.

    Финансирование: Это исследование, описанное в этом документе, частично было выполнено в рамках проекта Chiron (https://artemis-ia.eu/project/17-chiron.html), который был софинансирован совместным предприятием ARTEMIS. (соглашение о гранте № 2009-1-100228) и национальными властями, а также частично в проекте HeartMan (http://cordis.europa.eu/project/rcn/199014_en.html), который получил финансирование от Horizon 2020 Европейского Союза. научно-инновационная программа по грантовому соглашению № 689660.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

    Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

    Введение

    Застойная сердечная недостаточность (ЗСН) — это хроническое заболевание, при котором сердце не может перекачивать кровь, достаточную для удовлетворения потребностей органов и тканей в кислороде и питательных веществах. Это может иметь множество причин, в том числе повреждение сердечной ткани (например,например, из-за сердечного приступа), атеросклероза, гипертонии и т. д. ЗСН является наиболее частой причиной госпитализации людей старше 65 лет и обходится обществу примерно в 100 миллиардов долларов в год [1]. Поскольку это невозможно вылечить, успешное ведение ЗСН критично для здоровья и качества жизни пациентов, а также контроль за расходами на здравоохранение.

    Телемониторинг представляется многообещающим подходом для лечения ХСН: два недавних систематических обзора показали снижение смертности и количества госпитализаций [2, 3].Однако этот успех не является универсальным, поскольку некоторые крупные испытания не показали пользы от дистанционного мониторинга [4]. Это указывает на то, что дистанционный мониторинг в CHF заслуживает дальнейшего исследования. Одним из направлений таких исследований является включение результатов, сообщаемых пациентами (PRO), таких как симптомы или качество жизни, связанное со здоровьем, поскольку качество жизни является важной целью, не зависящей от «тяжелых» исходов, таких как смертность и госпитализации. Другое направление — усовершенствование технологии дистанционного мониторинга с использованием носимых устройств и интеллектуальных компьютерных методов, поскольку в большинстве испытаний дистанционного мониторинга до сих пор использовалась относительно простая технология [5].

    PRO ценятся пациентами, клиницистами и лицами, определяющими политику, и они определяют терапевтический выбор, методы лечения, решения о возмещении расходов и политику здравоохранения [6]. Европейское общество кардиологов подтвердило важность PRO в клинических исследованиях сердечно-сосудистой системы, предложив включить их в оценку эффективности терапевтических вмешательств при условии, что PRO будут оцениваться строго и научно [7]. Призыв к снижению бремени болезней [8, 9] и не только к продлению жизни, но и к повышению ее качества (за счет использования в качестве показателя качества жизни с поправкой на качество [10]) звучит во многих местах.К сожалению, эти новые цели, за некоторыми исключениями в конкретных областях трансплантации, имеют очень мало оснований для опоры [11, 12]. Телемониторинг представляется подходящим решением этой проблемы, поскольку с его помощью можно легко собирать PRO вместе с физиологическими данными.

    Носимые технологии в настоящее время стремительно развиваются как в потребительской, так и в медицинской областях. В отличие от традиционного телемониторинга, при котором производятся однократные ежедневные измерения таких параметров, как частота сердечных сокращений и артериальное давление, он может генерировать большие объемы данных, обеспечивающих более полную картину состояния пациента.Он идет рука об руку с интеллектуальными компьютерными методами, такими как машинное обучение и интеллектуальный анализ данных, которые могут интерпретировать эти данные и поддерживать пациентов и врачей в управлении и лечении заболеваний. Однако, учитывая относительную простоту большинства прошлых испытаний дистанционного мониторинга, знания о том, как интерпретировать данные с носимых устройств, недостаточно развиты.

    Tripoliti et al. [13] выполнили всесторонний обзор машинного обучения и интеллектуального анализа данных, применяемых ко всем аспектам управления CHF.В большинстве рассмотренных работ использовались клинические данные, которые по типу и частоте выборки существенно отличаются от данных телемониторинга. Было только два случая, когда использовались данные телемониторинга [14, 15], оба из которых предсказывали повторную госпитализацию. Koulaouzidis et al. [14] построили наивный байесовский классификатор с артериальным давлением, частотой сердечных сокращений и весом в качестве характеристик, в результате чего площадь под кривой ROC (AUC) составила 0,82. Канг и др. [15] построили дерево решений J48 с PRO и другими параметрами в качестве функций, получив значение AUC, равное 0.59. Внезапное увеличение веса у пациентов с ХСН часто является признаком задержки жидкости, что увеличивает риск почечной или сердечной недостаточности. Fisher et al. [16], таким образом, разработали модель скрытой переменной авторегрессии, которая отслеживает вес пациента и артериальное давление с течением времени для прогнозирования значений веса и обеспечения раннего предупреждения о задержке жидкости. Pecchia et al. [17] предложили платформу дистанционного мониторинга, которая может определять наличие и тяжесть ЗСН с помощью дерева решений CART, построенного на характеристиках вариабельности сердечного ритма с монитора электрокардиограммы (ЭКГ).AUC для присутствия составила 0,95, а для степени тяжести — 0,79. Однако практическая полезность этих результатов ограничена, поскольку большинство людей соглашаются на дистанционный мониторинг только после того, как им поставят диагноз ЗСН.

    В этой статье сообщается о результатах клинического обсервационного исследования Chiron, проведенного среди пациентов с ХСН в Италии и Великобритании, у которых большое количество физиологических и окружающих параметров было собрано с помощью носимых и других устройств, а также PRO, описывающих, насколько хорошо пациенты чувствовали себя более 1086 суток наблюдения.Полученные данные были предварительно обработаны и проанализированы на предмет взаимосвязей между объективными параметрами и PRO. Объективные параметры могут достаточно точно предсказать PROs, что делает этот отчет первым, в котором представлены доказательства того, что окружающие и физиологические параметры объективно связаны с PRO у пациентов с ХСН. Прогнозирование PRO не предпринималось ни в одной из найденных нами связанных работ, и, вероятно, это сложнее, чем прогнозирование «тяжелых» исходов, таких как госпитализации. Мы также проанализировали взаимосвязи в прогностических моделях, получив некоторое представление о том, что влияет на ощущение здоровья, что также обычно не предпринималось в связанной работе.

    Материалы и методы

    Наблюдательное исследование

    Общая цель проекта Chiron (европейский проект, финансируемый Artemis) заключалась в разработке всеобъемлющей основы для персонализированного управления здоровьем, включающей мобильные, домашние и больничные услуги. Частью системы Chiron, предназначенной для пациентов с ХСН, была система поддержки принятия решений, цель которой заключалась в оценке риска для здоровья пациентов [18]. Однако, поскольку не было достаточно знаний о том, как связать значения различных измеряемых параметров с риском, в рамках проекта было проведено наблюдательное исследование с целью получения таких знаний.

    Перед началом исследования протокол был представлен комитетам по этике поликлиники Умберто I для итальянской части исследования и Комитету по этике исследований Юго-Восточной Шотландии для британской части исследования. В каждой стране было получено этическое одобрение, а исследование проводилось в соответствии с национальными правилами. Все участники дали письменное информированное согласие.

    В обсервационном исследовании пациенты с ХСН были разделены на класс II или III по NYHA, как с ишемической болезнью сердца, так и с неишемической этиологией.Все они получали оптимальную терапию в соответствии с рекомендациями их отдельных практикующих кардиологов, которая была стабильной в течение шести недель до набора (на основе рекомендаций NICE). У всех был синусовый ритм и не было серьезных сердечных аритмий на стандартной ЭКГ. У всех была сниженная фракция выброса на основании 2D-эхокардиографии и, в зависимости от индивидуальной этиологии, увеличенные или расширенные объемы левого желудочка. Пациентов с простой дыхательной недостаточностью не было. Пациенты могли использовать устройства дистанционного мониторинга, не имели имплантированных устройств и не входили в список пациентов для трансплантации сердца.

    Пациенты Chiron были оснащены переносными датчиками ЭКГ, активности, температуры тела и пота. Кроме того, были измерены их кровяное давление, сатурация крови кислородом, вес, а также температура и влажность окружающей среды. Пациенты были проинструктированы выполнять ежедневные измерения с помощью неношенных устройств и использовать носимые устройства в течение двух часов утром и дважды в течение одного часа во второй половине дня. Пациентам также было предоставлено мобильное приложение для ежедневного отчета об их общем самочувствии по сравнению с предыдущим днем.Они отметили свое общее самочувствие как один из следующих вариантов: чувствовать себя намного хуже, чем вчера (1 на рис. 1 и в другом месте в статье), чувствовать себя хуже, чем вчера (2), чувствовать себя так же, как вчера (3), чувствовать себя лучше. чем вчера (4) и чувствую себя намного лучше, чем вчера (5). Исследование также предназначалось для сбора данных о госпитализации и смертях, но в течение периода исследования таких событий не происходило (наблюдения за пациентами длились от 1 до 84 дней). Поэтому мы решили использовать вместо этого самооценку пациентов о самочувствии (PRO).

    Всего в исследование было включено 38 пациентов с ХСН: 19 из Великобритании и 19 из Италии. Однако некоторые данные были неполными, поэтому в анализ были включены данные только 11 пациентов из Великобритании и 13 пациентов из Италии. Среди них 17 мужчин и 7 женщин в возрасте 62,9 ± 9,4 года, 15 из которых принадлежали к классу II по NYHA и 9 — к III классу. 10 имели ишемическую этиологию, 6 — дилатационную, 2 — клапанную и 6 — множественную этиологию или кардиомиопатию (более молодые пациенты).

    Эти 24 пациента вместе обеспечили в общей сложности 1086 полезных дней записи.На рис. 1 показано, сколько наблюдений было получено в какие дни исследования и каково было в среднем чувство здоровья пациентов. Столбики представляют собой частоту наблюдений, полученных в ходе исследования, а линия представляет собой среднее ощущение здоровья пациентов за эти наблюдения. На рис. 2 представлено количество наблюдений, полученных для каждого пациента, и их среднее чувство здоровья. Столбцы представляют собой количество полученных наблюдений для каждого пациента, а точка представляет их среднее чувство здоровья.Большинство наблюдений было получено в середине исследования, среднее ощущение здоровья было около 3 (пациент чувствовал себя так же, как вчера), а количество полученных наблюдений сильно различается среди пациентов. Все пациенты дали письменное информированное согласие на участие в исследовании.

    Система телемониторинга и параметры

    В качестве основного носимого устройства использовался нагрудный ремень с монитором ЭКГ в одном отведении, датчиками температуры и влажности тела (пота), а также акселерометром.Этот акселерометр был дополнен еще одним на бедре для мониторинга активности. На рис. 3 показаны носимые датчики, которые носили пациенты в исследовании.

    Носимые датчики передают свои данные на смартфон. Приложение для смартфона дополнительно использовалось для ввода ежедневных измерений артериального давления, сатурации периферических капилляров кислородом (SpO 2 ), веса, температуры и влажности окружающей среды (HumAmbient).

    Алгоритм Falcon [12] использовался для извлечения реперных точек из сигнала ЭКГ, что позволило нам вычислить частоту сердечных сокращений, а также описать каждое сердцебиение с дополнительными параметрами, такими как интервал PR, продолжительность QRS и интервал QT.

    Другой алгоритм [19] использовался для распознавания физической активности пациентов на основе сигналов акселерометра. Распознаваемая активность вместе с сигналами акселерометра в дальнейшем использовалась для оценки расхода энергии пациента, который соответствует интенсивности его активности.

    Некоторые параметры контролировались постоянно, некоторые измерялись ежедневно, а некоторые измерялись в начале исследования. Для анализа учитывались следующие параметры, за которыми ведется непрерывный телемониторинг:

    • Влажность тела (потоотделение)
    • Температура тела
    • Интервал PR
    • Длительность QRS
    • Амплитуда зубца Т
    • Интервал QT
    • Интервал RR (и, следовательно, частота пульса)
    • Амплитуда зубца R
    • Продолжительность физической активности, которая может лежать, сидеть или двигаться
    • Энергозатраты пациента

    Ежедневно измерялись следующие параметры:

    • Систолическое и диастолическое артериальное давление (САД, ДАД)
    • SpO 2
    • Вес
    • Температура окружающей среды
    • Влажность окружающей среды
    • Как себя чувствует пациент по сравнению с предыдущим днем ​​

    В дополнение к этим измеренным параметрам для каждого пациента в больнице в начале исследования были измерены дополнительные статические параметры.Эти параметры включали общую информацию о пациенте, текущее лечение, сопутствующие заболевания и результаты анализа крови. Из-за небольшого количества пациентов, участвующих в исследовании, алгоритмы интеллектуального анализа данных могли использовать статические параметры для моделирования отношений между личностью пациента (определяемой одним или несколькими из этих параметров) и тем, как они себя чувствуют, что не было нашей целью. Соответственно, статические параметры не учитывались при интеллектуальном анализе данных.

    Конструкция элемента

    Для каждого параметра, который измерялся непрерывно или несколько раз в день, мы рассчитали следующие характеристики:

    • Среднее значение за весь день
    • Среднее значение во время каждого действия (лежа, сидя и во время движения)
    • Стандартное отклонение за весь день
    • Стандартное отклонение во время каждого вида деятельности (лежа, сидя и во время движения)

    На основании измеренных параметров, описанных в предыдущем подразделе, мы дополнительно вычислили дополнительные характеристики:

    • Соотношение продолжительности трех видов деятельности
    • Отношение средней температуры кожи к температуре окружающей среды
    • Соотношение между средней влажностью кожи и окружающей влажностью
    • Скорость произведения давления [RPP = SBP * HR]; ЧСС — это измерение пульса, наиболее близкое к измерению САД; если нет измерения ЧСС рядом с измерением САД, среднесуточное значение ЧСС
    • Двойной продукт [DoP = (SBP + DBP) / 2 * HR]; (SBP + DBP) / 2 — произведение среднего давления, HR выбирается так же, как и для произведения давления
    • Соотношение систолического и диастолического артериального давления
    • Разница между средними значениями ЧСС при всех парах занятий (лежа – сидя, лежа – движение, сидя – движение)
    • Соотношение между средними значениями ЧСС во всех парах занятий
    • Доля времени, затрачиваемого на каждую из трех физических нагрузок во время ежедневных записей
    • Среднее соотношение между частотой пульса и расходом энергии, всегда с использованием ближайших измерений обоих значений

    Для всех характеристик мы также рассчитали:

    • Изменение значения признака по сравнению с предыдущим днем ​​(или — если в предыдущий день нет измерения — изменение дневного значения по сравнению с последним дневным значением, если оно не старше 3 дней)
    • Персонализированное (нормализованное) значение характеристики как отношение дневного значения параметра к его среднему значению для пациента за весь период исследования.

    Выбор функций

    Всего мы создали 244 функции, что много по сравнению с количеством экземпляров (дней записи). Поэтому мы применили несколько подходов к выбору функций и в результате получили разные подмножества функций. Эти подмножества данных затем использовались для построения прогнозных моделей.

    Первый подход заключался в использовании двух известных методов автоматического выбора признаков, названных RelieF [20] и Выбор подмножества признаков на основе корреляции (CFS) [21].В RelieF для каждой функции вычисляется вектор релевантности на основе того, как классифицируются близлежащие экземпляры (тот же класс или нет). Выбираются все функции, релевантность которых превышает заранее установленный порог. Подход CFS не оценивает каждую функцию по отдельности, а оценивает подмножества функций на основе гипотезы о том, что хорошие подмножества функций содержат функции, сильно коррелированные со значением класса, но не коррелированные друг с другом. Мы попробовали оба метода, но поскольку подход CFS привел к получению лучших моделей, мы использовали только подмножества, полученные с помощью подхода CFS.Это подмножество называется «CFS_feature_selection».

    Другая подгруппа была выбрана вручную по медицинским показаниям. Выбор основан на общих медицинских знаниях и литературе, а также на предыдущем опыте проекта Chiron. Это подмножество называлось «Expert_selection».

    В функциях, описывающих действия пациентов, было много пропущенных значений, например, из-за того, что пациенты неправильно носили датчики. Следовательно, по всем характеристикам, связанным с конкретными видами деятельности (во время лежания, сидения и движения), отсутствовало не менее 60% данных.Поэтому мы решили выбрать подмножество, состоящее из всех функций, за исключением тех, которые связаны с действиями. Это подмножество было названо «No_activities».

    Из этого набора функций без действий мы построили три подмножества. Первый состоял только из средних дневных значений и их стандартных отклонений (называемых «No_activities_avg_and_std_dev»). Второй состоял из персонализированных значений пациента (называемых «No_activities_personalized»), а третий подмножество состоял только из функций, которые описывают изменения между дневными значениями (так называемые «No_activities_changes»).Мы разделили эти подмножества, потому что они содержат схожую информацию, поэтому они в некоторой степени избыточны.

    Многие функции (не только связанные с действиями) имели много пропущенных значений. На рис. 4 показаны функции, отсортированные по проценту пропущенных значений. В последние два поднабора мы включили только функции без слишком большого количества пропущенных значений, потому что функции с большим количеством пропущенных значений могут добавить шум в прогнозы. Чтобы выбрать процент допустимых пропущенных значений, мы изучили рис. 4 и обнаружили на графике два «изгиба», которые можно выбрать в качестве пороговых значений.Таким образом, подмножество включало все функции, для которых отсутствовало менее 17% значений. Второе подмножество включало только функции, для которых пропущено менее 27% значений. Эти подмножества функций называются «No_sparse_features_0.17» и «No_sparse_features_0.27».

    Импутация

    После того, как мы определили подмножества, мы выполнили вменение, чтобы заполнить недостающие данные. Мы попробовали три различных метода вменения: k-ближайших соседей (kNN), множественное вменение по цепным уравнениям (MICE) и разложение по сингулярным значениям (SVD).Вменение с помощью kNN [22] вычисляет недостающие значения признаков, находя k экземпляров, наиболее похожих на рассматриваемый. Сходство рассчитывается по другим признакам как сумма всех различий между рассматриваемыми экземплярами и другими. Пропущенное значение рассчитывается как среднее значение k ближайших соседей.

    Метод вменения

    MICE [23] сначала заполняет пропущенные значения средними значениями каждого признака, но сохраняет эти значения отмеченными. Затем для каждого отмеченного значения метод создает регрессионную модель для вменения этого значения из других характеристик.После того, как пропущенное значение таким образом вменено, оно используется в регрессионной модели для вменения других пропущенных значений. После того, как все отмеченные значения введены, процесс повторяется несколько раз. Идея состоит в том, что на каждой итерации регрессионные модели становятся лучше, а вмененные значения точнее. При вменении SVD мы использовали устоявшийся подход, часто применяемый к данным об экспрессии генов [24]. Мы преобразовываем матрицу A, содержащую наш набор данных, в набор взаимно ортогональных шаблонов выражения, которые можно линейно комбинировать для аппроксимации выражения всех функций в наборе данных, как показано в следующем уравнении.Эти паттерны далее называются собственными генами.

    Матрица V T теперь содержит собственные гены, чей вклад в выражение в собственном подпространстве количественно оценивается соответствующими собственными значениями на диагонали матрицы Σ. Затем мы идентифицируем наиболее значимые собственные гены путем сортировки собственных генов на основе их соответствующих собственных значений. После выбора k наиболее значимых собственных генов из V T , мы оцениваем недостающее значение j в гене i , сначала регрессируя этот ген по сравнению с собственными генами k , а затем используя коэффициенты регрессии для восстановления j из линейной комбинации собственных генов k .J-е значение гена i и j-е значения собственных генов k не используются при определении этих коэффициентов регрессии. Следует отметить, что SVD может выполняться только на полных матрицах; поэтому мы изначально подставляем среднее значение по строке для всех пропущенных значений в матрице A , получая A ’. Затем мы используем метод максимизации ожидания для получения окончательной оценки следующим образом. Каждое пропущенное значение в A ’ оценивается с использованием вышеуказанного алгоритма, а затем процедура повторяется для вновь полученной матрицы до тех пор, пока общее изменение в матрице не упадет ниже эмпирически определенного порога 0.01.

    Для каждого подмножества мы сравнили результаты с этими тремя методами вменения и без вменения. На основе сравнения мы выбрали наиболее подходящий метод вменения или решили не использовать вменение, если оно не принесло каких-либо улучшений.

    Определения классов

    Пациенты, участвовавшие в этом исследовании, отметили, как они себя чувствовали в отношении своего здоровья по сравнению с предыдущим днем. В таблице 1 показана частота этикеток, предоставляемых пациентами.

    Если бы каждое из пяти различных ощущений здоровья соответствовало одному классу, различия между ними были бы слишком малы, чтобы их можно было хорошо различить между всеми классами. Поэтому мы решили для интеллектуального анализа данных использовать только два класса, соответствующие хорошему и плохому самочувствию. Наша первая цель состояла в том, чтобы определить два класса таким образом, чтобы разница между ними была бы большой, чтобы модели, построенные с помощью интеллектуального анализа данных, были как можно более четкими. Поскольку мы хотели узнать причины, по которым пациенты чувствуют себя лучше или хуже, случаи, когда пациенты чувствовали себя так же, как вчера, были не интересны, и мы не включали их в анализ данных.Согласно всем определениям классов, случаи, когда пациенты чувствовали себя намного хуже или намного лучше, были отнесены к плохому или хорошему классу, потому что, если пациент выбирал такой сильный ярлык, несомненно, происходило реальное изменение в их чувствах. Пациенту иногда трудно отличить чувство хуже или лучше, чем вчера. Ярлыки пациентов субъективны и, вероятно, непоследовательны, поэтому различные определения классов сосредоточены на случаях ухудшения (2) и улучшения (4).В таблице 2 показаны девять различных определений классов, используемых для задач интеллектуального анализа данных. Для каждого определения класса существует разное количество экземпляров, соответствующих определению. Мы видим, что у нас есть только 70 случаев, когда пациент оценивал свои ощущения как «намного хуже» или «намного лучше». Другие определения также включают случаи, когда пациент чувствовал себя хуже или лучше, чтобы получить больший набор данных, чтобы иметь возможность обучать лучшие модели прогнозирования.

    Все определения классов использовались в интеллектуальном анализе данных, хотя на последних этапах использовалось только то, которое позволяло лучше всего различать два класса.

    Алгоритмы интеллектуального анализа данных

    Для задач интеллектуального анализа данных мы использовали несколько алгоритмов машинного обучения из пакета Weka [25]. Выбор алгоритмов был основан на предыдущей статье по той же теме [18]. В этой статье мы показали, что случайный лес (RF) [26], Naïve Bayes (NB) [27], дерево решений (DT) [28] и последовательная минимальная оптимизация (SMO) [29] получили наилучшую точность классификации. Из этих четырех алгоритмов DT и NB создают понятные классификаторы, в то время как RF и SMO ​​обычно отличаются точностью.

    DT — это непараметрический метод обучения с учителем, используемый для классификации и регрессии. Он генерирует древовидный классификатор, где листья представляют метки классов, а ветви представляют собой соединения функций, которые ведут к этим меткам классов. Пути от корня к листу представляют собой правила классификации. Цель состоит в том, чтобы создать классификатор, который предсказывает значение целевой переменной, изучая простые правила принятия решений, выведенные из характеристик данных. Поскольку DT представляет собой модель белого ящика, в которой известны аргументы, лежащие в основе прогнозирования, ее часто используют в качестве визуального и аналитического инструмента поддержки принятия решений.

    NB — простой вероятностный классификатор, основанный на применении теоремы Байеса с сильными (наивными) предположениями о независимости между признаками. NB классификатор присваивает метки классов экземплярам проблем, представленных в виде векторов значений признаков, где метки классов взяты из некоторого конечного набора. Классификатор NB считает, что каждая из этих функций независимо влияет на вероятность принадлежности экземпляра к определенному классу.

    RF работает путем построения множества DT во время обучения, и выходной класс представляет большинство классов отдельных деревьев.RF с добавлением случайности, корректирующей привычку деревьев решений к переобучению их обучающей выборке.

    SMO используется для обучения классификатора опорных векторов (SVM) с решением задачи квадратичного программирования (QP), которая возникает во время обучения SVM. Классификатор SVM представляет собой представление примеров в виде точек в пространстве, отображаемых таким образом, чтобы примеры отдельных классов разделялись четким промежутком, который является как можно более широким. Затем новые примеры отображаются в том же пространстве и предсказываются как принадлежащие к классу в зависимости от того, на какую сторону пропасти они попадают.

    Для оценки качества полученных результатов мы также применили мажоритарный классификатор, который относит все экземпляры к мажоритарному классу. Этот классификатор служит базой, которую должен превышать разумный классификатор. Все алгоритмы были запущены со значениями параметров Weka по умолчанию.

    Экспериментальная установка

    Для 9 различных подмножеств признаков, для определения 9 классов, для 4 алгоритмов интеллектуального анализа данных и 4 методов вменения мы вычислили точность классификации (CA).Это было сделано с помощью 10-кратной перекрестной проверки, и для минимизации эффекта выбора конкретного разделения данных на 10 кратных (подмножеств) перекрестная проверка была повторена 30 раз со случайно выбранными разбиениями, а CA рассчитывался как среднее значение по всем повторениям.

    Поскольку существует 1296 комбинаций алгоритмов интеллектуального анализа данных, подмножеств признаков, методов вменения и определений классов, мы не смогли эффективно представить результаты для всех возможных комбинаций. Итак, мы решили сначала рассчитать точность для всех комбинаций.После этого мы оценили каждый аспект по очереди: какой алгоритм интеллектуального анализа данных работает лучше всего, требуется ли вменение и как сравниваются подмножества признаков и определения классов.

    Наконец, мы построили классификаторы дерева решений и изучили отношения в этих классификаторах через призму экспертных знаний о CHF. Мы обозначили отношения как (i) правильные, (ii) неправильные, (iii) новые, (iv) несвязанные или (v) неизвестные, что основывалось на стандартных медицинских знаниях [10, 30–37]. Новые отношения могут предложить новое понимание того, как улучшить PRO у пациентов с ХСН.

    Результаты

    Мы начали анализ нашего набора данных со сравнения различных подмножеств функций с различными алгоритмами интеллектуального анализа данных. Результатом является большая таблица (представленная в таблице S1), представляющая среднюю точность классификации по всем определениям классов для каждого из четырех выбранных алгоритмов интеллектуального анализа данных и каждого из 36 подмножеств, включая подмножества, полученные с помощью вменения. Лучший результат был получен с RF на No_sparse_features_0 . 17_kNN подмножество.Кроме того, мы вычислили средний CA для каждого алгоритма интеллектуального анализа данных по всем подмножествам. Результаты представлены в таблице 3, жирным шрифтом выделена максимальная точность.

    Мы видим, что RF работает лучше всего, и что DT явно занимает второе место, будучи моделью белого ящика, которая позволяет нам понять его прогнозы. Мы провели статистические тесты, чтобы определить, являются ли RF и DT статистически значимо лучше, чем NB и SMO. Для сравнений мы использовали знаковый ранжированный тест Уилкоксона [38], который считается наиболее подходящим выбором при сравнении двух или более классификаторов по нескольким подмножествам данных, поскольку предполагает некоторую, но ограниченную соизмеримость, а также более безопасен, чем параметрические тесты, поскольку выполняет не предполагать нормального распределения или однородности дисперсии [19, 39].Таким образом, его можно применять для оценки точности классификации (как в нашем случае), коэффициента ошибок или любого другого показателя для оценки классификаторов. Эмпирические результаты показывают, что он также сильнее, чем другие тесты, особенно при сравнении пары классификаторов. Мы попарно сравнивали RF с NB и SMO ​​и DT с NB и SMO ​​по всем 36 подмножествам. Результаты (представленные в таблице S1) показывают, что и RF, и DT статистически значимо лучше, чем NB и SMO ​​по всем подмножествам данных. Итак, для дальнейших расчетов мы решили, что будем использовать только RF и DT.Кроме того, мы также статистически сравнили RF и DT, и результаты, полученные RF, оказались статистически значимо лучше.

    Затем мы хотели определить, помогает ли вменение CA или нет. Итак, мы сравнили подмножества признаков без вменения с подмножествами признаков, полученными с помощью трех различных методов вменения. CA для каждого метода вменения для каждого подмножества признаков представлен в таблицах S2 – S5. CA, усредненный по всем девяти подмножествам для каждого метода вменения для RF и DT, представлен в таблице 4.Жирным шрифтом выделена максимальная точность для каждого алгоритма интеллектуального анализа данных.

    Мы видим, что наилучшее среднее значение CA получается без использования вменения. Наиболее вероятная причина — большое количество недостающих данных. Из-за отсутствия данных вменения неточны и, таким образом, добавляют дополнительный шум к данным. Но, тем не менее, подмножество, получившее лучший CA по всем определениям классов и алгоритмам интеллектуального анализа данных, — это No_sparse_features_0 . 17_kNN , получено с вменением kNN.Это единственное подмножество, в котором вменение улучшает результаты, скорее всего, потому, что все признаки со многими пропущенными значениями удалены. Поскольку наилучшее подмножество получается с вменением kNN, но в противном случае использование вменения ухудшает результаты, мы решили, что для дальнейших вычислений мы будем использовать девять подмножеств без вменения и дополнительно подмножество, полученное с помощью вменения kNN на подмножестве признаков Нет_спарс_функции_0 . 17 . CA для каждого из оставшихся подмножеств для RF и DT представлен в таблице 5.Жирным шрифтом выделена максимальная точность для каждого алгоритма интеллектуального анализа данных.

    Как указывалось ранее, мы видим, что файл No_sparse_features_0 . 17_kNN Подмножество дает наилучшие результаты как с RF, так и с DT. CA для различных определений классов для этого подмножества представлены в таблице 6. Наивысшая точность для каждого алгоритма интеллектуального анализа данных выделена жирным шрифтом.

    Средние CA в таблице 6 довольно близки друг к другу, что показывает, что тщательно выбранные определения классов не являются причиной хороших результатов.Согласно всем определениям, случаи, когда пациенты чувствовали себя намного хуже (значение 1), чем в предыдущий день, были включены в плохой класс, а случаи, когда пациенты чувствовали себя намного лучше (значение 5), в хороший класс. Мы видим, что точность является самой низкой, когда все случаи, когда пациенты чувствовали себя хуже (2) или лучше (4) в течение всего одного дня, были включены дополнительно ( Class 1 , 2 против . 4 , 5 ). Умеренно высокие CA были достигнуты, когда были включены случаи, когда пациенты чувствовали себя хуже или лучше в течение двух из последних двух-пяти дней ( Class 1 , 2 x (2/3) vs . 4 х (2/3) , 5; Класс 1 , 2 x (2/4) по сравнению с . 4 х (2/4) , 5; Класс 1 , 2 x (2/5) по сравнению с . 4 х (2/5) , 5; Класс 1 , 2 x 2 против . 4 х 2 , 5 ). Такие случаи представляли более заметное ухудшение или улучшение здоровья, и поэтому их было легче различить. Результаты были аналогичными, когда не было включено ни одного случая, когда пациенты чувствовали себя хуже или лучше ( класс 1 против . 5 ). Эти экземпляры было легче всего различить, но их было относительно немного, поэтому набор данных был слишком мал. Наилучшие CA были достигнуты, когда были включены случаи, когда пациенты чувствовали себя хуже или лучше в течение трех из последних трех-пяти дней ( класс 1, , 2 x (3/4) против . 4 x (3 / 4) , 5; класс 1 , 2 x (3/5) против . 4 x (3/5) , 5; класс 1 , 2 x 3 против 4 x 3 , 5 ), из которых определение класса Class 1 , 2 x (3/4) против . 4 x (3/4) , 5 лучше всего различают пациентов, которые плохо и хорошо себя чувствуют. Для этого определения класса на No_sparse_features_0 . 17_kNN subset a рассчитанная кривая ROC [40] для RF, представленная на рис. 5. AUC [41] составляет 0,835. Для сравнения мы также рассчитали кривую ROC для DT (рис. 5). AUC для DT составляет 0,674.

    Поскольку все определения классов исключают PRO ощущения того же самого, что и вчера (3), мы проверили, действительно ли примеры в хороших и плохих классах отличаются от случаев, когда пациенты чувствовали то же самое, что и вчера.Мы использовали лучшее подмножество No_sparse_features_0 . 17_kNN , и сначала стандартизировал характеристики (вычитали среднее значение и делили на стандартное отклонение). Для каждой пары случаев, когда пациенты чувствовали себя так же, как вчера, мы вычисляли среднюю разницу между всеми характеристиками — это обеспечивало меру вариации между днями, когда они чувствовали себя так же, как вчера. Наконец, мы проделали то же самое для каждой пары экземпляров, где один экземпляр соответствовал ощущению того же, что и вчера, а другой относился к классу хороший или плохой в соответствии с определением наилучшего класса 1 , 2 x (3/4) против . 4 x (3/4) , 5 — это дает меру разницы между днями, когда вы чувствуете себя так же, как вчера, и днями, когда вы чувствуете себя хорошо или плохо. На рис. 6. представлены плотности вероятности этих различий, показывающие, что разница между днями, когда ощущения такие же, как вчера, меньше, чем разница между днями, когда ощущения такие же, как вчера, и днями, когда чувствуешь себя так же, как вчера. Функции взяты из подмножества No_sparse_features_0 . 17_kNN , а класс определен как 1 , 2 x (3/4) vs . 4 х (3/4) , 5 . Различия разделены на 10 интервалов, и количество интервалов нормализовано так, чтобы площадь под гистограммой для каждой разницы составляла 1.

    Установив, насколько высокой точности СА, позволяющей различать плохое и хорошее самочувствие пациентов с ХСН, можно путем анализа наших данных, мы изучили деревья решений, чтобы понять, какие особенности влияют на ощущение здоровья. Мы представляем здесь два дерева, а остальные находятся в S1 – S10 (рис. Деревья представлены для определения класса Class 1 , 2 x (3/4) vs . 4 х (3/4) , 5 . На рис. 7 представлено дерево решений, полученное на No_sparse_features_0 . 17_kNN Подмножество , которое дало лучший CA 86%, а на рис. 8 показано дерево решений, полученное на подмножестве функций Expert_selectio n с CA 83%.

    Все полученные классификаторы дерева решений (не только те, что представлены на рисунках 4 и 5) были систематически проанализированы, чтобы увидеть, насколько они соответствуют текущим медицинским знаниям и содержат ли они новые знания.В таблице 7 представлены отношения, которые встречаются в десяти классификаторах более одного раза (список всех отношений представлен в таблице S6). В основном они изучались качественно, что означает, что мы рассматривали, должно ли высокое или низкое значение каждого параметра быть связано с хорошими или плохими чувствами. Точные пороговые значения были сочтены менее важными, поскольку они сильно зависят от пациентов и их окружающей среды (например, мы можем ожидать различную влажность и реакцию пациентов на них в наших итальянских и британских данных по сравнению с опубликованными данными из Гонконга. Австралии [42, 43]).Большинство узлов дерева рассматривались изолированно, что означает, что мы изучали параметр в каждом узле и распределение классов в поддеревьях, коренящихся в потомках этого узла. В некоторых случаях, однако, также учитывались отношения с указанными выше узлами — при этом мы использовали экспертную оценку. В таблице приведены ссылки, подтверждающие связи, когда мы могли их найти, а дальнейшая интерпретация представлена ​​в разделе «Обсуждение».

    Обсуждение

    Первым важным выводом этой статьи является то, что объективные параметры дистанционного мониторинга могут предсказать субъективное ощущение здоровья.Насколько нам известно, этот результат является первым, который связывает объективные параметры с PRO и, таким образом, дает возможность использовать PRO в качестве основных конечных точек в будущих испытаниях. Наивысшая точность, достигнутая с помощью машинного обучения, составила более 86%, а AUC составила 0,79 (что было получено RF, см. Таблицу 6, Рис. 3). Это сопоставимо с величиной AUC 0,82 из связанной работы [14], полученной для прогнозирования госпитализаций, что, по-видимому, является более легкой проблемой, поскольку госпитализации обычно предшествуют более выраженные физиологические изменения.Хотя два существенно разных эксперимента нельзя сравнивать напрямую, мы все же можем предположить, что равенство результатов связано с более широким набором функций, обеспечиваемых носимыми устройствами в нашем случае.

    Наивысшая точность предсказания ощущения здоровья была достигнута за счет тщательного определения класса (что означает чувствовать себя плохо или хорошо). Однако точность всех рассмотренных определений классов была выше 79%, за одним исключением. Это показывает, что параметры дистанционного мониторинга могут прогнозировать ощущение здоровья в относительно широком диапазоне условий, подтверждая обоснованность этого открытия.Исключением было определение, которое требовало самого слабого выражения плохого или хорошего самочувствия, которое показывает, что либо субъективный опыт пациентов более чувствителен, чем то, что интеллектуальные компьютерные методы могут извлечь из параметров дистанционного мониторинга, что пациенты не могут с высокой степенью достоверности отличить плохое самочувствие или хороши по причинам, связанным со здоровьем, по сравнению с другими причинами, или что есть просто некоторые несоответствия и предубеждения в PRO.

    Другие важные выводы статьи касаются отношений в DT, которые дают представление о том, какие особенности заставляют пациентов с ХСН чувствовать себя плохо или хорошо.Точность DT, по общему признанию, ниже, чем RF, поэтому RF следует использовать, когда цель состоит в том, чтобы просто предсказать ощущение здоровья, но для анализа отношений DT наиболее подходят, поскольку они понятны и всего на 2,29 процентных пункта меньше. точнее, чем в среднем RF. Наиболее часто встречающаяся связь в наших DT касается влажности окружающей среды: когда она высокая или повышается, пациенты чувствуют себя плохо, а иногда, когда она низкая (ниже 39%), они также плохо себя чувствуют. Высокая (и низкая) влажность, как известно [42, 43] (хотя и не является широко распространенным), является проблемой для пациентов с ХСН, поэтому эти два отношения, с одной стороны, разумны, а с другой стороны, следует проспективно исследовать влажность окружающей среды среди пациентов с ХСН. пациенты.

    Очень заметной взаимосвязью является также то, что пациенты с массой тела от 86,2 до 87 кг чувствуют себя хорошо. Поскольку в исследование было включено относительно небольшое количество пациентов, один пациент мог исказить результаты. Пациент 56 (см. Рис. 2) был таким случаем — он / она отмечал, что самочувствие хорошее гораздо чаще, чем другие пациенты, и в то же время был тяжелее других. Положительное изменение веса связано с плохим самочувствием, что вполне ожидаемо, поскольку оно означает задержку жидкости — частую проблему у пациентов с ХСН [32].

    Отношения, касающиеся систолического АД, противоречивы, но высокое (выше 120 мм рт. Ст.) Или повышение АД чаще связано с плохим самочувствием, что необычно, поскольку низкое АД чаще является проблемой при ХСН, чем высокое [44]. Однако в этих необычных случаях отношение АД отделяет 2–4 случая хорошего самочувствия от гораздо большего числа случаев плохого самочувствия, поэтому они, вероятно, случайны (один из примеров представлен на рис. 4). Противоположная зависимость, которая ожидается у пациентов с ХСН, показана на рис.5.В правой части дерева решений указано, что систолическое АД выше 127 мм рт. Ст. Приводит к хорошему самочувствию, что разумно, поскольку 127 мм рт. Систолическое АД ниже 127 мм рт. Ст. — пока диастолическое АД ниже 79 мм рт. Ст. — тоже хорошо, в то время как близкое систолическое и диастолическое давление, что указывает на плохую функцию сердца у пациентов с ХСН, приводит к плохому самочувствию [45].

    Коэффициент влажности — это соотношение между влажностью кожи и окружающей средой, поэтому он указывает на потоотделение с поправкой на влажность окружающей среды.Поскольку исследование проводилось в холодное время года, потоотделение, вероятно, не связано с высокими температурами окружающей среды. Таким образом, это может быть объяснено как проблема с симпатической нервной системой и, как таковая, заслуживает дальнейшего изучения [46, 47].

    Высокая и повышающаяся температура окружающей среды способствует хорошему самочувствию. Это можно объяснить тем, что пациенты с ХСН чувствуют холод в конечностях из-за плохого кровообращения [48], а в литературе также сообщается об увеличении госпитализаций и смертности в холодную погоду [32].Холодные конечности также связаны с чрезмерной активацией симпатической нервной системы [46, 47]. Влияние температуры окружающей среды не часто изучается у пациентов с ХСН, поэтому это открытие интересно и может заслужить дальнейшего изучения.

    Наши деревья решений предполагают, что большая или увеличивающаяся продолжительность интервала QRS приводит к хорошему самочувствию, что трудно интерпретировать. Было показано, что удлинение QRS означает худшие исходы у пациентов с ХСН [49], что, по-видимому, противоречит нашим выводам. Однако, в отличие от литературы, посвященной удлинению QRS, мы изучали краткосрочные изменения продолжительности интервала QRS, которые могут быть связаны с фрагментацией QRS [50], ошибочным анализом ЭКГ с помощью алгоритма Falcon или каким-либо другим явлением.В этой области необходимы дополнительные исследования, чтобы прояснить связь между продолжительностью QRS, связанной с фрагментацией QRS или нет, и PRO.

    У нас противоречивые отношения относительно SpO2, но высокий SpO2, приводящий к хорошему самочувствию (как и ожидалось [51]), встречается значительно чаще, чем наоборот. Таким образом, связь низкого SpO2, ведущего к хорошему самочувствию, вероятно, является ложной — пациенты чувствовали себя хорошо по причинам, не связанным с SpO2.

    На рис. 7 также интересно, что высокое стандартное отклонение частоты сердечных сокращений — это хорошо, что может свидетельствовать о том, что сердце может адаптироваться к требованиям деятельности пользователей.Это похоже на открытие, что большой диапазон частоты сердечных сокращений приводит к меньшему количеству госпитализаций и смертности [52]. Отношение появляется только в этом дереве решений, поэтому оно не включено в Таблицу 7.

    Наконец, существует связь, которая интересна своим отсутствием: низкая частота сердечных сокращений обычно считается показателем хороших результатов при ЗСН, но не присутствует ни в одном дереве решений. Средняя частота пульса среди случаев хорошего самочувствия [53, 54] на самом деле существенно ниже, чем у плохого (68 vs.74 удара в минуту), но алгоритм машинного обучения все же нашел другие взаимосвязи для создания более точных деревьев решений.

    Заключение

    В данной статье представлены результаты анализа данных, собранных в ходе дистанционного мониторинга пациентов с ХСН. В исследование были включены 24 пациента, которые использовали различные носимые и другие сенсорные устройства, и предоставили информацию о том, как они себя чувствовали каждый день. Такие PROs все чаще рассматриваются как решающие для лечения ХСН и других неизлечимых заболеваний, где качество жизни является важной целью, не зависящей от «тяжелых» исходов, таких как смертность и госпитализации.Мы создали большое количество функций на основе параметров, отслеживаемых дистанционно, и построили классификаторы, которые предсказывают, как себя чувствуют пациенты. С этой целью мы систематически анализировали различные алгоритмы интеллектуального анализа данных, методы вменения признаков, подмножества признаков и определения класса для прогнозирования. Мы достигли точности прогнозов до 86% и AUC до 0,83, демонстрируя, что параметры дистанционного мониторинга содержат ценную информацию о качестве жизни пациента, связанном со здоровьем.

    Мы также изучили отношения, содержащиеся в классификаторах дерева решений, чтобы понять влияние параметров дистанционного мониторинга на качество жизни.Мы обнаружили несколько взаимосвязей, которые согласуются с современными медицинскими знаниями: систолическое АД выше 127 мм рт. Это можно рассматривать как подтверждение достоверности наших данных и подхода к интеллектуальному анализу данных. Мы также обнаружили некоторые взаимосвязи, которые известны, но не так хорошо установлены: высокая (и низкая) влажность окружающей среды, низкая температура и потоотделение приводят к плохому самочувствию. Эти результаты могут способствовать лучшему лечению ЗСН в будущем, поскольку, по крайней мере, влажность и температуру нетрудно отслеживать и контролировать.Некоторые соотношения в классификаторах не соответствуют современным медицинским знаниям, что, скорее всего, связано с недостаточностью данных.

    Несмотря на то, что размер исследования телемониторинга Chiron с точки зрения количества пациентов невелик, уровень детализации очень высок из-за большого количества отслеживаемых параметров, включая непрерывную ЭКГ, а также дополнительных параметров, извлекаемых с помощью расширенной ЭКГ и активности. анализ. По этой причине мы решили использовать исследовательский подход к анализу собранных данных с использованием методов интеллектуального анализа данных.Такой подход может предоставить более широкий спектр идей, чем более традиционные статистические подходы, хотя и с меньшими гарантиями значимости. Результаты, представленные в этой статье, послужат вкладом в другое — более обширное — исследование пациентов с ХСН, запланированное в рамках текущего проекта HeartMan.

    Прогностические модели, представленные в этой статье, интересны не только для понимания взаимосвязи между параметрами телемониторинга и качеством жизни, но и в качестве основы для интеллектуальной системы, которая может дать советы о том, как улучшить качество обслуживания пациентов с ХСН. жизнь.Для этого нам сначала необходимо определить параметры, которые могут быть изменены пациентами (например, температура, влажность и параметры, связанные с упражнениями). После этого мы могли бы использовать вычислительные методы для определения значений параметров, которые, как ожидается, приведут к улучшению самочувствия, и посоветовать пациентам соответствующим образом изменить соответствующие параметры. Это предмет наших постоянных исследований.

    Благодарности

    Консорциум проекта HeartMan, который частично финансировал это исследование, состоит из Института Йожефа Стефана, Университета Сапиенца, Университета Гента, Национального исследовательского совета, ATOS Spain SA, SenLab, KU Leuven, MEGA Electronics Ltd и European Heart Network.Мы особенно благодарим Альошу Водопию, Джона М. Моргана, Ника Курзена, Джорджа Кулаузидиса, Мишель Скиарити, Кончетту Торромео, а также других, кто помогал в написании этой статьи.

    Список литературы

    1. 1.
      Кук С., Коул Дж., Асария П., Джаббур Р., Фрэнсис Д.П. Ежегодное глобальное экономическое бремя сердечной недостаточности. Международный кардиологический журнал. 2014. 171 (3): 368–76. pmid: 24398230
    2. 2.
      Баши Н., Карунанити М., Фатехи Ф., Динг Х., Уолтерс Д. Удаленное наблюдение за пациентами с сердечной недостаточностью: обзор систематических обзоров.Журнал медицинских интернет-исследований. 2017; 19 (1).
    3. 3.
      Котб А., Кэмерон С., Хсие С., Уэллс Г. Сравнительная эффективность различных форм телемедицины для людей с сердечной недостаточностью (СН): систематический обзор и сетевой метаанализ. ПлоС один. 2015; 10 (2).
    4. 4.
      Соуза К., Лейте С., Лагидо Р., Феррейра Л., Сильва ‐ Кардосо Дж., Масиэль М.Дж. Дистанционный мониторинг сердечной недостаточности: современный обзор. Revista Portuguesa de Cardiologia (английское издание). 2014; 33 (4): 229–39.
    5. 5.
      Ледвидж М.Т., О’ханлон Р., Лалор Л., Траверс Б., Эдвардс Н., Келли Д. и др. Может ли индивидуальный мониторинг веса с использованием алгоритма HeartPhone улучшить чувствительность клинических проявлений сердечной недостаточности? Европейский журнал сердечной недостаточности. 2013. 15 (4): 447–55. pmid: 23204211
    6. 6.
      Министерство здравоохранения и социальных служб США Центр оценки и исследований лекарственных средств FDA, Центр оценки и исследований биологических препаратов Министерства здравоохранения и социальных служб США и Центр устройств и радиологического здоровья Министерства здравоохранения и социальных служб США.(2006). Руководство для отрасли: показатели результатов, сообщаемые пациентами: использование при разработке медицинских продуктов для подтверждения заявлений на этикетке: проект руководства. Здоровье и качество жизни, 4, 1–20.
    7. 7.
      Анкер С.Д., Эгволл С., Борггрефе М., Калверт М., Хайме Каро Дж., Коуи М.Р. и др. Важность результатов, сообщаемых пациентами: призыв к их комплексной интеграции в клинические исследования сердечно-сосудистой системы. Европейский сердечный журнал. 2014; 35 (30): 2001–9. pmid: 24

      7

    8. 8.
      Организация WH.Доклад о состоянии здравоохранения в мире, 2002 г.: снижение рисков, содействие здоровому образу жизни: Всемирная организация здравоохранения; 2002.
    9. 9.
      Ezzati M, Vander Hoorn S, Lopez AD, Danaei G, Rodgers A, Mathers CD и др. Сравнительная количественная оценка смертности и бремени болезней, связанных с выбранными факторами риска. Глобальное бремя болезней и факторы риска. 2006; 2: 241–396.
    10. 10.
      Puddu PE, D’Ambrosi A, Scarparo P, Centaro E, Torromeo C, Schiariti M и др. Взгляд клинициста на систему удаленного здравоохранения следующего поколения.Проектирование систем удаленного здравоохранения: Springer; 2014. с. 1–30.
    11. 11.
      Gnanasakthy A, Mordin M, Clark M, DeMuro C, Fehnel S, Copley-Merriman C. Обзор меток результатов, сообщаемых пациентами в США: 2006–2010 годы. Ценность для здоровья. 2012; 15 (3): 437–42. pmid: 22583453
    12. 12.
      Грэди К.Л., Стивенсон Л.В., Пагани Ф.Д., Тойтеберг Дж., Памбукян С.В., Биркс Э. и др. Помимо выживания: Рекомендации INTERMACS по оценке функции и качества жизни с механической поддержкой кровообращения.Эльзевир; 2012.
    13. 13.
      Триполити Э. Э., Пападопулос Т. Г., Каранасиу Г. С., Нака К. К., Фотиадис Д. И.. Сердечная недостаточность: диагностика, оценка степени тяжести и прогнозирование нежелательных явлений с помощью методов машинного обучения. Журнал вычислительной и структурной биотехнологии. 2017; 15: 26–47. pmid: 27942354
    14. 14.
      Кулаузидис Г., Яковидис Д., Кларк А. Телемониторинг позволяет заранее прогнозировать случаи сердечной недостаточности. Международный кардиологический журнал. 2016; 216: 78–84. pmid: 27140340
    15. 15.Канг Й., Макхью, доктор медицины, Читтамс Дж., Боулз К.Х. Использование электронных медицинских карт на дому для пациентов с сердечной недостаточностью на дому: подход дерева решений для выявления ассоциаций с повторными госпитализациями. Компьютеры, информатика, медицинское обслуживание: КИН. 2016; 34 (4): 175. pmid: 26848645
    16. 16.
      Фишер Р., Смайлагич А., Симмонс Р., Мизобе К., редакторы. Использование латентной переменной авторегрессии для мониторинга здоровья людей с застойной сердечной недостаточностью. Машинное обучение и приложения (ICMLA), 15-я Международная конференция IEEE, 2016 г. 2016: IEEE.
    17. 17.
      Pecchia L, Melillo P, Bracale M. Удаленный мониторинг сердечной недостаточности с интеллектуальным анализом данных с помощью метода CART по характеристикам ВСР. IEEE Transactions по биомедицинской инженерии. 2011. 58 (3): 800–4. pmid: 21078568
    18. 18.
      Луштрек М., Цветкович Б., Бордоне М., Суда Э., Каверо С., Родригес Дж. М. и др., Редакторы. Поддержка клинических специалистов в принятии решений для пациентов с хроническими заболеваниями. Proc 15th Int Multiconf Inf Soc; 2012.
    19. 19.
      Луштрек М., Цветкович Б., Козина С., редакторы.Оценка расхода энергии с помощью носимых акселерометров. Схемы и системы (ISCAS), Международный симпозиум IEEE 2012 по; 2012: IEEE.
    20. 20.
      Sun Y, Wu D, редакторы. Алгоритм выделения признаков на основе рельефа. Материалы Международной конференции SIAM 2008 года по интеллектуальному анализу данных; 2008: СИАМ.
    21. 21.
      Зал МА. Выбор функций на основе корреляции для машинного обучения. 1999.
    22. 22.
      Акуна Э., Родригес С. Обработка пропущенных значений и ее влияние на точность классификатора.Приложения для классификации, кластеризации и интеллектуального анализа данных. 2004: 639–47.
    23. 23.
      Buuren S, Groothuis-Oudshoorn K. Мыши: многомерное вменение посредством связанных уравнений в R. Journal статистического программного обеспечения. 2011; 45 (3).
    24. 24.
      Троянская О., Кантор М., Шерлок Дж., Браун П., Хасти Т., Тибширани Р. и др. Методы оценки недостающих значений для ДНК-микрочипов. Биоинформатика. 2001. 17 (6): 520–5. pmid: 11395428
    25. 25.
      Холл М., Фрэнк Э., Холмс Г., Пфарингер Б., Ройтеманн П., Виттен И.Программное обеспечение интеллектуального анализа данных WEKA: обновление. Информационный бюллетень по исследованиям ACM SIGKDD. 2009. 11 (1): 10–8.
    26. 26.
      Лиау А., Винер М. Классификация и регрессия методом randomForest. Новости R. 2002. 2 (3): 18–22.
    27. 27.
      Риш I, редактор Эмпирическое исследование наивного байесовского классификатора. Семинар IJCAI 2001 по эмпирическим методам в искусственном интеллекте; 2001: IBM.
    28. 28.
      Фридл М.А., Бродли К.Э. Древовидная классификация земного покрова на основе данных дистанционного зондирования.Дистанционное зондирование окружающей среды. 1997. 61 (3): 399–409.
    29. 29.
      Платт Дж. Последовательная минимальная оптимизация: быстрый алгоритм для обучения опорных векторных машин. 1998.
    30. 30.
      Доннелли М., Паггетти С., Ньюджент С., Мохтари М. Анализ воздействия решений для профилактики и лечения хронических заболеваний: 10-я Международная конференция по умным домам и телематике здравоохранения, ICOST 2012, Артимино, Тоскана, Италия, 12–15 июня, Труды: Springer ; 2012.
    31. 31.Bonfiglio S, редактор Fostering a Continuum of Care. ICOST; 2012: Springer.
    32. 32.
      Puddu PE, Morgan JM, Torromeo C, Curzen N, Schiariti M, Bonfiglio S, редакторы. Клиническое обсервационное исследование в проекте CHIRON: обоснование и ожидаемые результаты. Международная конференция по умным домам и телематике здоровья; 2012: Springer.
    33. 33.
      Луштрек М., Сомрак М. Данные дистанционного телемониторинга пациентов с застойной сердечной недостаточностью.
    34. 34.
      Puddu PE, Menotti A.Искусственная нейронная сеть в сравнении с множественной логистической функцией для прогнозирования 25-летней смертности от ишемической болезни сердца в исследовании семи стран. Европейский журнал сердечно-сосудистой профилактики и реабилитации. 2009. 16 (5): 583–91.
    35. 35.
      Puddu PE, Menotti A. Искусственные нейронные сети в сравнении с пропорциональными опасностями Модели Кокса для прогнозирования 45-летней смертности от всех причин в итальянских сельских районах семи стран. Методология медицинских исследований BMC. 2012; 12 (1): 100.
    36. 36.Пирас П., Терези Л., Габриэле С., Евангелиста А., Эспозито Г., Варано В. и др., Редакторы. Систо-диастолический анализ формы ЛЖ с помощью геометрической морфометрии и параллельного переноса в значительной степени дискриминирует инфаркт миокарда. Международный семинар по статистическим атласам и вычислительным моделям сердца; 2015: Springer.
    37. 37.
      Мазоменос Е.Б., Бисвас Д., Ачарья А., Чен Т., Махаратна К., Розенгартен Дж. И др. Алгоритм извлечения признаков ЭКГ невысокой сложности для мобильных приложений здравоохранения.Журнал IEEE по биомедицинской и медицинской информатике. 2013. 17 (2): 459–69. pmid: 23362250
    38. 38.
      Вилкоксон Ф. Индивидуальные сравнения методами ранжирования. Бюллетень биометрии. 1945; 1 (6): 80–3.
    39. 39.
      Демшар Я. Статистические сравнения классификаторов по множеству наборов данных. Журнал исследований в области машинного обучения. 2006; 7 (янв): 1–30.
    40. 40.
      Хэнли Дж. А., Макнил Б. Дж. Значение и использование площади под кривой рабочей характеристики приемника (ROC).Радиология. 1982. 143 (1): 29–36. pmid: 7063747
    41. 41.
      Хуанг Дж., Лин СХ. Использование AUC и точности при оценке алгоритмов обучения. IEEE Transactions по знаниям и инженерии данных. 2005. 17 (3): 299–310.
    42. 42.
      Голди Дж., Шервуд С.К., Грин Д., Александр Л. Влияние температуры и влажности на заболеваемость в больницах в Дарвине, Австралия. Летопись глобального здоровья. 2015; 81 (3): 333–41. pmid: 26615068
    43. 43.
      Гоггинс В.Б., Чан Э.Ю. Исследование краткосрочных ассоциаций между госпитализацией и смертностью от сердечной недостаточности и метеорологическими переменными в Гонконге: Погода и сердечная недостаточность в Гонконге.Международный кардиологический журнал. 2017; 228: 537–42. pmid: 27875731
    44. 44.
      Ли Т.Т., Чен Дж., Коэн Д.Д., Цао Л. Связь между артериальным давлением и смертностью у пациентов с сердечной недостаточностью. Американский сердечный журнал. 2006. 151 (1): 76–83. pmid: 16368295
    45. 45.
      Джексон К.Э., Кастаньо Д., Маггиони А.П., Кёбер Л., Сквайр И.Б., Сведберг К. и др. Различная прогностическая ценность пульсового давления у пациентов с сердечной недостаточностью со сниженной или сохраненной фракцией выброса: результаты индивидуального метаанализа пациентов MAGGIC.Европейский сердечный журнал. 2015; 36 (18): 1106–14. pmid: 25616644
    46. 46.
      Balmain BN, Sabapathy S, Jay O, Adsett J, Stewart GM, Jayasinghe R, et al. Сердечная недостаточность и контроль терморегуляции: могут ли пациенты с сердечной недостаточностью переносить жар? Журнал сердечной недостаточности. 2017.
    47. 47.
      Морган С.Л., Надас А.С. Потливость и застойная сердечная недостаточность. Медицинский журнал Новой Англии. 1963. 268 (11): 580–5.
    48. 48.
      Медицинский справочник WebMD от Healthwise.«Сердечная недостаточность: менее распространенные симптомы — обзор темы». WebMD. WebMD, н.д. Интернет. 28 июня 2017 г.
    49. 49.
      Юлиано С., Фишер С.Г., Карасик П.Е., Флетчер Р.Д., Сингх С.Н., Отказ ДовАСТОАТИЧ. Продолжительность QRS и смертность у пациентов с застойной сердечной недостаточностью. Американский сердечный журнал. 2002. 143 (6): 1085–91. pmid: 12075267
    50. 50.
      Maheshwari S, Acharyya A, Puddu PE, Mazomenos EB, Leekha G, Maharatna K, Schiariti M. Автоматический алгоритм онлайн-обнаружения фрагментированного QRS и идентификации его различных морфологий.Журнал Интерфейса Королевского общества. 2013; 10 (89): 20130761.
    51. 51.
      Naughton MT. Нарушения дыхательного сна у пациентов с застойной сердечной недостаточностью. Журнал грудных болезней. 2015; 7 (8): 1298. pmid: 26380758
    52. 52.
      Куббон Р.М., Рафф Н., Гровс Д., Элеутери А., Денби С., Кирни Л. и др. Диапазон частоты сердечных сокращений в амбулаторных условиях позволяет прогнозировать смертность и количество госпитализаций при хронической сердечной недостаточности. Сердце. 2015: heartjnl-2015-308428.
    53. 53.
      Грин SJ, Vaduganathan M, Wilcox JE, Harinstein ME, Maggioni AP, Subacius H, et al.Прогностическое значение частоты сердечных сокращений у пациентов, госпитализированных по поводу сердечной недостаточности с пониженной фракцией выброса при синусовом ритме: выводы из исследования EVEREST (Эффективность антагонизма вазопрессина при сердечной недостаточности: исследование результатов с толваптаном). JACC: сердечная недостаточность. 2013; 1 (6): 488–96. pmid: 24622000
    54. 54.
      Метра М. Тахикардия после госпитализации по поводу сердечной недостаточности. JACC: сердечная недостаточность; 2013.

    Физиологический мониторинг — обзор

    Электроэнцефалография.

    Это полезно для мониторинга физиологической функции центральной нервной системы во время глубокого гипотермического шунтирования и полной остановки кровообращения. Например, во время глубокой гипотермии и до полной остановки кровообращения электроэнцефалограмма может определить остаточную электрическую активность головного мозга (Hickey and Wessel, 1987). Изоэлектрическое молчание может быть вызвано дальнейшим охлаждением. Поскольку любая остаточная электрическая активность во время остановки кровообращения связана с церебральным метаболизмом, превышающим базовую активность, изоэлектрическое состояние может минимизировать ишемическое повреждение мозга во время остановки кровообращения.Использование вызванного лекарством электрического молчания не имеет такого же защитного эффекта, как гипотермия, и может способствовать нарушению гемодинамики у пациентов с послеоперационной дисфункцией миокарда. Кроме того, отсутствие электрической активности, особенно у новорожденных, не обязательно коррелирует с оптимальным охлаждением мозга. Имеются сообщения о случаях, в которых у недоношенных новорожденных и новорожденных с близким диагнозом асфиксии наблюдается длительное электрическое молчание с возможным восстановлением электрической активности коры головного мозга, хотя и с минимальным неврологическим восстановлением (Ashwal, 1997).Тем не менее, эти наблюдения показывают, что электроэнцефалографический мониторинг может быть не так полезен у новорожденных, как предполагалось для взрослых, для обеспечения оптимальной защиты мозга от переохлаждения.

    Электроэнцефалограмма также может быть полезна для определения уровня и глубины анестезии. В частности, биспектральный индекс (BIS), обработанная электроэнцефалограмма, оказался эффективным средством контроля у детей старшего возраста и взрослых (Glass et al., 1997; Todd, 1998; Laussen et al., 2001).У новорожденных и младенцев его надежность подвергалась сомнению, поскольку обработанный электроэнцефалографический мониторинг и связанная с ним числовая корреляция с глубиной анестезии основаны на формах электроэнцефалографических волн взрослых (Davidson et al., 2001). Данные исследований на новорожденных предполагают гораздо более слабую корреляцию с числом BIS и глубиной анестезии. Повышение BIS, вызванное стимулами, у младенцев происходило при гораздо более низких уровнях BIS, чем у детей во время выхода из наркоза (Davidson et al., 2001). Точно так же дети с церебральным параличом и умственной отсталостью демонстрируют более низкие значения BIS, чем соответствующие нормальные дети, когда бодрствуют и при аналогичных уровнях ингаляционного анестетика (Choudhry et al., 2002).

    После CPB наличие судорог на основе электроэнцефалограммы было индикатором значительного неврологического повреждения (Rappaport et al., 1998; Bellinger et al., 1999). Сильная корреляция между приступами после КПБ и измеренным снижением коэффициента интеллекта в более позднем возрасте была продемонстрирована Бостонской исследовательской группой по остановке кровообращения (Newburger et al., 1993; Раппапорт и др., 1998). Возможная судорожная активность в послеоперационном периоде следует подозревать, когда наблюдаются физиологические параметры, такие как тахикардия или гипертензия. Низкий порог электроэнцефалографической оценки или использование противоэпилептических средств в качестве части послеоперационной седации (мидазолам) следует настоятельно рассмотреть в популяции новорожденных. Этиология электроэнцефалографических припадков после ХПБ остается неясной. Однако существует повышенный риск при наличии ДМЖП, что позволяет предположить, что левосторонняя воздушная и воздушная эмболия могут быть факторами (Newburger et al., 1993).

    Анализ физиологических данных пациентов, перенесших анестезию при трансплантации печени — Просмотр полного текста

    Операция по трансплантации печени оказывает огромное влияние на организм реципиента во время операции. Анестезиологи, сталкивающиеся с проблемами гемодинамики, неврологической функции, функции свертывания крови, используют инструменты мониторинга в качестве руководства для своевременного принятия решения об анестезии. Так же хорошо, как и хорошо спроектированные инструменты мониторинга, отображающие жизненно важную информацию, исследователи хотели бы изучить любые возможные скрытые особенности данных, которые невозможно увидеть невооруженным глазом.

    В это проспективное обсервационное исследование будут включены 40 пациентов, перенесших операцию по трансплантации печени по медицинским показаниям. Анестезиологическое лечение и хирургическое вмешательство будут проводиться в соответствии с обычной клинической практикой.

    Исследователи будут записывать цифровые данные, экспортированные из стандартных инструментов мониторинга, включая информацию о сердечно-сосудистой системе (электрокардиография, фотоплетизмография, артериальное давление, сердечный выброс и любые дополнительные элементы мониторинга, которые клинически необходимы), параметры, полученные в результате анализа контура пульса (сердечный выброс, ударный объем, вариация ударного объема…. и т. д.), информация о неврологической системе (биспектральный индекс, энтропия, индекс хирургической плетизмографии, церебральный оксиметр) и мониторинг дыхательных газов (газоанализатор, дыхательная кривая). Все вышеперечисленные данные получены с помощью инструментов мониторинга, обычно используемых при трансплантации печени, в том числе системы CARESCAPE Monitor B850 (GE Healthcare) FloTrac (Edwards Lifesciences).

    Хирургические шаги будут отмечены точными отметками времени для установления временных соотношений. Зарегистрированные события, включая введение анестетика, интубацию, дезинфекцию, стадию расслоения, стадию безвоздушной недостаточности, пережатие нижней полой вены, реперфузию, стадию неогепатии и другие важные хирургические этапы.Запись прекращается до окончания мониторинга в операционной. Все физиологические данные и демографические данные будут храниться на цифровых носителях после отключения от персональной идентификации.

    Анализ данных и статистика будут проводиться, в частности, для изучения временного эффекта и взаимосвязи. Будут использоваться методы, включая обработку сигналов, моделирование, классификацию и непараметрическую спектральную оценку.

    Vital Recorder — бесплатный исследовательский инструмент для автоматической записи синхронизированных по времени физиологических данных с высоким разрешением с нескольких анестезиологических устройств

    Разрешение на сбор данных с использованием Vital Recorder

    Совет по институциональному обзору больницы Сеульского национального университета одобрил перспективу исследование реестра данных, озаглавленное «Построение реестра интраоперационных показателей жизнедеятельности и клинической информации для ретроспективного когортного исследования у хирургических пациентов» (H-1408-101-605).Сбор данных проводился в соответствии с соответствующими руководящими принципами и положениями комитета. В рамках исследования планируется собрать данные о жизненно важных функциях хирургических пациентов в течение следующих 10 лет. Исследование также было зарегистрировано на сайте Clinicaltrials.gov (NCT02914444). Письменное информированное согласие было отклонено из-за анонимности данных.

    Описание программы Vital Recorder

    Обзор

    Vital Recorder — это автономная программа, написанная на C ++, которая работает в операционной системе Windows версии Vista или более поздней.Vital Recorder очень легкий, с установленным размером менее 10 МБ и загрузкой ЦП менее 5% на двухъядерных системах Pentium во время записи. Запись и редактирование данных о жизненно важных функциях может выполняться в программе Vital Recorder, а четыре дополнительных служебных программы помогают в управлении данными. Графический пользовательский интерфейс, аналогичный интерфейсу программы редактирования видео, был адаптирован, чтобы исследователи, не знакомые с программами управления данными, могли легко манипулировать данными о жизненно важных функциях.Записанные данные можно экспортировать в различные машиночитаемые форматы файлов. Vital Recorder имеет опции для автоматической записи каждого случая пациента отдельно и для удаленного мониторинга статуса сбора данных. Программа, файлы примеров и обзорное видео доступны из общедоступного репозитория данных (https://osf.io/uq2p2) или с собственного веб-сайта авторов (https://vitaldb.net).

    Требования к оборудованию

    Минимально необходимое оборудование для записи данных — это компьютер с процессором Intel ® Atom ® , 512 МБ ОЗУ и 100 МБ свободного места на жестком диске; тем не менее, рекомендуется расширить оборудование для беспрепятственного редактирования данных.

    Поддерживаемое анестезиологическое оборудование

    Несмотря на отсутствие ограничений на количество устройств, которые могут быть одновременно подключены к Регистратору жизненного цикла, от двух до шести устройств обычно используются одновременно во время обычного ухода за пациентом. В настоящее время поддерживается более 20 устройств для анестезии от 10 крупных компаний, и количество устройств в списке постоянно увеличивается (Таблица 2). Связь между различными медицинскими устройствами и компьютером осуществляется через последовательное соединение RS-232C.Для получения сигналов формы волны от аналогового порта монитора пациента могут потребоваться аналого-цифровые преобразователи (модуль Tram монитора пациента Solar TM 8000, GE healthcare, Wauwatosa, WI, USA). После подключения последовательных кабелей на стороне устройства требуются настройки последовательного протокола для некоторого оборудования, такого как монитор пациента (серии IntelliVue MP и MX, Phillips North America Corporation, Андовер, Массачусетс, США), мониторы сердечного выброса (система FloTrac / Vigileo и Монитор бдительности, Edwards Lifesciences, Ирвин, Калифорния, США; CardioQ-ODM, Deltex Medical, Чичестер, Великобритания), монитор биспектрального индекса (BIS Vista, Covidien, Дублин, Ирландия) и инфузионный насос с управляемой мишенью (Orchestra ® Base Primea с модулем DPS, Fresenius Kabi AG, Бад-Хомбург, Германия).

    Таблица 2 Поддерживаемые устройства и параметры.

    Запись и редактирование данных

    После установления соединения между медицинскими устройствами и последовательными портами компьютера, на котором запущен Vital Recorder, он может начать запись данных. Продолжительность записи отображается в верхней части окна дорожки данных. Интервалы записи данных зависят от устройства, но минимальный интервал сбора числовых данных обычно составляет 1 или 2 с. Временное разрешение данных формы волны зависит от характеристик аналого-цифрового преобразователя, однако обычно получаются частоты 100 Гц для артериального давления или плетизмографии и 500 Гц для электрокардиограммы.Vital Recorder записывает данные на жесткий диск компьютера, и рекомендуется немедленно выполнить резервное копирование записанных данных в хранилище, подключенное к интрасети. Сохраненные данные могут быть загружены и отредактированы позже в Vital Recorder. Два или более фрагментированных файла из одного наркоза можно легко объединить с помощью функции «слияния». Размер файла можно уменьшить, выбрав и удалив ненужные дорожки данных из списка дорожек. Можно стереть ненужные части на всем отрезке времени или обрезать только необходимые части.По данным можно быстро перемещаться, используя только мышь. Вращение колесика мыши по списку дорожек прокручивает дорожки данных, а поворот колеса мыши в окне дорожек увеличивает масштаб данных.

    Формат файла

    Vital Recorder сохраняет записанные данные в виде сжатого двоичного файла с расширением «vital», который содержит волны, числовые данные и текст события. Стандартный алгоритм GZip сжимает данные за один час до размера менее 10 МБ, когда семь данных формы волны 500 Гц, две формы волны электроэнцефалографии (ЭЭГ) 128 Гц и 90 дорожек цифровых данных одновременно записываются с монитора пациента, наркозного аппарата, Монитор BIS, монитор сердечного выброса и два инфузионных насоса.Gzip — это алгоритм сжатия без потерь, который не ухудшает качество данных. Кроме того, при сохранении данных формы сигнала не происходит потери данных из-за операций с плавающей запятой, поскольку значение счетчика, переданное из аналого-цифрового преобразователя, сохраняется как есть, а коэффициенты для преобразования физических единиц сохраняются отдельно.

    Тип файла можно легко преобразовать с помощью функции экспорта, которая преобразует исходный формат данных в различные машиночитаемые форматы данных, такие как csv, tsv, edf (европейский формат данных), HL7 (уровень здоровья 7) и mat (формат данных Matlab ® ).Функция экспорта также имеет параметры настройки временных интервалов и обработки недостающих значений. Кроме того, Vital Recorder имеет возможность импортировать файлы CSV с данными времени и измерений. Функции импорта / экспорта Vital Recorder могут облегчить обмен данными с внешними системами, такими как статистические программы или другие AIMS.

    Программный интерфейс

    Vital Recorder имеет два переключаемых интерфейса — «режим отслеживания» и «режим мониторинга». Настройка устройства и редактирование данных происходит в режиме трека (рис.1). Режим дорожки состоит из строки меню, списка дорожек, окна дорожек и ползунка времени слева и трех чередующихся панелей справа. Дорожки данных показывают входные данные от различных медицинских устройств, синхронизированные по оси времени. Кнопки масштабирования и ползунок времени позволяют быстро и удобно перемещаться по всем данным. Эти три панели называются панелями устройств, событий и фильтров и используются для настройки устройства, управления маркерами событий и применения различных математических и статистических функций соответственно.При нажатии кнопки «Добавить новое устройство» на панели устройств отображается категоризованный список поддерживаемых устройств. После того, как устройство и соответствующий последовательный порт выбраны из списка, автоматически создаются дорожки данных и данные записываются. Зарегистрированные устройства автоматически перезагружаются при перезапуске программы. Панель событий особенно полезна для перспективных исследований. Событие можно добавить, нажав кнопку «Добавить событие», щелкнув момент времени в дорожке событий или просто нажав клавишу Enter.Детали панели фильтров описаны в разделе Расширенные функции Фильтры .

    Рисунок 1

    Схематическое изображение регистратора жизненного цикла. В списке треков отображаются все подключенные устройства и их параметры. Входные данные отображаются в окне трека в реальном времени, и их можно просматривать с помощью ползунка времени и кнопок масштабирования или колеса мыши. Три чередующиеся панели расположены с правой стороны окна отслеживания данных в режиме отслеживания для поддержки настройки устройства, управления событиями и применения математических функций или медицинских алгоритмов.

    Режим монитора активируется нажатием кнопки «Просмотр монитора» в строке меню, которая отображает экран, аналогичный экрану монитора пациента (рис. 2). Режим монитора предназначен для отслеживания состояния сбора данных с нескольких устройств через знакомый интерфейс монитора пациента.

    Рисунок 2

    Вид монитора регистратора жизненного цикла на мониторе. Режимы трека и монитора переключаются нажатием кнопки «Monitor view» в строке меню или нажатием «CTRL + m». Режим монитора предназначен для отслеживания статуса записи данных.

  • Добавить комментарий

    Ваш адрес email не будет опубликован.