vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2023_3_58vitj-106Research ArticleПРАКТИЧЕСКИЙ ОПЫТPRACTICE EXPERIENCEАвтоматизированный комплекс мультидисциплинарной нейросетевой поддержки врачебных решений при лечении ишемической болезни сердцаAutomated complex of multidisciplinary neural network support of medical decisions in the treatment of coronary heart diseaseЖуравлевД. М.ZhuravlevD. M.

д.э.н.

г. Москва

DSc

Moscow

jdenis@niiss.ruКопыловФ. Ю.KopylovF. Yu.

д.м.н.

г. Москва

DSc

Moscow

kopylov_f_yu@staff.sechenov.ruЧаадаевВ. К.ChaadaevV. K.

д.э.н.

г. Москва

DSc

Moscow

vkchaadaev@niiss.ruАрдатовС. В.ArdatovS. V.

г. Самара

PhD

Samara

ardatov67@mail.ruЧаадаевК. В.ChaadaevK. V.

г. Москва

Moscow

kchaadaev@molnet.ruНаучно-исследовательский институт Социальных Систем при МГУ имени М.В. ЛомоносоваРоссияInstitute of Social SystemsRussian FederationПервый Московский государственный медицинский университет им. И.М. СеченоваРоссияI.M. Sechenov First Moscow State Medical UniversityRussian FederationСамарский государственный медицинский университетРоссияSamara State Medical UniversityRussian FederationИнновационный Технологический Центр МОЛНЕТ; Московский государственный технический университет имени Н.Э. БауманаРоссияITC MOLNET; Bauman Moscow State Technical UniversityRussian Federation202328032025035871Copyright © Журавлев Д.М., Копылов Ф.Ю., Чаадаев В.К., Ардатов С.В., Чаадаев К.В., 20252025Журавлев Д.М., Копылов Ф.Ю., Чаадаев В.К., Ардатов С.В., Чаадаев К.В.Zhuravlev D.M., Kopylov F.Y., Chaadaev V.K., Ardatov S.V., Chaadaev K.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/106

В статье рассмотрены методы и процедуры разработки нейросетевой системы поддержки принятия решения при выборе тактики оперативного вмешательства на коронарных сосудах сердца, предназначенной для консультирования широкого круга практикующих кардиологов и кардиохирургов при принятии решения о тактике проведения оперативного вмешательства при состояниях пациентов, связанных с нарушением проводимости коронарных сосудов. Основываясь на математической модели, учитывающей ряд факторов и опыт исходов предыдущих операций, нейросетевая система предлагает выбор между аортокоронарным шунтированием и чрескожным коронарным вмешательством. Определённое системой решение может служить дополнительным голосом и фактором для окончательного принятия коллегиального решения в сложных клинических случаях. Правильно принятое решение влияет на сроки восстановления пациента после операции, качество жизни после восстановления, возможность продолжать трудовую деятельность после лечения. Нейросетевая система поддержки принятия решения в области кардиохирургии выполнена в виде стандартного приложения для персонального компьютера со специфическими техническими характеристиками, позволяющими обрабатывать большой массив данных. Доступ к системе может получить любой врач кардиолог или кардиохирург, зарегистрированный в системе и прошедший валидацию. Созданный комплекс призван обеспечить учреждения системы здравоохранения цифровым продуктом и сервисом отечественного производства на основе нового технологического уклада.

The article covers methods and procedures for developing a neural network decision support system when choosing the tactics of surgical intervention on coronary heart vessels. The system is designed to advise a wide range of practicing cardiologists and cardiac surgeons when deciding on the tactics of surgical intervention in patients with conditions associated with compromised coronary vessels. Based on a mathematical model taking into account a number of factors and the outcomes of previously performed surgeries, the neural network system offers a choice between aorto-coronary bypass surgery and percutaneous coronary intervention. The decision determined by the system can serve as an additional argument for the final adoption of a collegial decision in complex clinical cases. Right decision affects the patient’s recovery time after surgery, the quality of life after recovery, and the ability to continue working after treatment. The neural network decision support system in the field of cardiac surgery is designed as a standard application for a personal computer with specific technical characteristics that allow processing a large amount of data. Access to the system can be obtained by any cardiologist or cardiac surgeon registered in the system and validated. The developed complex is designed to provide healthcare institutions with a digital product and domestic service based on a new technological structure.

диагностика и лечениеишемическая болезнь сердцаматематическая модельнейронная сетьпрограммное обеспечениесердечно-сосудистые заболеванияcardiovascular diseasesdiagnostics and treatmentischemic heart diseasemathematical modelneural networksoftwareРабота выполнена при поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере (Фонд содействия инновациям).The work was supported by the Foundation for Assistance to Small Innovative Enterprises (FASIE).ReferencesGogayeva O. Comparison of the EuroSCORE I, EuroSCORE II and STS Scales in Cardiac Surgery of High-Risk Patients with Complicated Forms of CAD. Ukrainian journal of cardiovascular surgery. 2020; 3(40): 15-21.Gogayeva O. Comparison of the EuroSCORE I, EuroSCORE II and STS Scales in Cardiac Surgery of High-Risk Patients with Complicated Forms of CAD. Ukrainian journal of cardiovascular surgery. 2020; 3(40): 15-21.Singh N., Gimpel D., Parkinson G. et al. Assessment of the EuroSCORE II in a New Zealand Tertiary Centre. Heart, Lung and Circulation. 2019; 28(11): 1670-1676. doi: 10.1016/j.hlc.2018.09.004.Singh N., Gimpel D., Parkinson G. et al. Assessment of the EuroSCORE II in a New Zealand Tertiary Centre. Heart, Lung and Circulation. 2019; 28(11): 1670-1676. doi: 10.1016/j.hlc.2018.09.004.Hatamnejad MR, Heydari AA, Salimi M, et al. The utility of SYNTAX score predictability by electrocardiogram parameters in patients with unstable angina. BMC Cardiovasc Disord. 2022; 22(8). doi: 10.1186/s12872-022-02455-6.Hatamnejad MR, Heydari AA, Salimi M, et al. The utility of SYNTAX score predictability by electrocardiogram parameters in patients with unstable angina. BMC Cardiovasc Disord. 2022; 22(8). doi: 10.1186/s12872-022-02455-6.Minamisawa M, Miura T, Motoki H, et al. Prediction of 1-year clinical outcomes using the SYNTAX score in patients with prior heart failure undergoing percutaneous coronary intervention: sub-analysis of the SHINANO registry. Heart Vessels. 2017; 32(4): 399-407.Minamisawa M, Miura T, Motoki H, et al. Prediction of 1-year clinical outcomes using the SYNTAX score in patients with prior heart failure undergoing percutaneous coronary intervention: sub-analysis of the SHINANO registry. Heart Vessels. 2017; 32(4): 399-407.Modolo R, Collet C, Onuma Y, Serruys PW. SYNTAX II and SYNTAX III trials: what is the take home message for surgeons? Annals of Cardiothoracic Surgery. 2018; (4): 470-483. doi: 10.21037/acs.2018.07.02.Modolo R, Collet C, Onuma Y, Serruys PW. SYNTAX II and SYNTAX III trials: what is the take home message for surgeons? Annals of Cardiothoracic Surgery. 2018; (4): 470-483. doi: 10.21037/acs.2018.07.02.Nibber A, Ziada KM, Whayne TF. Predictive Value of the Logistic Clinical SYNTAX Score. Angiology. 2015; 66(8): 711-713. doi: 10.1177/0003319714562244.Nibber A, Ziada KM, Whayne TF. Predictive Value of the Logistic Clinical SYNTAX Score. Angiology. 2015; 66(8): 711-713. doi: 10.1177/0003319714562244.Самородская И.В., Чернявская Т.К., Какорина Е.П., Семенов В.Ю. Ишемические болезни сердца: анализ медицинских свидетельств о смерти // Российский кардиологический журнал. — 2022. — Т.27. — №1. — С.22-28.Samorodskaya IV, Chernyavskaya TK, Kakorina EP, Semenov VYu. Ishemicheskie bolezni serdcza: analiz medicinskix svidetel`stv o smerti. Rossijskij kardiologicheskij zhurnal. 2022; 27(1): 22-28. (In Russ.)Чернявская Т.К., Глезер М.Г. Клиническая характеристика и лечение амбулаторных пациентов с хронической сердечной недостаточностью в Московской области // Альманах клинической медицины. — 2021. — Т.49. — №2. — С.125-131.Chernyavskaya TK, Glezer MG. Klinicheskaya kharakteristika i lecheniye ambulatornykh patsiyentov s khronicheskoy serdechnoy nedostatochnost’yu v Moskovskoy oblasti. Al’manakh klinicheskoy meditsiny. 2021; 49(2): 125-131. (In Russ.)Romiti S., Vinciguerra M., Saade W., Anso Cortajarena I., Greco E. Artificial Intelligence (AI) and Cardiovascular Diseases: an Unexpected Alliance. Cardiology Research and Practice. 2020; 2020: 1-8.Romiti S., Vinciguerra M., Saade W., Anso Cortajarena I., Greco E. Artificial Intelligence (AI) and Cardiovascular Diseases: an Unexpected Alliance. Cardiology Research and Practice. 2020; 2020: 1-8.Zghyer F, Yadav S, Elshazly MB. Artificial Intelligence and Machine Learning. Precision Medicine in Cardiovascular Disease Prevention. 2021; 18: 133-148.Zghyer F, Yadav S, Elshazly MB. Artificial Intelligence and Machine Learning. Precision Medicine in Cardiovascular Disease Prevention. 2021; 18: 133-148.Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. — 2017. — Т.6. — №3. — С.28-59.Sozykin AV. Obzor metodov obucheniya glubokikh neyronnykh setey. Vestnik Yuzhno-Ural’skogo gosudarstvennogo universiteta. Seriya: Vychislitel’naya matematika i informatika. 2017; 6(3): 28-59. (In Russ.)Shaker M, Tantawi M, Shedeed A, Tolba F. Generalization of convolutional neural networks for ECG classification using generative adversarial networks. IEEE Access. 2020; 8: 35592-35605.Shaker M, Tantawi M, Shedeed A, Tolba F. Generalization of convolutional neural networks for ECG classification using generative adversarial networks. IEEE Access. 2020; 8: 35592-35605.Голубев А.С., Звягин М.Ю., Прокошев В.Г., Рожков М.М. Особенности распознавания методом ближайшего элемента в алгоритмах вычисления оценок // Прикладная информатика. — 2013. — №1(43). — С.87-94.Golubev AS, Zvyagin MYU, Prokoshev VG, Rozhkov MM. Osobennosti raspoznavaniya metodom blizhayshego elementa v algoritmakh vychisleniya otsenok. Prikladnaya informatika. 2013; 1(43): 87-94. (In Russ.)Журавлев Ю.И., Назаренко Г.И., Рязанов В.В., Клейменова Е.Б. Новый метод анализа риска развития ишемической болезни сердца с использованием геномных и компьютерных технологий // Кардиология. — 2011. — Т.51. — №2. — С.19-25.Zhuravlev YUI, Nazarenko GI, Ryazanov VV, Kleymenova YeB. Novyy metod analiza riska razvitiya ishemicheskoy bolezni serdtsa s ispol’zovaniyem genomnykh i komp’yuternykh tekhnologiy. Kardiologiya. 2011; 51(2): 19-25. (In Russ.)Son C, Kim Y, Kim H, Park H, Kim M. Decision-making model for early diagnosis of congestive heart failure using rough set and decision tree approaches. Journal of Biomedical Informatics. 2012; 45: 999-1008.Son C, Kim Y, Kim H, Park H, Kim M. Decision-making model for early diagnosis of congestive heart failure using rough set and decision tree approaches. Journal of Biomedical Informatics. 2012; 45: 999-1008.Высоцкая Е.В., Беловод А.Н., Кириченко А.Н. Восстановление пропущенных значений параметров в таблицах биохимических анализов пациентов с псориазом // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. — 2010. — №21. — С.38-45.Vysotskaya EV, Belovod AN, Kirichenko AN. Renewal of the skipped values of parameters in the tables of biochemical analyses of patients with psoriasis. Herald of the National Technical University «KhPI». Subject issue: Information Science and Modeling. 2010; 21: 38-45. (In Russ.)Lipton ZC, Kale D, Wetzel,R. Directly modeling missing data in sequences with rnns: Improved classification of clinical time series. In Machine Learning for Healthcare Conference. 2016; 253-270.Lipton ZC, Kale D, Wetzel,R. Directly modeling missing data in sequences with rnns: Improved classification of clinical time series. In Machine Learning for Healthcare Conference. 2016; 253-270.Шафроненко А.Ю., Волкова В.В., Бодянский Е.В. Адаптивная кластеризация данных с пропущенными значениями // Радиоэлектроника, информатика, управление. — 2011. — №2(25). — С.115-119.Shafronenko AYU, Volkova VV, Bodyanskiy YeV. Adaptivnaya klasterizatsiya dannykh s propushchennymi znacheniyami. Radioelektronika, informatika, upravleniye. 2011; 2(25): 115-119. (In Russ.)Астахова И.Ф., Киселева Е.И. Интеллектуальная поддержка принятия врачебных решений // Современные информационные технологии и ИТ-образование. — 2020. — Т.16. — №3. — С.664-672.Astaxova IF, Kiseleva EI. Intellektual`naya podderzhka prinyatiya vrachebny`x reshenij. Sovremenny`e informacionny`e texnologii i IT-obrazovanie. 2020; 16(3): 664-672. (In Russ.)Sharma M, Savage C, Nair M, Larsson I, Svedberg P, Nygren JM. Artificial Intelligence Applications in Health Care Practice: Scoping Review. J Med Internet Res. 2022; 24(10): e40238.Sharma M, Savage C, Nair M, Larsson I, Svedberg P, Nygren JM. Artificial Intelligence Applications in Health Care Practice: Scoping Review. J Med Internet Res. 2022; 24(10): e40238.

The authors declare that there are no conflicts of interest present.