Плотников А.В.
Источник: www.ecg.ru/...
Системы прикроватного мониторинга имеют важное значение в палатах интенсивной терапии и реанимационных отделениях. Они применяются для контроля над биологическими параметрами пациента и реакции на критические состояния, и объединяют в себе множество данных, поступающих с различного медицинского оборудования.
Системы прикроватного мониторинга могут быть концептуально представлены в виде 4-х уровней. Первый - сигнальный уровень, собирает данные с оборудования и производит простейшую предварительную обработку данных. Второй - корректирующий уровень, удаляет из потока данных артефакты (сбои аппаратуры, линий передачи и т.п.). Третий - уровень преобразования, анализирует и классифицирует поступающие данные на физиологические параметры (нормальные, пониженные или завышенные). Четвертый - уровень заключения, получает вероятностные диагностические выводы, основываясь на имеющихся физиологических или патофизиологических моделях. В дополнение к четырем уровням, системы прикроватного мониторинга снабжаются средства обмена данными с госпитальными информационными системами.
Сигнальный уровень включает физиологические сигналы (электрокардиограмму, электроэнцефалограмму, артериальное давление и т.д.) и информацию с терапевтических устройств, аппаратов ввода лекарств. Современные мониторные системы обладают также способностями предварительной обработки указанных сигналов. В системах прикроватного мониторинга может объединяться и функционировать до 20 типов оборудования, которое в свою очередь может выдавать более 100 типов информационных сообщений. Для разрешения данных проблем в области интенсивной терапии и реанимации был разработан стандарт IEEE P1073 на управление коммуникациями данных.
При увеличении количества обрабатываемой информации существует риск получения некорректного сигнала, снятого при ошибке оборудования, при высоком уровне помех, и т.д. Данное искажение информации способно сильно затруднить работу и принятие необходимых действий в критических ситуациях. Частые сбои способны полностью вывести из строя систему тревог прикроватного мониторинга. Для решения данных проблем необходима коррекция поступающей информации и, так называемая, интеллектуальная схема тревог. Корректирующие системы могут основываться на самых различных методах, от базирующихся на правилах алгоритмов до нейронных сетей и искусственного интеллекта.
Следующий информационный уровень включает преобразование числовых значений в символическое представление, и использование их для диагностики. Системы прикроватного мониторинга могут включать на данном уровне, как эмпирические, так и основанные на физиологических моделях методы. Эмпирические методы разрабатываются для выполнения специфических задач, и имеют общую архитектуру: модуль преобразования данных, модуль определения состояния пациента и модуль терапевтического назначения. Основанные на физиологических моделях системы пока еще мало применяются в связи с трудностями разработки и реализации.
Требования, предъявляемые к современным системам прикроватного мониторинга далеко неоднозначны. Интеллектуальные мониторные системы должны включать контекстный съем, обработку, анализ и отображение информации. С одной стороны это определение состояние и истории в одном интерпретирующем и мониторном контексте. Этот контекст может использоваться для определения граничных значений физиологических параметров, трендов, нормальной взаимосвязи между значениями. С другой стороны, должны обеспечиваться непрерывная запись на носитель, а также различные способы представления информации. Таким образом, необходимо хорошее соотношение между качеством отображением информации и автоматизированной обработкой физиологических данных.
В зависимости от целей исследования можно выделить 3 категории регистрируемых электрокардиограмм (ЭКГ): ЭКГ покоя, ЭКГ нагрузки и ЭКГ–мониторинг аритмий. В системах прикроватного мониторинга регистрируется ЭКГ аритмий. Цель автоматизированного анализа электрокардиографических сигналов в системах прикроватного мониторинга - постановка диагноза и составление прогноза для пациента.
Первые попытки автоматизации ЭКГ–анализа в данных системах были предприняты в 70-х годах. Наиболее важные преимущества автоматической обработки данных состоят в следующем: 1) обработка данных осуществляется по одинаковой схеме; 2) результаты представляются в стандартном виде; 3) можно использовать стандартную терминологию. Обычно ЭКГ–анализ выполняется в четыре этапа:
ввод ЭКГ;
фильтрация ЭКГ;
распознавание характерных элементов ЭКГ и измерение соответствующих параметров;
интерпретация и классификация ЭКГ.
На ЭКГ сердечный цикл обычно представляется в виде трех комплексов. Р–комплекс соответствует деполяризации предсердий, QRS– деполяризации желудочков, Т– их реполяризации. Каждый комплекс состоит из нескольких разнонаправленных пиков (зубцов). Число пиков в каждом комплексе неодинаково в разных отведениях и у разных пациентов. Р– и Т–комплексы обычно содержат один или два зубца, а QRS–комплекс – от одного до семи. Наиболее трудоемкой задачей является распознавание характерных элементов ЭКГ и измерение параметров. Характерные элементы ЭКГ, которые необходимо распознать – это комплексы, сегменты (расстояние между зубцами) и интервалы. К параметрам ЭКГ, подлежащим измерению, относятся высота зубцов и длительность комплексов, а также величена сегментов и интервалов. Таким образом, необходимо выполнять два типа измерений: временные и амплитудные.
Наиболее типичный метод распознавания элементов ЭКГ состоит из трех этапов.
Распознавание пиков, т.е. выявление истинных пиков ЭКГ (не артефактов). Выявление пиков осуществляется в два этапа. На первом выявляются все пики – как истинные, так и связанные с шумами (ложные). На втором этапе выявляются ложные пики и исключаются из числа всех пиков, выявленных на предыдущей стадии.
Разграничение пиков, т.е. нахождение границ между истинными пиками. Один из методов разграничения пиков основан на критерии максимальной кривизны. Согласно этому критерию, пограничные точки пика – это точки максимальной кривизны. Кривизна в какой-либо точке кривой y находится по следующей формуле:
Распознавание характерных элементов ЭКГ. Наиболее трудоемкой задачей является выявление комплексов. Другие элементы ЭКГ (сегменты между зубцами, интервалы сердечно цикла) определить после этого не составляет труда. Как правило, наиболее “рельефный” элемент ЭКГ – комплекс QRS; его распознают в первую очередь. Процедура распознавания QRS–комплекса состоит из двух этапов. На первом пики объединяются с образованием комплексов, под которыми понимаются набор последовательных пиков, не разделенных сегментами. На втором этапе выявляются QRS–комплексы. Совокупность пиков считается QRS–комплексом, если ее энергия превышает некоторую пороговую величину. Затем производит классификацию QRS–комплеков. На каждой данной ЭКГ QRS–комплексы классифицируются по степени сложности их конфигурации. Это существенно для компьютерного анализа аритмий. QRS–классификация осуществляется на основе метода “выявление признаков/классификация”. Р– и Т–комплексы выявляются только в кардиоциклах, содержащих хорошо выраженные QRS–комплексы. Поиск Р– и Т–комплексов осуществляется в области до (после) репрезентативного QRS–комплекса. Один или два последовательных пика в этой области считаются Р– (или Т–) комплексом, если для них выполняются пороговые условия по ширине и амплитуде.
Результаты выявления элементов ЭКГ и измерения их параметров используются для интерпретации с цель постановки правильного диагноза. В настоящее время известны две основные категории алгоритмов, применяемых в различных системах автоматической диагностики. К первой категории относятся алгоритмы, моделирующие логику врача-диагноста. Естественно, в них используются признаки заболеваний, диагностическая значимость которых установлена всем предшествующим опытом медицины. Применительно к задачам электрокардиографии это связано, в частности, с обязательным использованием параметром медицинского описания электрокардиограммы. Алгоритмы второй категории, как правило, основаны на методах многомерного статистического анализа и теории вероятностей. При этом отказываются не только от медицинской логики, но и от принятых в медицине обозначений элементов электрокардиограммы и способов измерения.
Обе названные категории алгоритмов имеют свои достоинства и недостатки. Безусловное достоинство медицинских алгоритмов - в возможности их быстрой реализации. Это определяется тем, что они концентрируют опыт диагностики, накопленный в медицине, и не требуют предварительных обучающих выборок. Предел диагностических возможностей таких алгоритмов ограничивается современным уровнем развития медицины, а качество конкретных алгоритмов - компетентностью лиц, их составляющих. Главным недостатком медицинских алгоритмов является то, что они ограничиваются лишь формализацией диагностической логики врача. Основное преимущество компьютера перед человеком, неизмеримо большие вычислительные возможности, используется при этом лишь в самой малой мере. Поэтому при применении медицинских алгоритмов остается неиспользованной важная информация, например, о взаимных фазовых соотношениях электрокардиографических отведений, которую человек из электрокардиограммы извлечь не может.
Достоинством немедицинских диагностических алгоритмов является то, что они могут использовать любые параметры описания электрокардиограммы. Благодаря этому им оказываются доступны резервы информации, которые в клинической практике остаются неиспользованными. Недостатком этих алгоритмов является неудобность их обучения. Это представляет существенные трудности, так как связано с подбором хорошо исследованных больных с заболеваниями, различать которые должен научиться автомат. Тем не менее, алгоритмы второй категории считаются более перспективными, так доступная им новая информация даст возможность сделать диагностику более эффективной.
В последнее время ведутся активные работы, как в России, так и за рубежом, по разработке более точных и быстрых алгоритмом классификации электрокардиограмм. Большая часть работ направлена на использование нейронных сетей. В них с помощью обучения нейронной сети соответствующими выборками (иногда с предварительной обработкой), добиваются устойчивого распознавания типов ЭКГ и выявления нарушений. Широко используется спектральный анализ электрокардиограмм с последующим табличным преобразованием для нахождения QRS–комплексов. Также другие работы используют частотно–временной анализ для выявления QRS–комплексов, а также дополнительной информации об относительном смещении QRS–комплексов в отведениях. В ряде работ используется модель Маркова для сегментации электрокардиограмм. Иногда делаются попытки построения алгоритмов, реализующих искусственный интеллект, для задач распознавания ЭКГ аритмий.
Таким образом, в заключении можно отметить, что проблема разработки алгоритмов распознавания элементов классификации электрокардиограмм по–прежнему актуальна, особенно, в системах прикроватного мониторинга в связи необходимостью постановки точного и быстрого диагноза.
Литература
- B.M.Dawant, Knowledge-Based Systems for Intelligent Patient Monitoring and Management in Critical Care Environments, in Biomedical Engineering Handbook, editor J.D.Bronzino, pp. 2746 -2756, Florida, CRC Press,1995.
- Микрокомпьютеры в физиологии, под ред. П.Фрейзера, стр. 214-239, М.: Мир, 1990.
- В.В.Шакин, Вычислительная электрокардиография, стр. 92-155, М.: Наука, 1981.
- Моделирование и автоматический анализ электрокардиограмм, под ред. И.Ш.Пинскер, М.: Наука, 1973.
- Материалы Амстердамской конференции по биомедицинскому приборостроению, Амстердам, 1993-1996гг.