AP13068289 Применение методов машинного обучения для ранней диагностики патологий сердечно-сосудистой системы

Целью проекта является разработка полнофункционального прототипа программно-аппаратной платформы диагностики патологий сердечно‑сосудистой системы на основе анализа электрокардиограмм с применением методов и алгоритмов машинного обучения.

Во всем мире сердечно-сосудистые заболевания (ССЗ) остаются основной причиной смерти населения. В большинстве развитых стран Европы этот показатель доходит до 40% всех случаев смерти, а в Казахстане – более 50% [1‑3].

По последним данным в Казахстане больше всего людей умирает от болезней органов системы кровообращения – 24,44% всех умерших, на втором месте – болезни органов дыхания – 12,89%, третье место – от новообразований – 12% [4‑5].

Основная часть данной работы заключается в исследовании методов цифрового мониторинга и разработке аппаратно-программного комплекса для раннего выявления ССЗ с помощью алгоритмов машинного обучения, тем самым будет внесен весомый вклад в уменьшение смертности от ССЗ.

Благодаря высокой чувствительности электронных стетоскопов по сравнению с обычным стетоскопом позволяет нам использовать их для скрининга обструктивного заболевания коронарной артерии. Обычным стетоскопам не хватает аускультационной способности для выявления внутрикоронарных шумов турбулентного кровотока, возникающих из-за гемодинамически значимого заболевания коронарной артерии. По нашим исследованиям, чувствительность электронных стетоскопов значительно выросла в последний период. На данный момент, электронный стетоскоп обладает более высокой чувствительностью, чем акустический стетоскоп, как для кардиолога, так и для пациента при анализе.

Внедрение математических методов анализа данных существенно расширили возможности фонокардиографии (ФКГ) и электрокардиографии (ФКГ). При этом такие достоинства, как неинвазивность, безопасность, отсутствие противопоказаний, сравнительно недорогое оборудование, создают предпосылки для применения ФКГ и ЭКГ в условиях телемедицины. В этом неотъемлемую роль будет играть машинное обучение, как инструмент, позволяющий находить образцы в данных, которые генерируется диагностическими тестами для сердечно-сосудистых заболеваний.