Штучний інтелект

Анотація: У ХХІ-му столітті однією з найбільш поширених проблем смертності у розвинутих країнах є проблеми, пов’язані із кардіо. Пандемія Covid-19 тільки підтверджує це твердження, оскільки побічні ускладнення – це кровоносна система та серце. Окрім того, навіть у час пандемії смертність від кардіо залишається на першому місці. Значна вартість вирішення кожного елементу зі згаданих проблем є основним рушієм ідеї розробки ідеології попередньої діагностики, оскільки дозволяє швидше (отже ефективніше) реагувати на виникнення проблем. Окрім того, сьогодні в Україні (і у світі теж) надшвидкими темпами зростає вартість медичного обслуговування і не кожне суспільство може собі дозволити оплачувати медичні послуги за звичними в ХХ-му столітті правилами. Одним з рішень, з яким знайома Україна (вимірювання тиску), тепер робиться самостійно, а не викликається бригада швидкої допомоги (лікар, медсестра/брат, водій). Автори поставили перед собою задачу дослідити наступну можливість в задачі попередньої діагностики для зменшення навантаження на медичну систему. Метою роботи є перевірка гіпотези можливості раннього виявлення кардіовідхилень шляхом розробки/створення індивідуального мобільного пристрою попередньої діагностики стану. Зокрема, на прикладі моніторингу найбільш поширеної проблеми швидкої ранньої діагностики на основі кардіосигналів. Головною перевагою застосування досліджуваного підходу є можливість ранньої діагностики (швидкого реагування) на ускладнення, що зчитується давачем та аналізується аналітичною системою (системою моніторингу). У роботі показано базове дослідження та експериментально перевірено базові гіпотези. Перевірено рівень і кількість базових задач, які потрібно вирішити для досягнення кінцевої мети. Перевірено базову концепцію персонального інтелектуального радника. Візуалізовано результати, які отримано під час експериментів.

Ключові слова: мобільні, персональні, пристрої відбору даних, медичне обслуговування, машинне навчання.

Посилання:

1. Chen Chen1, Chen Qin, Huaqi Qiu1, Giacomo Tarroni, Jinming Duan, Wenjia Bai and Daniel Rueckert. Deep Learning for Cardiac Image Segmentation: A Review // rontiers in cardiovacular medicine. March 2020. doi: 10.3389/fcvm.2020.00025.
2. Syed Ghufran Khalid , Jufen Zhang, Fei Chen, Dingchang Zheng ‘Blood Pressure Estimation Using Photoplethysmography Only: Comparison between Different Machine Learning Approaches’ // Hindawi Journal of Healthcare Engineering Volume 2018, Article ID 1548647, 13 pages(https://doi.org/10.1155/2018/1548647).
3. C. Ho ̈cht, “Blood pressure variability: prognostic value and therapeutic implications,” ISRN Hypertension, vol. 2013, Article ID 398485, 16 pages, 2013.
4. De La Sierra, “Ambulatory blood pressure monitoring is a useful tool for all patients,” Hipertens Riesgo vascular, vol. 34, no. 1, pp. 45–49, 2017.
5. D. Buxi, J. M. Redoute, and M. R. Yuce, “Cuffless blood pressure estimation from the carotid pulse arrival time using continuous wave radar,” in Proceedings of Annual International Conference of the IEEE Engineering in Medicine and Biology Society, IEEE Engineering in Medicine and Biology Society Annual Conference, pp. 5704–5707, Milano, Italy, August 2015.
6. Cynthia Rudin. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence | 210 VOL 1 | MAY 2019 | 206–215 www.nature.com/natmachintell.
7. Saydova M.A., Avalian A.A., Oshchepkova E.V. y dr. Sravnytelnыe vozmozhnosty metoda spekl-trekynh-эkhokardyohrafyy v dvumernom y trekhmernom rezhymakh v vыiavlenyy subklynycheskoi kardyotoksychnosty u bolnыkh rakom molochnoi zhelezы. Terapevtycheskyi arkhyv. 2020; 92 (12): 142–147. DOI: 10.26442/00403660.2020.12.200431.
8. V. Hrytsyk, A. Hrondzal. Model audio-vizualnoho spryiniattia// MK – ISDMCI2015. - Conference Proceedings. - Kherson: KNTU, 2015. – 51-53p.
9. V. Hrytsyk, A. Grondzal, A. Bilenkyj,. Augmented reality for people with disabilities // Proceedings of the International Conference on Computer Sciences and Information Technologies, CSIT’2015.
10. V. Hrytsyk, S. Krivtsov. Doslidzhennia kohnityvnykh vlastyvostei shtuchnykh neironnykh merezh // NAN U. In-t problem modeliuvannia v enerhetytsi. – Modeliuvannia ta informatsiini tekhnolohii. – Vyp№72. – 2014. – s.124-195.
11. https://www.sparkfun.com/products/12650.
12. https://cdn.sparkfun.com/datasheets/Sensors/Biometric/AD8232.pdf.
13. https://learn.sparkfun.com/tutorials/ad8232-heart-rate-monitor-hookup-guide/all.
14. https://litfl.com/pr-interval-ecg-library/.
15. https://github.com/sparkfun/AD8232_Heart_Rate_Monitor/blob/master/Software/Heart_Rate_Display_Arduino/Heart_Rate_Display_Arduino.ino#L47.
16. https://www.physionet. org/content/mitdb/1.0.0/.
17. https://udcsummary.info/php/index.php?id=13358&lang=uk