Разработка AI-системы для превентивного определения заболеваний сердечно-сосудистой системы

 
 
 
 
 
 
 
 
 
РАЗРАБОТКА AI-СИСТЕМЫ 
ДЛЯ ПРЕВЕНТИВНОГО ОПРЕДЕЛЕНИЯ ЗАБОЛЕВАНИЙ 
СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ 
 
 
Монография 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Москва    Вологда 
«Инфра-Инженерия» 
2024

УДК 004.8 
ББК 32.813 
Р17 
 
 
А в т о р ы: 
Пылов П. А., Майтак Р. В., Дягилева А. В., Протодьяконов А. В.  
 
 
Рецензенты: 
 
доктор технических наук, профессор, заведующий кафедрой теоретической физики 
ФГБОУ ВО «Кемеровский государственный университет» Гордиенко Алексей Болеславович; 
 
доктор технических наук, профессор, академик РЭА, ведущий научный сотрудник 
АО «НЦ ВостНИИ» Зыков Виктор Семенович; 
 
доктор технических наук, профессор кафедры математики ФГБОУ ВО «Кузбасский 
государственный университет имени Т. Ф. Горбачева» Ермакова Инна Алексеевна  
 
 
 
 
 
 
Р17   
Разработка AI-системы для превентивного определения заболеваний сердечно-сосудистой системы : монография / [Пылов П. А. и др.]. – 
Москва ; Вологда : Инфра-Инженерия, 2024. – 104 с. : ил., табл. 
ISBN 978-5-9729-1948-2 
 
Монография посвящена разработке и аналитике прикладных моделей машинного обучения, которые могут быть использованы в качестве основы для прогнозирования и превентивного определения заболеваний сердечно-сосудистой системы 
человека. 
Для специалистов прикладной сферы анализа данных. Может быть полезно студентам и сотрудникам высших технических учебных заведений. 
 
УДК 004.8 
ББК 32.813 
 
 
 
 
 
 
 
 
ISBN 978-5-9729-1948-2 
” Издательство «Инфра-Инженерия», 2024 
 
” Оформление. Издательство «Инфра-Инженерия», 2024 

ОГЛАВЛЕНИЕ 
 
ВВЕДЕНИЕ…………………………………………………………………………. 4 
РАЗДЕЛ 1. Разработка методики использования систем искусственного  
интеллекта при аналитике кардиологических данных…………………………… 8 
1.1. Совокупность критериев, используемых в кардиологии  
для аналитики состояния пациентов…………………………………………. 8 
1.2. Периферийные данные пациентов, которые могут быть исключены  
из исследований, основанных на моделях искусственного интеллекта….. 13 
1.3. Класс моделей искусственного интеллекта, которые наиболее  
оптимальны для аналитики кардиологических данных…………………… 16 
1.4. Цель и задачи исследования……………………………………………. 28 
Итоги по 1 разделу…………………………………………………………… 29 
РАЗДЕЛ 2. Реализация модели наивного Байеса для прогнозирования  
сердечных заболеваний, требующих безотлагательного вмешательства  
кардиологов………………………………………………………………………… 
30 
2.1. Оптимальный байесовский классификатор……………………………. 30 
2.2. Модернизированный алгоритм наивного Байесовского  
классификатора………………………………………………………………. 33 
2.3. Программная реализация модели искусственного интеллекта  
на основе алгоритма наивного Байеса……………………………………… 40 
2.4. Прикладная метрика оценки точности разработанной модели  
наивного Байеса, основанная на разной цене за ложноположительную  
и ложноотрицательную ошибку…………………………………………….. 50 
Итоги по 2 разделу…………………………………………………………… 56  
РАЗДЕЛ 3. Экспертная оценка и системная интеграция программного  
решения с прикладной областью…………………………………………………. 57 
3.1. Оценка точности функционирования модели наивного Байеса  
на архивных данных практикующим кардиологом………………………... 57 
3.2. Оценка точности функционирования модели наивного Байеса  
на данных новых пациентов практикующим кардиологом……………….. 62 
3.3. Сопоставление результатов экспертной оценки со значениями  
прикладных метрик точности……………………………………………….. 66 
3.4. Системная интеграция разработанного программного решения  
в кардиологическое отделение……………………………………………… 67 
Итоги по 3 разделу…………………………………………………………… 84 
ЗАКЛЮЧЕНИЕ……………………………………………………………………. 86 
БИБЛИОГРАФИЧЕСКИЙ СПИСОК…………………………………………….. 87 
3 
 

ВВЕДЕНИЕ 
 
Аналитика медицинских данных – это трудоёмкий процесс. На практике, 
в медицинских учреждениях, он еще более усложняется тем, что большие массивы данных, притекающие от каждого пациента, приходится обрабатывать 
конкретному специалисту. Высокая нагрузка на служителей панацеи повышает 
вероятность возникновения ошибки, относящейся к человеческому фактору. 
Вышеизложенный материал определяет актуальность темы настоящей монографии, основанной на автоматизации процесса аналитики медицинских кардиологических данных. 
Степень научной проработанности темы ограничивается весьма узким 
кругом исследователей, которые разрабатывали решения, основанные на предсказательных моделях искусственного интеллекта. Несмотря на популярность 
данной тематики, большинство исследователей отдают предпочтение только 
рассмотрению частных случаев, упуская при этом значимость общей проблемы 
[1]. Одним из самых ярких программных решений в такой области является модель ожиданий авторов A. Thrishul Kumar, B. Navya, T. Bhavan и Y. Hrishikesh 
[1], основанная на алгоритме логистической регрессии. Их проект, представленный вниманию публики на конференции AIP Conference Proceedings в  
2022 году, однако, также посвящен исследованию ишемической болезни сердца, не затрагивая при этом другие острые сердечные заболевания. 
Пробелы в этой области знаний, несомненно, должны восполняться новыми исследованиями и моделями, которые бы позволяли охватывать как можно более общий список сердечных заболеваний, не концентрируясь целиком на 
каком-то конкретном из них. 
Объектом исследования является процесс вынесения экспертного заключения кардиологом о предрасположенности пациента к серьезным сердечным заболеваниям, требующим безотлагательного вмешательства. 
Предметом исследования является разработка модели искусственного 
интеллекта для аналитики кардиологических данных. 
Целью монографии является модернизация процесса вынесения решения 
(диагноза) кардиологом на основе использования модели искусственного интеллекта, превентивно определяющей склонность к острым сердечным заболеваниям. 
Для достижения цели, поставленной в данной работе, были определены 
следующие задачи: 
x математическая оценка признаков кардиологических данных для выбора автоматизирующей модели искусственного интеллекта; 
4 
 

x выбор подтипа алгоритма искусственного интеллекта для достижения 
поставленной цели; 
x обоснование выбора метрики для оценки точности программной реализации алгоритма искусственного интеллекта; 
x соотнесение результатов оценки функционирования алгоритма по прикладной метрике точности и экспертному заключению специалиста предметной 
области (кардиолога). 
Теоретическая и практическая значимость работы 
Теоретическое значение настоящей монографии состоит в том, что данное программное решение является первой в Кузбассе интеллектуальной системой, предоставляющей второе медицинское мнение для специалистов кардиологических отделений клинических больниц. 
Практическая значимость работы состоит в следствиях, которые вытекают из системной интеграции программного решения в кардиологические отделения: 
x социальная эффективность: улучшаются условия труда кардиологов, а 
также значительно сокращается время ожидания результатов анализов для пациентов; 
x научная эффективность: появление новых закономерностей и взаимосвязей в признаках кардиологических данных, которые позволили сформировать обобщающую способность модели искусственного интеллекта; авторская 
модернизация модуля предварительной обработки данных, основанная на анализе предметной области и математических законах; 
x экономическая эффективность: сокращение времени, требуемого для 
вынесения диагноза пациенту, будет сокращать и период его пребывания в стационаре клиники. 
Основные пункты научной новизны монографии 
Реализация алгоритма искусственного интеллекта относится к решению 
задачи программного типа, поэтому, предположить, что при решении программируемой задачи возникает научная новизна, достаточно сложно. Но, при решении данной конкретной задачи выделяются следующие особенные критерии: 
x уникальная ценность отдельного критерия набора данных, каждый из 
которых по-разному влияет на конечный результат (склонность к заболеванию); 
x баланс данных, который сильно зависит от пола пациента (мужской или 
женский). Этот критерий накладывает особенные ограничения на корректное 
формирование обобщающей способности алгоритма [3]; 
5 
 

x прикладная задача, которую требуют разрешить данные, сводится не 
только к задаче классификации, но и к вероятностной оценке результатов прогнозирования. 
Данные критерии требуют модификации алгоритма искусственного интеллекта, так как являются новыми по отношению к его базовой конфигурации. 
Таким образом, научная новизна монографии охарактеризована также программной новизной реализации модели искусственного интеллекта. 
Степень достоверности результатов 
Оценивается на основании общепринятой прикладной метрики точности 
моделей искусственного интеллекта [2]. Прикладная значимость особенно важна в задаче медицинского типа, поскольку регуляция на ее основе позволила 
практически полностью исключить ложноотрицательные срабатывания алгоритма, не сильно увеличив при этом ошибку ложноположительных определений. 
С точки зрения медицинского учреждения, гораздо важнее, чтобы модель 
искусственного интеллекта не пропустила действительно склонного к заболеванию пациента, чем если бы она неправильно признала бы здорового человека, 
отнеся его к больному. 
Степень достоверности результатов работы алгоритма искусственного 
интеллекта, которая была оценена по прикладной метрике точности, также подтверждена результатами экспертной оценки практикующего кардиолога ГАУЗ 
ККБСМП. По результатам экспертной оценки, точность, оцененная кардиологом, оказалась выше точности прикладной метрики, что характеризует высокое 
качество обобщающей способности разработанной модели. 
Структура монографии 
Настоящая монография состоит из введения, трех разделов, заключения и 
библиографического списка. 
Первый раздел является теоретической базой настоящей монографии, в 
нем рассмотрены существующая система сбора и обработки кардиологических 
данных. Рассмотрены системы искусственного интеллекта, которые могут быть 
использованы при аналитике подобных данных. 
Во втором разделе раскрыт вопрос программного применения моделей 
искусственного интеллекта для аналитики кардиологических данных. Представлен разработанный классификатор и его усовершенствованная вариация, 
основанная на модели наивного Байеса для условий рассматриваемой прикладной задачи. Обоснован выбор прикладной метрики для оценки точности классификации, а также рассмотрен вопрос вероятностной оценки результатов 
функционирования алгоритма. 
6 
 

Третий раздел включает в себя экспертную оценку практикующего кардиолога. Также в данной части работы представлено сопоставление ответов по 
прикладной метрики точности (по которой был оценены результаты работы алгоритма в предыдущей части) и по экспертному заключению специалиста 
предметной области. Высокая оценка результатов функционирования алгоритма кардиологом стала основой для системной интеграции прикладного решения 
в клиническую больницу. 
В процессе выполнения работы были использованы следующие инструменты: Jupyter Notebook (на основе ядра языка программирования Python 3.10), 
MS Excel, MS Word. 
 
 
7 
 

РАЗДЕЛ 1. РАЗРАБОТКА МЕТОДИКИ ИСПОЛЬЗОВАНИЯ 
СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА  
ПРИ АНАЛИТИКЕ КАРДИОЛОГИЧЕСКИХ ДАННЫХ 
 
1.1. Совокупность критериев, используемых в кардиологии  
для аналитики состояния пациентов 
 
Сердечно-сосудистые заболевания являются одной из главных причин 
смертности среди населения Российской Федерации [4]. 
Поэтому мероприятия по профилактике, ранней диагностике, выявлению 
факторов риска, особенно у пациентов среднего и молодого возраста, имеют 
первостепенную значимость и учитываются при организации работы кардиологических отделений клинических больниц. 
Болезни сердечно-сосудистой системы часто являются причиной инвалидизации населения трудоспособного возраста. Поэтому любые изменения работы сердца не могут быть оставлены без внимания и обязательно должны исследоваться квалифицированным кардиологом. 
Поводом для обращения к кардиологу может послужить: 
x боль в области сердца: ноющего характера, давящая, пульсирующая или 
резкая колющая; 
x учащенное сердцебиение; 
x дискомфорт или сдавленность в области грудной клетки. 
В кардиологических отделениях специалисты узкого профиля диагностируют и лечат: 
x ишемическую болезнь сердца (ИБС); 
x гипертоническую болезнь; 
x различные нарушения ритма и проводимости сердца; 
x атеросклероз, гиперлипидемии, дислипидемии; 
x пороки сердца (врожденные и приобретенные); 
x миокардиты и перикардиты; 
x острый коронарный синдром; 
x сердечную недостаточность; 
x цереброваскулярные заболевания и другие расстройства. 
Однако, для того чтобы вовремя предупредить сердечно-сосудистые заболевания и остановить их негативную динамику, для кардиолога необходимы 
следующие вспомогательные методы диагностики: 
 
8 
 

x электрокардиография; 
x ангиокардиография; 
x зондирование полостей сердца; 
x пробы с физической нагрузкой (например, велоэргометрия) – то есть 
определение переносимости физической нагрузки; 
x суточное мониторирование ЭКГ и АД; 
x возможно проведение анализов крови экспресс-методом; 
x компьютерная томография-коронарография. 
В отдельных случаях, может появиться необходимость в проведении инструментальной диагностики, которая позволяет получить более широкий 
спектр данных: 
x Допплеровское ультразвуковое исследование крупных сосудов (к ним 
относятся венозные и артериальные сосуды) всех локализаций. Это исследование основано на ультразвуковых волнах, которые проходят через мягкие ткани 
и формируют компьютерное изображение благодаря эффекту отражения волн. 
Трактовка результатов ультразвукового исследования требует соответствующих знаний и опыта. 
x Мониторинговая компьютерная пульсоксиметрия – это простой, и информативный метод неинвазивного медицинского исследования, позволяющий 
определить насыщенность артериальной крови кислородом. 
x Измерение плече-лодыжечного индекса – отражает состояние кровотока 
в нижних конечностях. Индекс рассчитывается как отношение систолического 
артериального давления в нижних конечностях к значению систолического 
давления в верхних конечностях. 
x Эхокардиография – это ультразвуковой метод диагностики функционального состояния сердца. Данное исследование является одним из обязательных для больных с патологией сердечно-сосудистой системы (ишемической 
болезнью сердца, гипертонической болезнью, пороком сердца и другими заболеваниями). 
x Суточное холтеровское мониторирование ЭКГ – это исследование, при 
котором запись электрокардиографии фиксируется непрерывно в течение одних 
и двух целых астрономических суток. Аналитика записанной информации позволяет оценить работу сердца в разных условиях, выявить нарушения в кровоснабжении и прояснить причины целого ряда потенциально возможных заболеваний. 
x Ортостатическая проба – это метод исследования, направленный на выявление заболеваний нервной и сердечно-сосудистой системы. Тестирование 
9 
 

подразумевает фиксацию электрокардиографии при изменении положения тела 
пациента из горизонтального в вертикальное. 
Главной задачей кардиолога является вынесение решения об отсутствии, 
склонности или фиксирование уже имеющихся нарушений в работе сердечнососудистой системе пациентов. 
Решение выносится на основе кардиологических данных, которые аккумулируются у кардиолога от других диагностических и вспомогательных подразделений клинической больницы. 
В подавляющем большинстве, дополнительные методы инструментальной диагностики сердечных заболеваний требуются только в исключительных, 
особо сложных, случаях [8]. По этой причине, для определения склонности пациентов к сердечно-сосудистым заболеваниям, требующих срочной инициализации процесса лечения и вмешательства кардиологов, был определён стандартный набор однотипных характеристик, на достаточной основе которых выносится решение специалиста медицинского учреждения [4, 8]. 
Набор характеристик, который является необходимым и достаточным 
условием постановки диагноза о склонности к сердечным заболеваниям, представлен в таблице 1. 
 
Таблица 1 – Набор характеристик, необходимых для постановки  
пациенту диагноза кардиологом 
Порядковый № 
критерия 
Название критерия 
Единица измерения критерия  
(для медицинского типа критериев),  
общепринятая в Российской Федерации 
1 
Фамилия, имя,  
отчество пациента 
 
2 
Пол пациента 
Один из двух возможных вариантов: 
1) мужской; 
2) женский 
3 
Дата (в формате 
день, месяц, год)  
и место рождения 
 
4 
Контактный  
телефон пациента 
 
5 
 
Контактный  
телефон родственника (при наличии 
такового) 
6 
Реквизиты полиса 
ОМС 
 
7 
Реквизиты полиса 
ДМС (при наличии) 
 
10