ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ОЦІНЮВАННЯ СИСТЕМНОГО СУДИННОГО ОПОРУ НА ОСНОВІ НЕІНВАЗИВНИХ ПАРАМЕТРІВ ГЕМОДИНАМІКИ

Анотація

Подано результати дослідження, спрямованого на застосування методів машинного навчання для неінвазивного оцінювання системного судинного опору (Systemic Vascular Resistance, SVR), який є важливим інтегральним показником стану периферичного кровообігу та широко використовується у клінічній практиці для діагностики серцево-судинних патологій. Гемодинамічні сигнали, зокрема пульсова хвиля та пов’язані з нею фізіологічні параметри, характеризуються поєднанням вираженої ритмічності та стохастичних варіацій, зумовлених регуляторними механізмами серцево-судинної системи та впливом зовнішніх факторів. Актуальність дослідження зумовлена тим, що традиційні методи визначення SVR, такі як лінійні детерміністичні моделі, системи диференціальних рівнянь, спектральний і вейвлет-аналіз, базуються на інвазивних процедурах, пов’язаних із серцевим викидом та середнім артеріальним тиском, які потребують спеціального обладнання, високої кваліфікації персоналу і несуть ризики для пацієнта. Це обмежує їх застосування у рутинній клінічній практиці та скринінгових дослідженнях, що підсилює потребу у розробці безпечних, доступних та автоматизованих методів оцінювання.

Запропоновано математичну формалізацію гемодинамічних сигналів на основі циклічних випадкових процесів, яка слугує теоретичним підґрунтям для подальшого застосування методів машинного навчання та дозволяє одночасно описувати періодичні компоненти серцевого циклу та випадкові флуктуації сигналу. Такий підхід базується на використанні неінвазивних параметрів гемодинаміки: частоти серцевих скорочень, артеріального тиску, морфологічних характеристик пульсової хвилі та показників варіабельності ритму серця. Для підвищення якості моделей здійснено попередню обробку даних з використанням нормалізації, аналізу мультиколінеарності (VIF), зниження розмірності методом головних компонент (PCA) та перевірки гетероскедастичності. Для побудови моделей застосовано сучасні алгоритми машинного навчання — логістичну регресію, метод k-ближчих сусідів, метод опорних векторів та випадковий ліс. Показано, що використання ЦВП створює основу для формування інформативніших і фізіологічно обґрунтованіших ознак, придатних для подальшого використання у класифікаційних і прогностичних моделях.

Розроблено узагальнену блок-схему моделювання гемодинамічних сигналів, яка охоплює етапи попередньої обробки, математичного моделювання, виділення інформативних ознак та класифікації або прогнозування гемодинамічних станів. Отримані результати підтверджують доцільність використання циклічних випадкових процесів як базового інструменту побудови гібридних систем аналізу, що поєднують методи математичного моделювання та штучного інтелекту, і можуть бути використані у сучасних системах біомедичної діагностики та підтримки прийняття рішень.