Система поддержки принятия врачебных решений в кардиологии на основе цифрового двойника сердечно-сосудистой системы

В статье проведен анализ существующих цифровых двойников сердечно-сосудистой системы и систем поддержки принятия врачебных решений в кардиологии. Отмечена низкая степень проработанности или отсутствие в них учета механизмов регуляции кровообращения. Предложена структура новой биотехнической системы, позволяющая формировать рекомендации врачу для принятия решения о лечебных воздействиях для оптимизации функций (индексов) сердечно-сосудистой системы пациента. Приведена постановка и решение задачи оптимизации состояния пациента для системы поддержки принятия врачебных решений. Описана структура биотехнической системы оптимизации состояния пациента с использованием цифрового двойника сердечно-сосудистой системы как виртуальной персонализированной модели системы кровообращения, связанной с пациентом двусторонней информационной связью. Представлена схема элементов биотехнической системы, описывающая пути передачи диагностической информации от пациента к цифровому двойнику сердечно-сосудистой системы. Приведено аппаратное обеспечение для проверки адекватности (валидации), верификации и идентификации цифрового двойника сердечно-сосудистой системы. Рассмотрен пример поиска оптимальных свойств, необходимых для оптимизации индексов функций сердечно-сосудистой системы среднего пациента. Получены текущие и найденные оптимальные значения индексов состояния пациента. Для достижения индексов, обеспечивающих нормализацию состояния пациента, найдены оптимальные значения свойств сердечно-сосудистой системы.

1. Технология индивидуальной терапии. Под ред. В.А. Лищука и Д.Ш. Газизовой. М.: ООО «ПРИНТ ПРО»; 2016. 249 с.

2. Крамм М.Н., Безбородова О.Е., Бодин О.Н., Светлов А.В. Цифровой двойник сердца. Измерения. Мониторинг. Управление. Контроль. 2021;1:73–84. Доступно по: https://elib.pnzgu.ru/files/eb/GIZ6IzEbZX7T.pdf. DOI: 10.21685/2307-5538-2021-1-9 (дата обращения: 13.01.2023).

3. Фролов С.В., Алиев Н.Э., Коробов А.А., Синдеев С.В. Подходы к нульмерному моделированию сердечно-сосудистой системы и их использование при оценке мозгового кровообращения. Известия Тульского государственного университета. Технические науки. 2018;10:240–248. Доступно по: https://cyberleninka.ru/article/n/podhody-k-nulmernomu-modelirovaniyu-serdechno-sosudistoy-sistemy-i-ih-ispolzovanie-pri-otsenke-mozgovogo-krovoobrascheniya/pdf (дата обращения: 13.01.2023).

4. Фролов С.В., Коробов А.А., Газизова Д.Ш., Потлов А.Ю. Модель сердечно-сосудистой системы с регуляцией на основе нейронной сети. Модели, системы, сети в экономике, технике, природе и обществе. 2021;2:79–94. Доступно по: https://mss.pnzgu.ru/mss5221. DOI: 10.21685/2227-8486-2021-2-5 (дата обращения: 13.01.2023).

5. Baillargeon B., Rebelo N., Fox D.D., Taylor R.L., Kuhl E. The Living Heart Project: A robust and integrative simulator for human heart function. European Journal of Mechanics. 2014;48:38–47. Доступно по: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4175454/pdf/nihms589535.pdf. DOI: 10.1016/j.euromechsol.2014.04.001 (дата обращения: 13.01.2023).

6. Narang A., Mor-Avi V., Prado A., Volpato V., Prater D., Tamborini G., Fusini L., Pepi M., Goyal N., Addetia K., Gonçalves A., Patel A. R., Lang R.M. Machine learning based automated dynamic quantification of left heart chamber volumes. European Heart Journal – Cardiovascular Imaging. 2019;20(5):541–549. Доступно по: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6933871/pdf/jey137.pdf. DOI: 10.1093/ehjci/jey137 (дата обращения: 13.01.2023).

7. Renaudin C.P., Barbier B., Roriz R., Revel D., Amiel M. Coronary arteries: new design for three-dimensional arterial phantoms. Radiology. 1994;190(2):579–582. DOI: 10.1148/radiology.190.2.8284422.

8. Chakshu N.K., Sazonov I., Nithiarasu P. Towards enabling a cardiovascular digital twin for human systemic circulation using inverse analysis. Biomechanics and Modeling in Mechanobiology. 2021;20:449–465. Доступно по: https://link.springer.com/content/pdf/10.1007/s10237-020-01393-6.pdf?pdf=button. DOI: 10.1007/s10237-020-01393-6 (дата обращения: 13.01.2023).

9. Mazumder O., Roy D., Bhattacharya S., Sinha A., Pal A. Synthetic PPG generation from haemodynamic model with baroreflex autoregulation: a Digital twin of cardiovascular system. 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society Virtual. 2019:5024–5029. DOI: 10.1109/EMBC.2019.8856691.

10. Garber L., Khodaei S., Keshavarz-Motamed Z. The critical role of lumped parameter models in patient-specific cardiovascular simulation. Archives of Computational Methods in Engineering. 2022:2977–3000. DOI: 10.1007/s11831-021-09685-5.

11. Ясницкий Л.Н., Черепанов Ф.М. Нейроэкспертная система диагностики, прогнозирования и управления рисками сердечно-сосудистых заболеваний. Прикладная математика и вопросы управления. 2018;3:107–126. Доступно по: https://vestnik.pstu.ru/get/_res/fs/file.pdf/7796/%CD%E5%E9%F0%EE%FD%EA%F1%EF%E5%F0%F2%ED%E0%FF+%F1%E8%F1%F2%E5%EC%E0+%E4%E8%E0%E3%ED%EE%F1%F2%E8%EA%E8%2C+%EF%F0%EE%E3%ED%EE%E7%E8%F0%EE%E2%E0%ED%E8%FF+%E8+%F3%EF%F0%E0%E2%EB%E5%ED%E8%FF+%F0%E8%F1%EA%E0%EC%E8+%F1%E5%F0%E4%E5%F7%ED%EE-%F1%EE%F1%F3%E4%E8%F1%F2%FB%F5+%E7%E0%E1%EE%EB%E5%E2%E0%ED%E8%E9file.pdf. DOI: 10.15593/2499-9873/2018.3.08 (дата обращения: 13.01.2023).

12. Лищук В.А. Математическая теория кровообращения. М.: Медицина; 1991. 265 с.

13. Бураковский В.И., Лищук В.А., Газизова Д.Ш. Айболит – новая технология классификации, диагностики и интенсивного индивидуального лечения. М.: Институт сердечно-сосудистой хирургии; 1991. 64 с.

14. Киселев К.В., Ноева Е.А., Выборов О.Н., Зорин А.В., Потехина А.В., Осяева М.К., Швырев С.Л., Мартынюк Т.В., Чазова И.Е., Зарубина Т.В. Разработка архитектуры базы знаний системы поддержки принятия врачебных решений, основанной на графовой базе данных. Медицинские технологии. Оценка и выбор. 2018;3(33):42–48. Доступно по: https://cyberleninka.ru/article/n/razrabotka-arhitektury-bazy-znaniy-sistemy-podderzhki-prinyatiya-vrachebnyh-resheniy-osnovannoy-na-grafovoy-baze-dannyh/pdf. DOI: 10.31556/2219-0678.2018.33.3.042-048 (дата обращения: 13.01.2023).

15. Кириков И.А., Колесников А.В., Румовская С.Б. Функциональная гибридная интеллектуальная система для поддержки принятия решений при диагностике артериальной гипертензии. Системы и средства информатики. 2014;24(1):153–179. Доступно по: https://www.mathnet.ru/links/fe3a80a5527c85600ea3b24dece2c7a8/ssi335.pdf. DOI: 10.14357/08696527140110 (дата обращения: 13.01.2023).

16. Лосик Д.В., Козлова С.Н., Кривошеев Ю.С., Пономаренко А.В., Пономарев Д.Н., Покушалов Е.А., Большакова О.О., Жабина Е.С., Лясникова Е.С., Корельская Н.А., Трукшина М.А., Тулинцева Т.Э., Конради А.О. Результаты ретроспективного анализа выбора терапии при помощи сервиса поддержки принятия врачебных решений у пациентов с артериальной гипертензией и фибрилляцией предсердий (ИНТЕЛЛЕКТ). Российский кардиологический журнал. 2021;26(4):54–60. Доступно по: https://russjcardiol.elpub.ru/jour/article/view/4406/3292. DOI: 10.15829/1560-4071-2021-4406 (дата обращения: 13.01.2023).

17. Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э., Кузнецова Т.Ю. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020;5:41–46. DOI: 10.29296/25877305-2020-05-08.

18. McLachlan A., Wells S., Furness S., Jackson R., Kerr A. Equity of access to CVD risk management using electronic clinical decision support in the coronary care unit. European Journal of Cardiovascular Nursing. 2010;9(4):233–237. Доступно по: https://academic.oup.com/eurjcn/article/9/4/233/5929284?login=false. DOI: 10.1016/j.ejcnurse.2010.01.007 (дата обращения: 13.01.2023).

19. Korobov A.A., Frolov S.V., Aliyev N.E., Rodionova I.E. Dual-contoured model of cardiovascular system regulation. Journal of Physics: Conference Series. 2020;1553:012006. Доступно по: https://iopscience.iop.org/article/10.1088/1742-6596/1553/1/012006/pdf. DOI: 10.1088/1742-6596/1553/1/012006 (дата обращения: 13.01.2023).

20. Frolov S.V., Sindeev S.V., Korobov A.A., Potlov A.Yu. Combined method of neurocontrol for nonlinear non-stationary object. 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). 2020:582–585. Доступно по: https://ieeexplore.ieee.org/document/9280705 DOI: 10.1109/SUMMA50634.2020.9280705 (дата обращения: 13.01.2023).

21. Фролов С.В., Потлов А.Ю., Коробов А.А., Савинова К.С. Градиентный метод нейросетевого управления многосвязными нелинейными нестационарными стохастическими системами. Приборы и системы. Управление, контроль, диагностика. 2021;5:41–48. DOI: 10.25791/pribor.5.2021.1262.

22. Фролов С.В., Синдеев С.В., Коробов А.А., Савинова К.С., Потлов А.Ю. Двухэтапная процедура синтеза управления нелинейными нестационарными объектами с использованием многослойного персептрона. Моделирование, оптимизация и информационные технологии. 2020;8(3). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=822 DOI: 10.26102/2310-6018/2020.30.3.028 (дата обращения: 13.01.2023).

23. Wiener N. Cybernetics: or the Control and Communication in the Animal and the Machine. 2nd revised ed. Paris, The MIT Press; 1961. 212 p.

24. Биотехнические системы. Теория и проектирование: Учебное пособие. Под ред. В.М. Ахутина. Л.: ЛГУ; 1981. Доступно по: http://elib.osu.ru/bitstream/123456789/6087/1/638_20110709.pdf (дата обращения 13.01.2023).