Предотвратимые болезни сердца являются одной из основных причин смертности в мире. По оценкам Всемирной организации здравоохранения, сердечно-сосудистые заболевания стали причиной 31% всех смертей в 2016 году, что делает их причиной смерти номер 1 во всем мире¹. Среди сердечно-сосудистых заболеваний сердечная аритмия является одной из самых распространенных. Аритмия описывает ряд состояний, при которых сердце бьется слишком быстро, слишком медленно или нерегулярно. Аритмии являются причиной до 80% случаев внезапной остановки сердца, что приводит к примерно 12% всех смертей в год².

В то время как некоторые формы сердечно-сосудистых заболеваний можно полностью предотвратить с помощью изменений образа жизни, таких как увеличение физической активности и улучшение питания, другие состояния, такие как мерцательная аритмия (AFib), сложнее распознать. Это наиболее распространенная форма нарушения сердечного ритма, и есть надежда, что новые инструменты мониторинга могут значительно улучшить нашу способность понимать и предотвращать болезнь.

Мерцательная аритмия возникает, когда две верхние камеры сердца (предсердия) не работают синхронно с нижними камерами, сокращаясь случайным образом. Когда это происходит, нижние камеры не заполняются полностью и не перекачивают достаточное количество крови в легкие и тело. ФП подвергает пациентов повышенному риску инсульта, смерти, сердечной недостаточности и деменции. Но эту аритмию часто трудно обнаружить из-за отсутствия заметных симптомов. Если эпизоды мерцательной аритмии являются прерывистыми или нечастыми, пациенту, возможно, придется постоянно носить устройство для мониторинга в течение нескольких дней или даже недель, пока событие не будет обнаружено.

Вот почему возможность непрерывной записи частоты сердечных сокращений и ритма с помощью повседневных носимых устройств, таких как умные часы, привлекает кардиологов. Это повышает возможность неинвазивного расширенного мониторинга аритмии. После подключения к умным часам программное обеспечение может обнаруживать нерегулярный ритм и предупреждать пользователя или даже отправлять данные в службу отчетности кардиологов для дальнейшего анализа. Триггеры событий могут быть связаны с данными других датчиков, таких как GPS и гироскопы/акселерометры, чтобы сопоставить время появления симптомов с активностью пользователя.

Датчики сердечного ритма на большинстве умных часов работают с помощью фотоплетизмографии (PPG): технологии, используемой обычными пульсоксиметрами для измерения сердцебиения путем отслеживания изменений цвета и, следовательно, поглощения света на поверхности кожи.

Существует множество исследований обнаружения мерцательной аритмии по сигналам электрокардиограммы (ЭКГ). Однако, поскольку ФПГ является неинвазивным методом и может быть зарегистрирован на большинстве современных устройств, он имеет большие перспективы в качестве альтернативы решениям на основе ЭКГ. Исследования показывают, что непрерывный мониторинг с помощью технологии PPG на основе смарт-устройств может быть осуществимым и экономически эффективным подходом к скринингу мерцательной аритмии³. Это поможет усилиям по скринингу и выявлению мерцательной аритмии, а также раннему вмешательству для уменьшения инсульта и других осложнений, связанных с мерцательной аритмией.

ЭКГ (электрокардиография) – это визуальное представление электрических сигналов, исходящих от сердца.

ФПГ (фотоплетизмограмма) использует световые датчики для измерения изменений объема капилляров под кожей. Светодиод освещает кожу; часть его отражается и рассеивается обратно на фотодиод; отраженная величина изменяется по мере сокращения сердца, что определяет частоту сердечных сокращений.

Но современные устройства не лишены ограничений. Их необходимо заряжать ежедневно, что ограничивает потенциальное время мониторинга только дневными часами. Кроме того, изменения цвета кожи, татуировки, температуры, беспорядочные движения и колебания давления на кожу или даже волосатые запястья, а также колебания уровня кислорода могут влиять на показания PPG⁴.

Существует также вопрос конфиденциальности. Растущая передача медицинской информации от потребителей частным компаниям поднимает важные вопросы о праве собственности на такие данные. Если такая физиологическая информация будет передаваться и собираться непрерывно, кому будет принадлежать эта информация?

Интеллектуальное программное обеспечение и алгоритмы играют важную роль в оказании помощи в принятии решений среди практикующих врачей в непрерывном процессе профилактики, диагностики, лечения и последующего наблюдения за пациентами. Машинное обучение позволяет проводить раннюю и точную диагностику путем агрегирования разрозненных фрагментов информации, извлечения ключевых закономерностей из наборов данных, чтобы помочь определить эффективные вмешательства на раннем этапе, когда условия поддаются лечению. Задача состоит в том, чтобы сделать это точным, справедливым, прозрачным и не нарушающим конфиденциальность пациента.

В следующих постах этой серии я расскажу, как использовать сверточные нейронные сети для обнаружения мерцательной аритмии по данным ЭКГ; как сделать это с сохранением конфиденциальности с помощью дифференциальной конфиденциальности и гомоморфного шифрования; и как использовать компьютерное зрение и дополненную реальность, чтобы сделать часть информации интересной.

Узнайте больше:

  1. Использование нейронных сетей для отслеживания нерегулярного сердцебиения
  2. Обзор Лаборатории ЧПУ 1D.works
  3. Упрощение рабочего процесса CAM с помощью Fusion 360
  4. Уникальные продукты в масштабе с САПР с искусственным интеллектом

В 1D.works мы воодушевлены потенциалом ИИ для улучшения бизнеса и жизни людей. Здравоохранение — это лишь одна из практически неисследованных областей, в которые мы инвестируем. Если вы считаете, что можете извлечь выгоду из десятилетнего опыта применения машинного обучения в бизнес-процессах, пожалуйста, свяжитесь с нами!

[1] https://www.who.int/en/news-room/fact-sheets/detail/cardiovassal-diseases-(cvds)

[2] Р. Мехра, «Глобальная проблема здравоохранения внезапной сердечной смерти», Журнал электрокардиологии, том. 40, стр. S118–S122, 2007.

[3] http://www.onlinejacc.org/content/74/19/2365

[4] Скалли К.Г., Ли Дж., Мейер Дж., Горбач А.М., Гранквист-Фрейзер Д., Мендельсон И. и др. . Мониторинг физиологических параметров по оптическим записям с помощью мобильного телефона. IEEE Trans Biomed Eng 2012; 59: 303–6.