ПРОГНОЗИРОВАНИЕ РИСКА ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА НА ОСНОВЕ НЕЛИНЕЙНОГО АНАЛИЗА ВАРИАБЕЛЬНОСТИ СЕРДЕЧНОГО РИТМА ПО ДАННЫМ НОСИМЫХ УСТРОЙСТВ

Ведение.Ишемическая болезнь сердца является одной из ведущих причин смертности во всем мире, что подчеркивает актуальность внедрения доступных и неинвазивных методов скрининга среди населения. Исследование было направлено на оценку возможности использования параметров вариабельности сердечного ритма, регистрируемых с помощью носимого фотоплетизмографического устройства, для стратификации риска ишемической болезни сердца.

Материалы и методы. В ходе работы было разработано носимое IoT‑устройство «Zhurek», надеваемое на палец и основанное на технологии фотоплетизмографии; устройство в режиме реального времени вычисляет показатели вариабельности сердечного ритма. Показатели «Zhurek» сравнивались с данными трехканального холтеровского мониторирования электрокардиографии, а к данным ангиографически подтвержденных пациентов и здоровых добровольцев были применены алгоритмы машинного обучения.

Результаты. Отклонения измерений нового устройства по сравнению с холтеровской электрокардиографией находились в клинически приемлемых пределах; параметры вариабельности сердечного ритма, в особенности мощность в низкочастотном диапазоне и возраст пациента, были идентифицированы как ключевые диагностические признаки для выявления ишемической болезни сердца.

Заключение. Устройство «Zhurek» может быть использовано для масштабной стратификации риска ишемической болезни сердца и способствует переходу системы здравоохранения от ожидания манифестации заболевания к проактивной, профилактически ориентированной модели.

1. World Health Organization. (2024). Cardiovascular diseases (CVDs) [Electronic resource]. Retrieved June 11, 2024, from https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).

2. Khan, M. A., et al. (2020). Global epidemiology of ischemic heart disease: Results from the Global Burden of Disease Study. Cureus, 12(7), e9349. DOI: https://doi.org/10.7759/cureus.9349.

3. Severino, P., et al. (2020). Ischemic heart disease pathophysiology paradigms overview: From plaque activation to microvascular dysfunction. International Journal of Molecular Sciences, 21(21), 8118. DOI: https://doi.org/10.3390/ijms21218118.

4. Janicki, Ł. J., et al. (2022). Comparative analysis of the diagnostic effectiveness of SATRO ECG in the diagnosis of ischemia diagnosed in myocardial perfusion scintigraphy performed using the SPECT method. Diagnostics, 12(2), 297. DOI: https://doi.org/10.3390/diagnostics12020297

5. Duca, Ș.-T., et al. (2024). Enhancing comprehensive assessments in chronic heart failure caused by ischemic heart disease: The diagnostic utility of Holter ECG parameters. Medicina, 60(8), 1315. DOI: https://doi.org/10.3390/medicina60081315.

6. Banerjee, R., Ghose, A., & Muthana Mandana, K. (2020). A hybrid CNN–LSTM architecture for detection of coronary artery disease from ECG. In Proceedings of the 2020 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). Glasgow, UK. DOI: https://doi.org/10.1109/IJCNN48605.2020.9207044.

7. Wang, L., et al. (2024). Heart diseases recognition model based on HRV feature extraction over 12-lead ECG signals. Sensors, 24(16), 5296. DOI: https://doi.org/10.3390/s24165296.

8. Verma, L., & Srivastava, S. (2016). A data mining model for coronary artery disease detection using noninvasive clinical parameters. Indian Journal of Science and Technology, 9(11), 1-6. DOI: https://doi.org/10.17485/ijst/2016/v9i11/82653.

9. Gaine, S. P., et al. (2022). Multimodality imaging in the detection of ischemic heart disease in women. Journal of Cardiovascular Development and Disease, 9(10), 350. DOI: https://doi.org/10.3390/jcdd9100350.

10. Doolub, G., et al. (2023). Artificial intelligence as a diagnostic tool in non-invasive imaging in the assessment of coronary artery disease. Medical Sciences, 11(1), 20. DOI: https://doi.org/10.3390/medsci11010020.

11. Sayadi, M., et al. (2022). A machine learning model for detection of coronary artery disease using noninvasive clinical parameters. Life, 12(11), 1933. DOI: https://doi.org/10.3390/life12111933.

12. Ribeiro, P., et al. (2024). Cardiovascular diseases diagnosis using an ECG multi-band non-linear machine learning framework analysis. Bioengineering, 11(1), 58. DOI: https://doi.org/10.3390/bioengineering11010058.

13. Moraes, J. L., et al. (2018). Advances in photoplethysmography signal analysis for biomedical applications. Sensors, 18(6), 1894. DOI: https://doi.org/10.3390/s18061894.

14. Elgendi, M., et al. (2019). The use of photoplethysmography for assessing hypertension. NPJ Digital Medicine, 2, 60. DOI: https://doi.org/10.1038/s41746-019-0136-7.

15. Almarshad, M. A., et al. (2022). Diagnostic features and potential applications of PPG signal in healthcare: A systematic review. Healthcare, 10(3), 547. DOI: https://doi.org/10.3390/healthcare10030547.

16. Kim, K. B., & Baek, H. J. (2023). Photoplethysmography in wearable devices: A comprehensive review of technological advances, current challenges, and future directions. Electronics, 12(13), 2923. DOI: https://doi.org/10.3390/electronics12132923.

17. Shabaan, M., et al. (2020). Survey: Smartphone-based assessment of cardiovascular diseases using ECG and PPG analysis. BMC Medical Informatics and Decision Making, 20, 177. DOI: https://doi.org/10.1186/s12911-020-01199-7.

18. Shaffer, F., & Ginsberg, J. P. (2017). An overview of heart rate variability metrics and norms. Frontiers in Public Health, 5, 258. https://doi.org/10.3389/fpubh.2017.00258.

19. Zeng, J., et al. (2023). High vagally mediated resting-state heart rate variability is associated with superior working memory function. Frontiers in Neuroscience, 17, 1119405. DOI: https://doi.org/10.3389/fnins.2023.1119405.

20. Volpe, M., et al. (2023). How cardiologists can manage excess body weight and related cardiovascular risk: An expert opinion. International Journal of Cardiology, 381, 101–104. DOI: https://doi.org/10.1016/j.ijcard.2023.03.054.

21. Kathiresan, S., & Srivastava, D. (2012). Genetics of human cardiovascular disease. Cell, 148(6), 1242-1257. DOI: https://doi.org/10.1016/j.cell.2012.03.001.