ИШЕМИЯЛЫҚ ЖҮРЕК АУРУЫ ҚАУПІН ЖҮРЕК СОҒУ ЫРҒАҒЫНЫҢ ВАРИАБЕЛДІЛІГІН БЕЙСЫЗЫҚ ТАЛДАУ НЕГІЗІНДЕ ТАҒЫЛАТЫН ҚҰРЫЛҒЫЛАР ДЕРЕКТЕРІ БОЙЫНША БОЛЖАУ

Кіріспе.Ишемиялық жүрек ауруы әлем бойынша өлім-жітімнің жетекші себептерінің бірі болып табылады, бұл халық арасында қолжетімді және инвазивті емес скрининг құралдарын енгізудің өзектілігін арттырады.

Зерттеудің мақсаты – тағылатын фотоплетизмографиялық құрылғы негізінде жүрек соғу ырғағының вариабелділігі параметрлерін қолданып, ишемиялық жүрек ауруы қаупін бағалау мүмкіндігін зерттеу.

Материалдар мен әдістер. Зерттеу барысында фотоплетизмографияға негізделген, саусаққа тағылатын «Zhurek» IoT құрылғысы құрастырылды; құрылғы жүрек соғу ырғағының вариабелділігін нақты уақытта есептейді. «Zhurek» көрсеткіштері үш-қорғасындық Холтерлік электрокардиография деректерімен салыстырылды, ал ангиографиялық түрде диагнозы расталған пациенттер мен сау еріктілерден алынған деректерге машиналық оқыту алгоритмдері қолданылды.

Нәтижелер. Холтерлік электрокардиографиямен салыстырғанда жаңа құрылғының өлшеу нәтижелеріндегі ауытқулар клиникалық тұрғыдан қолайлы деңгейде болды; жүрек соғу ырғағының вариабелділігі параметрлері, әсіресе төмен жиілікті қуат және пациенттің жасы, ишемиялық жүрек ауруын айқындаудың негізгі дискриминациялық көрсеткіштері ретінде анықталды.

Қорытынды. «Zhurek» құрылғысы ишемиялық жүрек ауруы қаупін ауқымды стратификациялауға жарамды және денсаулық сақтауда аурудың пайда болуын күтуден оны ерте алдын алуға бағытталған проактивті модельге көшуге мүмкіндік бере алады.

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.