Возможности нейросетевого анализа для оценки прогноза больных хронической сердечной недостаточностью старшего возраста Текст научной статьи по специальности «Медицинские технологии»

Раздел I

БИОЛОГИЯ СЛОЖНЫХ СИСТЕМ. МАТЕМАТИЧЕСКАЯ БИОЛОГИЯ И БИОИНФОРМАТИКА В МЕДИКО-БИОЛОГИЧЕСКИХ СИСТЕМАХ

УДК: 616.12-008.46-002.2-036:004.032.26 DOI: 10.12737/9067

ВОЗМОЖНОСТИ НЕЙРОСЕТЕВОГО АНАЛИЗА ДЛЯ ОЦЕНКИ ПРОГНОЗА БОЛЬНЫХ ХРОНИЧЕСКОЙ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ СТАРШЕГО ВОЗРАСТА

Н.В.МЕДВЕДЕВ*, Е.М.ЛОБЫНЦЕВА""

'Курский государственный медицинский университет, ул. Карла Маркса, д. 3, Курск, Курская область, Россия, 305000 **Курский государственный университет, Ул. Радищева, 33, Курск, Курская область, Россия, 305000

Аннотация. Новые диагностические подходы к установлению тяжести хронической сердечной недостаточности - широко распространенного синдрома на фоне кардиоваскулярных заболеваний должны интегрировать результаты исследования различных звеньев патогенеза, создавать основу оценки риска её прогрессирова-ния, определения дальнейшего индивидуального прогноза. С целью разработки алгоритма интегральной оценки и прогнозирования функциональных нарушений системы кровообращения выполнен нейросетевой анализ эхо-и допплеркардиографических показателей, маркеров субклинического воспаления, липидных нарушений и ок-сидативного стресса, апоптоза, саркопении, интерстициального фиброза в миокарде, отражающих выраженность основных патогенетических процессов в прогрессировании хронической сердечной недостаточности у больных артериальной гипертонией пожилого возраста. Применение нейросетевого анализа с помощью ней-роимитатора NeuroPro 0,25 на основе консилиума нейронных сетей обеспечило высокоточную оценку риска кардиоваскулярных расстройств. После проведения эксперимента получено 15 нейросетей минимальной структуры с их упрощением за счет сокращения числа входных сигналов, позволившее с высокой точностью прогнозировать функциональный класс недостаточности кровообращения. Определена наиболее высокая факторная значимость снижения сывороточного уровня тканевого ингибитора матриксной металлопротеиназы-1 менее 500 пг/мл, увеличения конечного диастолического размера левого желудочка свыше 5 см, уровня активности высокочувствительного С-реактивного протеина более 5 мг/л в определении прогноза прогрессирования хронической сердечной недостаточности.

Ключевые слова: хроническая сердечная недостаточность, старение, артериальная гипертония, нейросете-вой анализ, прогнозирование.

THE POSSIBILITIES OF NEURAL NETWORK ANALYSIS TO EVALUATE THE PROGNOSIS OF CHRONIC

HEART FAILURE IN ELDERLY PATIENTS

N.V. MEDVEDEV*, E.M. LOBYNTSEVA*"

"Kursk State Medical University, Karl Marx Street, d. 3, Kursk, Kursk region, Russia, 305000 "Kursk State University, Radishchev street, 33, Kursk, Kursk region, Russia, 305000

Abstract. New diagnostic approaches to establish the severity of chronic heart failure as a widespread syndrome on a background of cardiovascular diseases should integrate the results of various studies of the pathogenesis and create a basis for risk assessment of its progression, estimation of the individual prognosis. To develop an algorithm of integrated assessment and prediction of functional disorders of the cardio-vascular system, a neural network analysis of echo- and Doppler-cardiography indicators, markers of subclinical inflammation, lipid disorders, oxidative stress, apoptosis, interstitial fibrosis in the myocardium, reflecting the severity of the major pathogenetic processes in the progression of heart failure in elderly hypertensive patients was carried out. The use of neural network analysis by means of neuro-imitator NeuroPro 0,25 on the basis of a consultation of neural networks has provided a highly accurate assessment of the risk of cardiovascular disorders. As results of the experiment were 15 neural networks of minimum structure with their simplification by reducing the number of input signals, allowed to accurately predict the functional class of heart failure. The highest factor importance of reducing serum levels of tissue inhibitor of matrix metalloproteinase-1 less than

500 pg/ml, the increasing end-diastolic dimensions of the left ventricle over 5 cm, the activity level of high-sensitivity C-reactive protein more than 5 mg/l in determining the prognosis of progression of chronic heart failure were identified. Key words: chronic heart failure, aging, hypertension, neural network analysis, prediction.

Высокая распространенность в популяциях разных стран мира хронической сердечной недостаточности (ХСН), несмотря на достижения в области кардиологии и кардиохирургии, требует дальнейшего поиска новых подходов к её ранней диагностике и установлению риска неблагоприятного исхода. В связи с мировой тенденцией увеличения продолжительности жизни населения число больных ХСН пожилого возраста неуклонно повышается. По данным эпидемиологических исследований последних лет в РФ выявлено более 8 миллионов человек с выраженными признаками ХСН, среди которых более 3 миллионов имели Ш-1У ФК заболевания, их ежегодная смертность достигает 80% [1]. У 80% больных ХСН ассоциируется с артериальной гипертензией (АГ). Распространенность ХСН в возрастной группе 25-59 года составляет 1%, в группе 65-74 года - 4-5%, старше 75 лет - около 10%. Этиологическим фактором ХСН у людей старшего возраста чаще всего выступает АГ, запускающая сложный патогенетический механизм, включающий процессы оксидативного стресса, субклинического воспаления, апоптоза, саркопении, приводящие по мере прогрессирования заболевания к диффузному интерстициальному фиброзирова-нию миокарда. Современные подходы к диагностике ХСН должны иметь интегрирующий характер и представлять результаты, на основе которых можно оценить риск её прогрессирования, т.е. дальнейший прогноз. Различные диагностические методы позволяют получать, как правило, разрозненную информацию о морфофункциональном состоянии различных звеньев системы кровообращения. ХСН - полисистемное заболевание, отдельные диагностические критерии которого не могут адекватно характеризовать тяжесть функциональных нарушений для прогнозирования её возможных исходов. Практическому врачу, наблюдающему больных ХСН старше 60 лет, необходим надежный инструмент интегральной оценки нарушений кровообращения, одним из которых признано определение толерантности пациентов к физической нагрузке.

В последнее десятилетие произошла смена концепции патогенеза ХСН в пользу модели, объединяющей предыдущие представления о дисфункции миокарда, нейрогуморальных изменениях и учитывающей научные факты о новых биомаркерах, подтверждающих значимость эндогенного субклинического воспаления, нарушений перекисного гомеоста-за, клеточного апоптоза, интерстициального фиброза, саркопении и других факторов, служащих отражением процессов, объединенных общим патогенезом в развитии нарушений функций сердечнососудистой системы, что требует уточнения прогностической ценности указанных параметров [3,7]. Ак-

тивация перекисного окисления липидов (ПОЛ) при ослаблении антиокислительной защиты, включение механизмов воспаления вызывают повышение интенсивности апоптоза клеток миокарда, приводящее к уменьшению его функционально эффективной массы миокарда, её частичному или значительному замещению соединительнотканными элементами, формированию миокардиальной дисфункции с последующей клинической реализацией симптомами ХСН. В клинической практике с успехом используются информационные методы программной диагностики с помощью интеллектуальных систем [2,46,8]. Разработка в последнее десятилетие статистических методов анализа с применением нейронных сетей приблизила решение проблемы установления значимости отдельных факторов и их соотношения в патогенезе формирования и прогрессирования сердечно-сосудистых заболеваний. Нейронные сети нелинейны и представляют собой мощный метод моделирования позволяющий воспроизводить сложные зависимости. Подходящим типом структуры нейронной сети, решающей задачи медицинской диагностики и прогноза, признается персептрон с сигмоидными активационными функциями [9,10]. Входными сигналами для последующего нейросете-вого анализа служат информация о пациенте: паспортные и антропометрические данные, результаты клинико-инструментальных и лабораторных исследований. Выходами служат диагнозы заболеваний или заключения о степени тяжести нарушения функций. Использование нейронных сетей в диагностике ХСН представляет значительный научно-практический интерес.

Цель исследования - разработать алгоритм интегральной оценки и прогнозирования функциональных нарушений системы кровообращения на основе нейросетевого анализа у больных артериальной гипертонией пожилого возраста.

Материалы и методы исследования. Выполнено поперечное исследование с включением 276 пациентов, средний возраст которых составил 67,8±3,2 года, страдающих гипертонической болезнью II стадии. Средняя длительность АГ составила -8,1±1,7 года. Критериями исключения пациентов из исследования служили вторичные формы АГ, ГБ III стадии, сахарный диабет, заболевания щитовидной железы, внутренних органов в стадии обострения, системные заболевания соединительной ткани, анемии, злокачественные новообразования.

Критерии миокардиальной дисфункции верифицировались эхо- и допплеркардиографическим методами с применением УЗ сканера МуЪаЬ15 (Esoate/PieMedical, Италия) в М и В-режимах по методике Американского общества по эхокардиографии

(ASE). Рассчитывали конечный диастолический (КДР) и конечный систолический (КСР) размеры левого желудочка (ЛЖ), массу миокарда левого желудочка (ММЛЖ) и ее индекс (ИММЛЖ), фракцию выброса (ФВ). Уровень мозгового натрийуретического пептида (МНУП), исследовали методом иммуноферментного анализа (ИФА). Выраженность саркопении - возраст-ассоциированного снижения мышечной массы и силы мышц оценивали по содержанию мышечной массы, определенной методом биоимпедансметрии, с помощью японского анализатора Tanita и кистевой динамометрии. Интенсивность интерстициального миокардиального фиброза оценивали при сопоставлении результатов различных методов исследования: расчета объёмной фракции интерстициального коллагена (ОФИК, %) в миокарде по методике J.Shiranietal. (1992) и определения концентрации сывороточных маркеров его обмена. Содержание предшественника матриксной металлопротеиназы-1 (PRO) - (MMP1), R&DSystems, США, её тканевого ингибитора (ТИММП-1) - eBioscience, США, ТФР-|31 (DRG, Германия), концентрации N-концевого предшественника МНУП - Nt-proBNP (Biomedica, Австрия) в сыворотке крови устанавливалось с помощью метода твердофазного ИФА, основанного на количественном определении исследуемого биологического субстрата человека с помощью его послойного связывания со специфичными антителами. Напряженность пе-рекисного гомеостаза определяли по окислительной резистентности липопротеидов низкой плотности (ЛПНП) по уровню малонового диальдегида (МДА) в них после предварительной активации перекисного окисления липидов (ПОЛ) в сыворотке крови водным раствором FeSO4-7H2O. Состояние антиоксидантной системы оценивали по активности фермента суперок-сиддисмутазы (СОД) в у.е./мл, общей антиокислительной активности (ОАА, %) в сыворотке крови.

Активность субклинического воспалительного процесса оценивали по концентрации в сыворотке крови неспецифических маркеров эндогенного воспаления - С-реактивного белка (СРБ) и фактора некроза опухоли (ФНО)-а. Содержание СРБ определяли высокочувствительным иммунотурбидиметрическим методом на автоматическом биохимическом анализаторе «VitalabFlexorE» (Нидерланды) с использованием набора реактивов «Byo-Systems» (Испания) при длине волны 340 нм и выражали в мг/л. Содержание первичного медиатора воспаления ФНО-а оценивали с помощью твердофазного ИФА, используя набор реагентов «альфа-ФНО-ИФА-БЕСТ» (ЗАО «Вектор-Бест», РФ), содержащих моноклональные антитела к ФНО-а. Уровень сывороточной каспазы-3 - ключевого фермента центрального перекрестка активации апоптоза оценивали с помощью ферментно-связанного имму-носорбентного анализатора HumanCaspase-3 компании BenderMedSystemsGmbH (Австрия).

Базу данных для обучения нейронной сети составили результаты обследования 162 пациентов. В

базу для обучения было включено 147 больных, в базу для тестирования - 15 пациентов. В качестве базовых (входных) параметров, на основе которых происходило прогнозирование результата - функционального класса ХСН, были выбраны следующие:

- уровень систолического артериального давления (САД);

- массу тела (x2);

- мышечную массу в организме (x3);

- индекс массы миокарда левого желудочка (x4);

- КСР ЛЖ (x5);

- КДР ЛЖ (x6);

- диастолический индекс (ДИ) (x7);

- ФВ ЛЖ (x8);

- уровень триглицеридов в сыворотке крови (x9);

- уровень ЛПНП в сыворотке крови (x10);

- концентрацию в сыворотке крови СРБ (x11);

- концентрацию в сыворотке крови ФНО (x12);

- уровень МДА в ЛПНП (x13);

- активность фермента антиоксидантной защиты СОД (x14);

- ОАА, % сыворотки крови (x15);

- объёмную фракцию интерстициального коллагена в миокарде^16);

- концентрацию PRO-MMP1(x17);

- концентрацию TOMMP-1(x18);

- уровень сывороточной каспазы-3 (x19);

- концентрацию сывороточного МНУП (x20).

В качестве выходного параметра служили функциональные классы: 1ФК ХСН (Y1), ПФК ХСН (Y2), ШФК ХСН (Y3).

Параметры нейронной сети для успешного прогнозирования функционального класса ХСН были подобраны с помощью нейроимитатора NeuroPro 0.25.

Разработана программа нейросетевого анализа данных пациентов старшего возраста с хроническими нарушениями кровообращения - Diagnosis of CHF (CHFv0.1; свид. о гос. регистрации в реестре программ для ЭВМ № 2014615262 от 22.05.2014), позволяющая после проведенного обучения на результатах выборки из 100 пациентов, установить со 100% вероятностью функциональный класс ХСН.

Результаты и их обсуждение. Обучение нейронной сети проводилось в режиме классификатора для консилиума из 15 нейросетей (network1-network15) с заданной степенью надежности равной 0,1. Для всех нейронных сетей было осуществлено обучение и упрощение структуры для основной обучающей выборки (56 наборов первого класса, 30- второго класса, и 10 набора третьего класса) и протестированы на тестовой выборке (по 5 наборов записей каждого класса). Тестирование нейросетей показало среднюю степень уверенности прогнозируемого функционального класса ХСН.

Нейроимитатор NeuroPro 0,25 дает возможность упрощения нейросетевых структур для достижения наилучшего результата обучения нейросети и упрощения программной реализации вербализационно-

го описания. Для определения наилучших результатов при тестировании проводилось упрощение нейронной сети несколькими способами. Проделаны следующие виды упрощения нейронной сети: сокращение числа входных сигналов (У1); сокращение числа нейронов (У2); равномерное упрощение сети (У3); сокращение числа синапсов (У 4). Сети каждого вида упрощения были заново обучены и протестированы. Результаты каждого упрощения отражены в табл. 1.

Таблица 1

Результаты разных видов упрощения нейронных сетей

Упрощение Результат обучения Результат тестирования

У1 100% 100%

У2 100% 63%

У3 100% 80%

У4 100% 60%

Таблица 2

Результаты тестирования консилиума до сокращения числа входных сигналов

Нейронная сеть Результат тестирования

Network 1 53%

Network 2 33%

Network 3 55%

Network 4 63%

Network 5 33%

Network 6 60%

Network 7 23%

Network 8 61%

Network 9 63%

Network 10 58%

Network 11 63%

Network 12 61%

Network 13 63%

Network 14 58%

Network 15 60%

Таблица 3

Результаты тестирования консилиума после сокращения числа входных сигналов

Нейронная сеть Результат тестирования

Network 1 100%

Network 2 100%

Network 3 99%

Network 4 100%

Network 5 100%

Network 6 93%

Network 7 93%

Network 8 100%

Network 9 100%

Network 10 80%

Network 11 100%

Network 12 100%

Network 13 100%

Network 14 100%

Network 15 100%

После проведения эксперимента было получено 15 нейросетей минимальной структуры, правильно решающих поставленную задачу. Самый наилучший результат показала сеть после сокращения числа

входных сигналов. Результаты тестирования консилиума до сокращения числа входных сигналов приведены в табл. 2. Результаты тестирования консилиума после сокращения числа входных сигналов приведены в табл. 3. Отличия типа упрощения структуры нейронной сети объясняются результатами её тестирования после обучения.

Среднее значение консилиума после сокращения достигло 98%, что свидетельствует о высокой точности прогнозируемого функционального класса ХСН.

Для принятия вербального описания требуемый результат тестирования составляет более 80% и показывает высокую достоверность диагностического заключения.

Показатели значимости входных сигналов, установленные нейроимитатором ЫеигоРго 0.25, характеризуют значимость используемых симптомов применительно к конкретным генерируемым топологиям нейросетей.

В результате нейросетевого анализа установлена факторная значимость в диапазоне от 0 до 1 входных показателей, отражающих выраженность процессов в патогенезе ХСН (табл. 4).

Таблица 4

Факторная значимость исследованных показателей патогенеза ХСН

Сигнал Значимость Сигнал Значимость

т1 1 0,6113147 т11 1 0,6858013

т1 2 0,2025905 т11 2 0,3763394

т1 3 0,2689956 т11 3 0,3374497

т2 1 0,4719761 т12 1 0,28291

т2 2 0,450579 т12 2 0,6187512

т2 3 0,6335824 т12 3 0,4580445

т3 1 0,515689 т13 1 0,1253094

т3 2 0,314869 т13 2 0,374175

т3 3 0,4116204 т13 3 0,5757543

т4 1 0,4157355 т14 1 0,260295

т4 2 0,4302901 т14 2 0,2828206

т4 3 0,4041883 т14 3 0,4278996

т5 1 0,386528 т15 1 0,6319958

т5 2 0,499023 т15 2 0,6467934

т5 3 0,3544277 т15 3 0,2763046

т6 1 0,7698734 т16 1 0,4724901

т6 2 0,2518495 т16 2 0,3057384

т6 3 0,2262496 т16 3 0,2912577

т7 1 0,339667 т17 1 0,4434898

т7 2 0,4256907 т17 2 0,4199955

т8 1 0,3654955 т17 3 0,4423585

т8 2 0,3169728 т18 1 0,5134219

т8 3 0,5076178 т18 2 0,2584711

т9 1 0,3369273 т18 3 0,7078102

т9 2 0,5452702 т19 1 0,5934219

т9 3 0,4072788 т19 2 0,2690733

т10 1 0,4022891 т19 3 0,4111473

т10 2 0,3162582 т20 1 0,631838

т10 3 0,1600316 т20 2 0,2626665

т20 3 0,6368678

Наиболее высокие значения найдены для уровня САД свыше 160 мм рт. ст. (0,61), величины массы тела менее 80 кг (0,63), конечного диастолического размера левого желудочка свыше 5 см (0,77), уровня активности высокочувствительного СРБ более 5 мг/л

(0,68), концентрации первичного медиатора воспаления ФНО-а в диапазоне 9-15 пг/мл (0,62), уровня ОАА сыворотки крови менее 55% (0,65), ТИММР-1 менее 500 пг/мл (0,7), концентрацию сывороточной каспазы-3 более 15 нг/мл (0,6), уровня МНУП менее 10 (0,63) или более 15 фмоль/л (0,64). Мониторирова-ние показателей с высокой факторной значимостью в динамике позволит отслеживать ранние признаки прогрессирования ХСН и своевременно предотвратить развитие её декомпенсации.

Выводы:

1. Интегративный подход к диагностике и прогнозированию прогрессирования ХСН у больных АГ пожилого возраста с помощью имитации нейронного анализа и синтеза информационных сигналов на основе консилиума нейронных сетей обеспечивает высокоточную оценку риска кардиоваскулярных расстройств.

2. Проведенная оценка вероятности риска развития ХСН у пожилых больных с помощью нейросетево-го анализа множества патогенетических взаимосвязанных показателей выявила среди них наиболее значимые входные параметры в отношении прогноза прогрессирования дисфункции кровообращения: повышение артериального давления более 160 мм рт.ст.; конечный диастолический размер левого желудочка свыше 5 см, уровень высокочувствительного С-реактивного протеина более 5 мг/л; тканевого ингибитора матриксной металлопротеиназы-1 менее 500 пг/мл и др., эффективная и своевременная коррекция которых необходима для достижения системных изменений.

Литература

1. Беленков Ю.Н., Мареев В.Ю., Агеев Ф.Т. Хроническая сердечная недостаточность. Москва: Гэотар-Медиа, 2006. 432 с.

2. Бурмака А.А., Волков И.И., Иванов В.А., Се-ребровский В.И. Вероятностные нейронные сети с макрослоями в системах поддержки принятия решений по дифференциальной диагностике сердечно-сосудистых заболеваний // Медицинская техника. 2013. №4 (280). С. 18 -20.

3. Визир В.А., Березин А.Е. Иммуновоспали-тельная активация как концептуальная модель формирования и прогрессирования сердечной недостаточности // Терапевтический ахив. 2000. № 4. С. 77-80.

4. Воронин Г.В., Пальцева Е.М., Руанет В.В., Ха-дарцев А.А., Хетагурова А.К. Нейросетевые технологии и вопросы идентификации в медицинских исследованиях. Часть I // Вестник новых медицинских технологий. 2008. № 4. С. 192-196.

5. Воронин Г.В., Пальцева Е.М., Руанет В.В., Ха-дарцев А.А., Хетагурова А.К. Нейросетевые технологии и вопросы идентификации в медицинских исследованиях. Часть II // Вестник новых медицинских технологий. 2009. № 1. С. 33-34.

6. Диагностика ишемической болезни сердца интеллектуальной системой «АРМ-кардиолог» / Ефремова О.А., Камышникова Л.А., Никитин В.М., Же-лезнова Е.А. [и др.] // Курский научно-практический вестник "Человек и его здоровье". 2014. № 1. С. 69-74.

7. Патогенез хронической сердечной недостаточности: изменение действующей парадигмы / Ка-люжин В.В., Тепляков А.Т., Вечерский Ю.Ю. [и др.] // Бюллютень Сибирской медицины. 2007. № 4. С. 7179.

8. Руанет В.В., Хадарцев А.А., Хетагурова А.К. Использование самоорганизующейся карты признаков для решения задач моделирования в биологических системах // Вестник новых медицинских технологий. 2007. № 2. С. 148-149.

9. Ясницкий Л.Н. Введение в искусственный интеллект. Изд.3. Москва: Издательский центр «Академия», 2010. 176 с.

10. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей / Ясницкий Л.Н., Думлер А.А., Богданов К.В., Полещук А.Н. [и др.] // Медицинская техника. 2013. №3 (279). С. 42-44.

References

1. Belenkov YuN, Mareev VYu, Ageev FT. Khronicheskaya serdechnaya nedostatochnost'. Moscow: Geotar-Media; 2006. Russian.

2. Burmaka AA, Volkov II, Ivanov VA, Serebrovskiy VI. Veroyatnostnye neyronnye seti s makrosloyami v sistemakh podderzhki prinyatiya resheniy po differentsial'noy diagnostike serdechno-sosudistykh zabolevaniy. Meditsinskaya tekhnika. 2013;4(280):18-20. Russian.

3. Vizir VA, Berezin AE. Immunovospalitel'naya aktivatsiya kak kontseptual'naya model' formirovaniya i progressirovaniya serdechnoy nedostatochnosti. Terapevticheskiy akhiv. 2000;4:77-80. Russian.

4. Voronin GV, Pal'tseva EM, Ruanet VV, Khadartsev AA, Khetagurova AK. Neyrosetevye tekhnologii i voprosy identifikatsii v meditsinskikh issledovaniyakh. Chast' I [The Neuronet Technologies and the Indification Questions in Medicinal Studies (Part 1)]. Vestnik novykh meditsinskikh tekhnologiy. 2008;4:192-6. Russian.

5. Voronin GV, Pal'tseva EM, Ruanet VV, Khadartsev AA, Khetagurova AK. Neyrosetevye tekhnologii i voprosy identifikatsii v meditsinskikh is The Neuronet Technologies and the Indification Questions in Medicinal Studies (Part II)]. Vestnik novykh meditsinskikh tekhnologiy. 2009;1:32-4. Russian.

6. Efremova OA, Kamyshnikova LA, Nikitin VM, Zheleznova EA, et al. Diagnostika ishemicheskoy bolezni serdtsa intellektual'noy sistemoy «ARM-kardiolog». Kurskiy nauchno-prakticheskiy vestnik "Chelovek i ego zdorov'e". 2014;1:69-74. Russian.

7. Kalyuzhin VV, Teplyakov AT, Vecherskiy

YuYu, et al. Patogenez khronicheskoy serdechnoy nedostatochnosti: izmenenie deystvuyushchey paradigmy. Byullyuten' Sibirskoy meditsiny. 2007;4:71-9. Russian.

8. Ruanet VV, Khadartsev AA, Khetagurova AK. Ispol'zovanie samoorganizuyushcheysya karty priznakov dlya resheniya zadach modelirovaniya v biologicheskikh sistemakh [The Use of Self-Organizational Map of Parameters for Problem Decision of Simulation in Biological Systems]. Vestnik novykh

meditsinskikh tekhnologiy. 2007;2:148-9. Russian.

9. Yasnitskiy LN. Vvedenie v iskusstvennyy intellekt. Izd.3. Moscow: Izdatel'skiy tsentr «Akademiya»; 2010. Russian.

10. Yasnitskiy LN, Dumler AA, Bogdanov KV, Poleshchuk AN, et al. Diagnostika i prognozirovanie techeniya zabolevaniy serdechno-sosudistoy sistemy na osnove neyronnykh setey. Meditsinskaya tekhnika. 2013;3(279):42-4. Russian.

УДК: 004.942 + 611.018 DOI: 10.12737/9068

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ БИОТЕХНИЧЕСКОГО СКАНЕРА ДЛЯ ОПРЕДЕЛЕНИЯ СТЕПЕНИ ГИДРАТАЦИИ БИОЛОГИЧЕСКИХ ТКАНЕЙ В НОРМЕ И ПРИ РАЗЛИЧНЫХ ПАТОЛОГИЯХ

В.А. СМОЛИН

Смоленский филиал «Национального Исследовательского Университета «МЭИ», Энергетический проезд, 1, г. Смоленск, Смоленская область, Россия, 214013

Аннотация. Органы и ткани живого организма в зависимости от структуры и функционального состояния могут содержать от 50 до 90 процентов воды. Вода в живом организме содержится в двух видах: свободная вода и структурированная вода. Структурированная вода образует прочные связи с органическими молекулами. Свободная вода подвижна, ее количество может заметно изменяться в зависимости от функционального состояния организма и определяет степень гидратации тканей.

В клинической практике существующие технические возможности определения степени гидратации биологических объектов ограничены и практически не применяются, любые заключения о причинах смерти из-за отека не являются достаточно и количественно обоснованы.

Работа посвящена разработке математической модели биотехнического сканера для определения степени гидратации биологических тканей, на основе физико-химического эффекта нарушения аддитивности объема системы при взаимодействии образца биологических тканей с этанолом.

Разработанная математическая модель показала, что нарушение аддитивности объема наблюдается даже при добавлении малых объемов воды к большим объемам спирта. Построена вероятностная модель, показывающая, что влияние экзотермичности реакции смешения воды с этанолом оказывает сильное воздействие на график протекания процесса, но так как процесс фиксации биологического объекта растянут во времени, исследуемая система к концу фиксации войдет в стационарный режим, что и позволит определить степень гидратации.

Регистрация изменения объема системы в процессе взаимодействия биологического объекта с этанолом позволяет изучать динамику физико-химических процессов, протекающих в реакторе биотехнического сканера.

Ключевые слова: биотехнический сканер, степень гидратации, свободная вода, структурированная вода.

MATHEMATICAL SIMULATION OF BIOTECHNICAL SCANNER TO DETERMINE HYDRATION DEGREES A BIOLOGICAL TISSUE IN NORME AND AT DIFFERENT PATHOLOGIES

V.A. SMOLIN

Smolensk Branch of National Science University Moscow Power Engineering Institute, Energy transportation, 1, Smolensk, Smolensk region, Russia, 214013

Abstract. The organs and tissues of the living body depending on the structure and functional states can contain from 50 to 90% of water. Water in a living organism can be in two forms: free water and structured water. Structured water forms strong links with organic molecules. Free water is movable, its quantity can vary considerably depending on the functional state of the body and determines a hydration degree of a tissues.

In clinical practice, the existing technical possibilities of determining hydration degree of biological objects are limited and hardly used. Any conclusions about the cause of death due to swelling are not sufficiently and quantified justified.

This paper is devoted to the development of a mathematical model of biotechnical scanner to determine the degree of hydration of biological tissues, based on the physic-chemical effect caused by additive volume of the system in the interaction of the sample of biological tissue with ethanol.