Применение методов оптического анализадля неинвазивного контроля уровня оксигенации крови

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Разработана и испытана интеллектуальная оптическая система медицинской экспресс-диагностики. Продемонстрирован способ визуализации кислородного статуса биологических тканей в виде «цифровых образов», описывающих общее функциональное состояние организма человека. Показана возможность применения метода главных компонент и иерархической кластеризации вкупе с оптическими методами детектирования форм гемоглобина в биологических тканях для неинвазивного контроля и экспресс-диагностики кислородного статуса организма человека. Результаты исследования говорят о возможности дифференциации испытуемых на группы риска по показаниям оптических измерений. В отличие от пульсоксиметрии, применение которой распространено для определения уровня оксигенации крови, представленный метод способен оценить периферический кислородный статус, благодаря этому можно вовремя заметить тромбозы и ишемии конечностей.

Об авторах

М. М Гузенко

Институт аналитического приборостроения РАН

Email: maria51m@mail.ru
Санкт-Петербург, Россия

М. С Мазинг

Институт аналитического приборостроения РАН

Санкт-Петербург, Россия

А. Ю Зайцева

Институт аналитического приборостроения РАН

Санкт-Петербург, Россия

Список литературы

  1. Л. П. Кислякова, А. Л. Буляница, Ю. Я. Кисляков и В. И. Гуляев, Научное приборостроение, 26 (2), 37 (2016).
  2. Yu. Ya. Kislyakov, S. A. Avduchenko, L. P. Kislyakova, and A. Yu. Zaitceva, J.Comput. Theor. Nanosci., 16, 4502 (2019).
  3. А. В. Абрамцова и В. Ю. Куликов, Медицина и образование в Сибири, 2, 8 (2011).
  4. M. T. Ganter, U. Schneider, M. Heinzelmann, et al., J. Clin. Anesth., 19, 569 (2007).
  5. J. Kofstad, Scand. J. Clin. Lab. Inv., 41 (4), 409 (1981).
  6. I. Hennesey and A. Japp, Arterial blood gases made easy (CBS, Churchill Livingstone, 2007).
  7. R. Beasley, A. McNaughton, and G. Robinson, Lancet, 367, 1124 (2006).
  8. D. P. Davis, J. Q. Hwang, and J. V. Dunford, Prehosp. Emerg. Care, 12, 46 (2008).
  9. K. Warrior, P. A. Chung, N. Ahmed, et al., Crit. Care Explor., 2 (6), 140 (2020).
  10. M. Javid, T. R. Magee, and R. B. Galland, Eur. J. Vasc. Endovasc. Surg., 35 (1), 84 (2008).
  11. H. Obara, K. Matsubara, and Yu. Kitagawa, Ann. Vasc. Diseases, 11 (4), 443 (2018).
  12. S. Nitecki, B. Brenner, A. Hoffman, et al., Eur. J. Vasc. Surg., 7 (4), 414 (1993).
  13. J. Yang, D. Zhang, A. F. Frangi, and J. Yang, IEEE Trans. Pattern Anal. Mach.Intell., 26 (1), 131 (2004).
  14. A. Daffertshofer, C. J. C. Lamoth, O. G. Meijer, and P. J. Beek, Clin. Biomech. 19 (4), 1 (2004).
  15. F. Murtagh and P. Contreras, WIREs: Data Mining and Knowledge Discovery, 7 (3), 1219 (2017).
  16. S. C. Johnson, Psychometrika, 32, 241 (1967).
  17. A. Yu. Zaitceva, L. P. Kislyakova, Yu. Ya. Kislyakov, and S. A. Avduchenko, J. Phys.: Conf. Ser. 1400 (3), 3022 (2019).
  18. Yu. Ya. Kislyakov, S. A. Avduchenko, L. P. Kislyakova, and A. Yu. Zaitceva, J.Comput. Theor. Nanosci. 16, 4502 (2019).
  19. Д. О. Кирсанов, Дисс.. д-ра хим. наук (СПбГУ, СПб., 2014).
  20. G. E. P. Box and N. R. Draper, Empirical Model-Building and Response Surface (Wiley, N.-Y., 1987).
  21. Р. М. Воронин, Актуальные проблемы медицины, 14 (10), 173 (2011).
  22. K. H. Esbensen, Multivariate Data Analysis - in practice. An introduction to multivariate data analysis and experimental design (CAMO AS, Oslo, 2001).
  23. I. T. Jolliffe, Principal component analysis (Springer Science & Business Media, N.-Y., 2002).

© Российская академия наук, 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах