Artificial intelligence in medicine: neural networks for analyzing systemic hemodynamics

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Artificial neural networks are capable of efficiently processing large data sets, as well as solving the tasks of prediction, classification and data recovery. The article considers each of the above tasks in detail and studies literature sources devoted to the topic under study. Artificial neural networks cope with the tasks with a high degree of accuracy. The methods of application of neural networks for the analysis of systemic haemodynamics are described. Modern neural networks can analyse medical data and are able to work with incomplete data, find hidden patterns in them, and can be adapted to solve a wide range of problems. Our laboratory is developing an artificial neural network capable of classifying indicators describing the state of haemodynamics of subjects and recovering missing or incomplete data. Thus, artificial neural networks can act as an efficient method of analysing systemic hemodynamic parameters.

About the authors

Evgenia A. Sokolova

Institute of Experimental Medicine

Author for correspondence.
Email: evgeniia.ans@gmail.com
ORCID iD: 0009-0009-6024-4529

Junior Researcher of the Biofeedback Physiology Laboratory at the Ecological Physiology Department

Russian Federation, Saint Petersburg

Timofey V. Sergeev

Institute of Experimental Medicine

Email: stim9@yandex.ru
ORCID iD: 0000-0001-9088-0619
SPIN-code: 4952-5143

Cand. Sci. (Biology), Head of the Biofeedback Physiology Laboratory at the Ecological Physiology Department

Russian Federation, Saint Petersburg

Maria V. Kuropatenko

Institute of Experimental Medicine

Email: kuropatenko.mv@iemspb.ru
ORCID iD: 0000-0003-4214-9412
SPIN-code: 5024-3499
Scopus Author ID: 57222538102

MD, Cand. Sci. (Medicine), Leading Research Associate of the Biofeedback Physiology Laboratory at the Ecological Physiology Department

Russian Federation, Saint Petersburg

References

  1. Zou J, Han Y, So SS. Overview of artificial neural networks. Methods Mol Biol. 2008;458:15–23. doi: 10.1007/978-1-60327-101-1_2
  2. Bahmer A, Gupta D, Effenberger F. Modern artificial neural networks: is evolution cleverer? Neural Comput. 2023;35(5):763–806. doi: 10.1162/neco_a_01575
  3. Kulikowski CA. An opening chapter of the first generation of artificial intelligence in medicine: The First Rutgers AIM Workshop, June 1975. Yearb Med Inform. 2015;10(1):227–233. doi: 10.15265/IY-2015-016
  4. Myatra SN, Jagiasi BG, Singh NP, Divatia JV. Role of artificial intelligence in haemodynamic monitoring. Indian J Anaesth. 2024;68(1):93–99. doi: 10.4103/ija.ija_1260_23
  5. Faustova KI. Neural networks: application today and development prospects. Territoriya nauki. 2017;4:83–87. (In Russ.) EDN: ZXPNRL
  6. Munir K, Elahi H, Ayub A, et al. Cancer diagnosis using deep learning: a bibliographic review. Cancers. 2019;11(9):1235. doi: 10.3390/cancers11091235
  7. Li H, Boulanger P. Structural anomalies detection from electrocardiogram (ECG) with spectrogram and handcrafted features. Sensors. 2022;22(7):2467. doi: 10.3390/s22072467
  8. Akbilgic O, Butler L, Karabayir I, et al. ECG-AI: electrocardiographic artificial intelligence model for prediction of heart failure. Eur Heart J Dig Health. 2021;2(4):626–634. doi: 10.1093/ehjdh/ztab080
  9. Grün D, Rudolph F, Gumpfer N, et al. Identifying heart failure in ECG data with artificial intelligence – a meta-analysis. Front Digit Health. 2021;2:584555. doi: 10.3389/fdgth.2020.584555
  10. Ulloa-Cerna AE, Jing L, Pfeifer JM, et al. rECHOmmend: An ECG-based machine learning approach for identifying patients at increased risk of undiagnosed structural heart disease detectable by echocardiography. Circulation. 2022;146(1):36–47. doi: 10.1161/circulationaha.121.057869
  11. Oscanoa JA, Middione MJ, Alkan C, et al. Deep learning-based reconstruction for cardiac MRI: a review. Bioengineering. 2023;10(3):334. doi: 10.3390/bioengineering10030334
  12. Onishchenko PS, Klyshnikov KYu, Ovcharenko EA. Artificial neural networks in cardiology: analysis of graphic data. Bulletin of Siberian Medicine. 2021;20(4):193–204. EDN: XVBERA doi: 10.20538/1682-0363-2021-4-193-204
  13. Radzhabov AG. Decision making support system for the diagnostics of the cardiovascular system pathologies by the X-ray images of the chest. Doklady BGUIR. 2023;21(1):98–103. EDN: UEZBKC doi: 10.35596/1729-7648-2023-21-1-98-103
  14. Chikov AE, Pavlov EA, Egorov NA, et al. Artificial intelligence modeling of physiological parameters at anaerobic threshold. Human Sport Medicine. 2022;22(S2):46–53. EDN: MFTEDC doi: 10.14529/hsm22s206
  15. Osipova OA, Kontsevaya AV, Demko VV, et al. Elements of artificial intelligence in a predictive personalized model of pharmacotherapy choice in patients with heart failure with mildly reduced ejection fraction of ischemic origin. Cardiovascular Therapy and Prevention. 2023;22(7):16–24. EDN: XLOMXO doi: 10.15829/1728-8800-2023-3619
  16. Bunicheva AYa, Kochetov EV, Muxin SI. Mathematical modeling of building a neural network for diagnosing blood flow disorders. Vestnik Moskovskogo universiteta. Ser. 15. Vychislitel’naya matematika i kibernetika. 2022;3:18–25. (In Russ.) EDN: PTZOLL
  17. Deng X, Da F, Shao H. Hemodynamic analysis and diagnosis based on multi-deep learning models. Fluid Dynamics and Materials Processing. 2023;19(6):1369–1383. doi: 10.32604/fdmp.2023.024836
  18. Obukhov AD, Korobova IL, Nazarova AO, Zajceva DV. Application of machine learning in EEG analysis to detect phobic reactions in virtual reality. Information and Control Systems. 2023;4:56–70. EDN: DJQEDW doi: 10.31799/1684-8853-2023-4-56-70
  19. Dudarev VA. Approach to reproducing of missed data in learning samples for computer-aided inorganic compounds design. Fine Chemical Technologies. 2014;9(1):73–75. (In Russ.) EDN: SACGWV
  20. Desherevskii AV, Zhuravlev VI, Nikolsky AN., et al. Problems in analyzing time series with gaps and their solution with the WinABD software package. Izv Atmos Ocean Phys. 2017;53:659–678. EDN: XYGCRN doi: 10.1134/S0001433817070027
  21. Stashkova OV, Shestopal OV. Use artificial neural networks for restoration of initial data array. Bulletin of higher educational institutions. North Caucasus region. Technical sciences. 2017;1(193):37–42. EDN: YFNEYT doi: 10.17213/0321-2653-2017-1-37-42
  22. Agapova EA, Anisimov AA, Kuropatenko MV, et al. Algorithm for the joint analysis of beat-to-beat arterial pressure and stroke volume for studying systemic vasoconstrictor and vasodilator responses. In: Velichko E, Kapralova V, Karaseov P, editors. International Youth Conference on Electronics, Telecommunications and Information Technologies. Springer, Cham. Springer Proceedings in Physics; 2022. Vol 268. P. 97–102. doi: 10.1007/978-3-030-81119-8_10
  23. Schmidt RF, Lang F, Heckmann M, editors. Physiologie des menschen mit Pathophysiologie. Textbook. Springer; 2019.
  24. Adams J. Defending explicability as a principle for the ethics of artificial intelligence in medicine. Med Health Care Philos. 2023;26(4):615–623. doi: 10.1007/s11019-023-10175-7
  25. María Soledad Paladino MSP. Artificial intelligence in medicine. Ethical reflections from the thought of Edmund Pellegrino. Cuad Bioet. 2023;34(110):25–35. doi: 10.30444/CB.140
  26. Souza Filho EM, Fernandes FA, Pereira NCA, et al. Ethics, artificial intelligence and cardiology. Arq Bras Cardiol. 2020;115(3):579–583. doi: 10.36660/abc.20200143
  27. Krajcer Z. Artificial Intelligence in cardiovascular medicine: historical overview, current status, and future directions. Tex Heart Inst J. 2022;49(2):e207527. doi: 10.14503/THIJ-20-7527
  28. Gusev AV, Sharova DE. Ethical problems in the development of artificial intelligence technologies in healthcare. Public Health. 2023;3(1):42–50. EDN: TPHVPE doi: 10.21045/2782-1676-2023-3-1-42-50

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. A visual representation of the data recovery task execution by a neural network

Download (175KB)
Indexing metadata
3. Fig. 2. A visual representation of the data prediction task performance by a neural network

Download (198KB)
Indexing metadata

Copyright (c) 2024 Eco-Vector



Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».