Классификация гемодинамических состояний на основе суточного мониторирования артериального давления

Цель исследования. Разработать классификацию гемодинамических состояний пациентов по индивидуальным показателям линейной регрессии параметров АД при суточном мониторировании артериального давления (СМАД) в дифференцированных интервалах наблюдения (день, ночь, сутки) с помощью SVM-алгоритма интеллектуального анализа данных и представить ее в виде диагностических номограмм.

Материал и методы. Изучали ряды величин АД, полученных при СМАД за дневной, ночной и суточный периоды у 214 пациентов: из них 121 — практически здоровые нормотензивные лица, SO — обследованные с впервые выявленной артериальной гипертензией (АГ) I—II степени до начала лечения, 43 — с вторичной гипотонией на фоне тяжелых основных заболеваний (данные о них взяты из электронной базы MIMIC II Clinical Database). Проводили регрессионное моделирование параметров АД у каждого пациента при помощи количественного анализа связей параметров АД (КАСПАД), к индивидуальным коэффициентам регрессии применяли машинный SVM-алгоритм интеллектуального анализа данных, строили диагностические номограммы.

Результаты. Для создания SVM-классификатора гемодинамических состояний (классы) использовали различные сочетания параметров регрессии {Q, a, А, В}, отобран лучший из классификаторов — на основе 2 коэффициентов {Q, a}. Определены границы параметров регрессии, адекватные нормотензивному гармоническому кровообращению, расположение их вне этих границ указывает на патологическое изменение гемодинамики сердечно-сосудистой системы, свойственное АГ или гипотензии (с разными КАСПАДтипами, как гармоническим, так и дисфункциональными), либо нормотензии, но с латентными гемодинамическими нарушениями в виде дисфункциональных КАСПАД-типов или квази-АГ. Квази-АГ — впервые выявленный класс среди нормотензивных лиц, гемодинамические характеристики которого сходны с таковыми при АГ. По результатам SVM-классификации построены диагностические номограммы для дневного, ночного и суточного периодов измерения АД: графическое изображение системы координат с разделяющими прямыми, определенные области которой характерны для различных гемодинамических состояний (классы).
Применение номограммы расширяет диагностические возможности СМАД, в том числе для выявления клинически латентных нарушений сердечно-сосудистой системы у нормотензивных лиц.

Артериальная гипертензия (АГ) остается важнейшей проблемой кардиологии ввиду ее ключевой роли в сердечно-сосудистом континууме и растущей распространенности, в том числе среди молодых людей. При этом, несмотря на очевидную простоту диагностики (измерение АД), заболевание у значительного числа пациентов диагностируется поздно, уже при наличии поражения органов-мишеней или развитии тяжелых сердечно-сосудистых осложнений, поскольку часто АГ в своем развитии имеет длительный бессимптомный период. В этой связи большое внимание исследователей уделяется поиску наиболее информативных предикторов развития АГ, приемлемых для применения в клинической практике, а также для ранней диагностики данного состояния.

При величинах АД, незначительно и/или непостоянно превышающих принятую для этого параметра норму, настоятельной необходимостью становится использование различных форм динамического мониторирования АД: измерение медицинским персоналом каждые 3 ч («профиль АД») в течение 1 —2 дней или в ином режиме, самоконтроль пациентом в домашних условиях, функциональные нагрузочные тесты, в процессе которых неоднократно измеряется АД, суточное мониторирование (СМАД) стандартизованными аппаратными средствами.

Широкое использование СМАД в популяционных исследованиях позволило не только адекватно выявлять АГ, но и выделять различные ее варианты, требующие дифференцированного подхода к ведению пациентов: «истинная гипертензия» (true hypertension); «гипертензия белого халата» (white coat hypertension); «скрытая (маскированная) гипертензия» (masked hypertension) по Т. G. Рickering и соавт. [17].

Однако оценка результатов данного исследования у конкретного пациента нередко вызывает значительные трудности, хотя на групповом уровне подавляющее большинство используемых показателей СМАД существенно различаются у нормотензивных и у гипертензивных лиц, что и является основой применения метода для диагностики АГ.

Несмотря на длительный период клинического использования СМАД (несколько десятилетий), остаются не до конца решенными некоторые вопросы анализа и оценки результатов исследования. В частности, необходима международная унификация нормативов ряда показателей, актуален выбор наиболее информативных индексов, особенно для диагностики ранних (доклинические) стадий АГ, тем более что традиционные показатели СМАД при изолированном применении имеют в данной ситуации низкую информативность и др. Поэтому в настоящее время ведется активный поиск эффективных многомерных статистических методов анализа, в том числе статистическое моделирование, включая нейросетевые технологии. Предлагаемые модели пока не нашли широкого применения в клинической практике (сложны для клинической интерпретации, ограничены трудно выполнимыми условиями и др.), однако возможности статистического моделирования далеко не исчерпаны.

В частности, был применен методологический подход, предполагающий рассмотрение параметров АД—систолического давления (S), диастолического (D) и пульсового (W, где W=S-D) — в получаемом при неоднократных измерениях ряду их величин в качестве объектов функциональной системы, деятельность которой (как и любой функциональной системы по П. К. Анохину [1]) характеризуют не только взаимодействующие объекты, но и связи между ними. Обоснование гемодинамической роли W и использование его в качестве аргумента в линейных зависимостях от него S и D позволяют получить статистическую (регрессионную) модель индивидуального кровообращения, коэффициенты которой характеризуют кровообращение как процесс сердечно-сосудистого взаимодействия в продвижении крови [8, 9]. Регрессионная модель кровообращения, получаемая по ряду величин АД пациента в желаемом интервале времени наблюдения, в общем аналитическом виде выглядит как сопряженные линейные уравнения: S=Q+aW, D=Q+(a-1)W, где коэффициенты a и Q имеют индивидуальные числовые значения. По существу получаемой регрессии постоянная Q имеет смысл величины давления в области затухающей пульсовой волны, а соотношение прессорного (a) и депрессорного (a-1) коэффициентов определяет гемодинамический тип.

Нами обоснованы граничные значения коэффициента a регрессионной модели, на основе которых дифференцируются функциональные гемодинамические типы [8, 9, 11].

Гармонический тип кровообращения (норма) предполагает, что 0<a<1 при D<Q<S и означает, что участие сердца (его пропульсивная работа) в обеспечении циркуляции крови составляет большую часть, а участие сосудов, соответственно, меньшую, причем отрицательно направленную, поскольку (a-1)<0.

Значение параметра a>1 указывает на возникновение противоположно направленной составляющей в диастолическом давлении (уравнение D=Q+(a-1)W) и на чрезмерное возрастание роли систолической составляющей (то есть работы сердца) в процессе кровообращения при соответствующем снижении роли его диастолической (сосудистая) составляющей. Это диастолический дисфункциональный тип (диастолическая дисфункция кровообращения), для которого справедливо неравенство Q<D<S при 1<a<2. [5].

Значения постоянной a<0 определяют область диаметрально противоположной, но тоже патологической организации гемодинамики, выражающейся в чрезмерном возрастании роли сосудов («периферическое сердце») при снижении роли сердца и справедливости неравенства D<S<Q при -1<a<0 (по аналогии — систолический дисфункциональный тип) [6].

Применение индивидуальной линейной регрессии параметров АД мы обозначили как способ КАСПАД — количественный анализ связей параметров АД, который может использоваться в качестве способа функциональной диагностики гемодинамики для определения гемодинамического типа (КАСПАД-тип) и величины давления в области затухающей пульсовой волны Q.

Описанные выше возможные КАСПАД-типы, характеризующие кровообращение как взаимодействие сердца и сосудов в процессе продвижения крови, могут наблюдаться у людей с разными уровнями измеряемого АД — как с нормальным, так и с патологическим (высокое, низкое), и при этом имеют разную величину давления Q. Например, при АГ в начальных стадиях в подавляющем большинстве случаев отмечается гармонический гемодинамический тип и высокое (более 100 мм рт. ст.) значение Q, на фоне лечения обычно формируется диастолический дисфункциональный тип (у 60—70%), сопровождающийся снижением его величины, причем порой чрезмерным. Дисфункциональные типы, наиболее частым из которых является диастолический, отмечаются и у практически здоровых нормотензивных людей (15% и более) [7—10]. Определенным диагностическим потенциалом обладает и регрессионная модель, отражающая зависимости между такими параметрами АД, как S и D, имеющая вид S=B+AD, где коэффициентами регрессии являются В и A. В частности, для анализа результатов СМАД предложен так называемый амбулаторный индекс жесткости артерий (AASI), определяемый по линейной регрессии D на S, поскольку была показана корреляция коэффициентов этой регрессии со скоростью распространения пульсовой волны [14, 16].

Поэтому идентификация индивидуальной гемодинамики с помощью КАСПАД может быть дополнена при совместном учете полного набора параметров регрессии посредством современных информационных технологий, в частности, технологий интеллектуального анализа данных (Data Mining). Они основаны на поиске в базе данных скрытых закономерностей или шаблонов информации, действующих на основе правил, формализующих экспертные знания, в то время как традиционные статистические методы анализа данных ориентированы в основном на проверку заранее сформулированных гипотез.

Ранее была предложена классификация гемодинамических состояний на основе параметров регрессионного моделирования при СМАД за дневной период наблюдения величин АД с использованием одного из алгоритмов Data Mining, в частности, Support Vector Machine (SVM — машина опорных векторов), который является одним из эффективных алгоритмов с простой математической постановкой задачи и не страдает от «переобучения» (влияние частных закономерностей в обучающей выборке) в отличие от нейронных сетей [2, 4]. Была показана возможность функциональной диагностики нарушений кровообращения, в том числе клинически латентных [12]. Однако наличие циркадных ритмов в динамике АД требует дифференцированного подхода к оценке результатов СМАД, что выполняется при традиционном анализе показателей данного исследования. Поэтому предложенную классификацию гемодинамических состояний целесообразно проводить также с учетом периода наблюдения при СМАД: не только за день, но и за ночь, и суммарно за сутки, применив использованный ранее путь решения данной задачи.

Цель настоящего исследования — разработать классификацию гемодинамических состояний пациентов по индивидуальным показателям линейной регрессии параметров АД при СМАД в дифференцированных интервалах наблюдения (день, ночь, сутки) с помощью SVM-алгоритма интеллектуального анализа данных и представить ее в виде диагностических номограмм.

Ключевые слова: , , , , , ,
Автор(ы): Хурса Р. В., Войтикова М. В.
Медучреждение: Белорусский государственный медицинский университет, Институт физики им. Б. И. Степанова НАН Беларуси