Ишемическая болезнь сердца — одна из ведущих причин инвалидности и смерти в мире. Частой причиной этой болезни является стеноз коронарных артерий — сужение просвета сосудов, по которым кровь доставляет питательные вещества к сердечной мышце. Оценка степени развития стеноза очень важна и диктует выбор между неинвазивным лечением (например, введением лекарств) и хирургическими вмешательствами (например, установка стентов). Современным «золотым стандартом» для выбора вида лечения являются значения нескольких гемодинамических индексов. Для их прямого измерения в клинике используются сосудорасширяющие препараты и внутрь сосудов вводятся специальные ультразвуковые датчики. Междисциплинарная группа ученых из МФТИ, ИВМ РАН и Сеченовского университета предложила альтернативный способ оценки скорости пульсовой волны и эластичности сосудов без проникновения в организм и использования медикаментов.
Ученые МФТИ научили нейросеть диагностировать состояние коронарных сосудов / ©Getty images
Результаты по апробации и использованию нейросети опубликованы в журнале первого квартиля Mathematics. Основные гемодинамические индексы — показатели работы сердечно-сосудистой системы: фракционный резерв кровотока, коронарный резерв кровотока, мгновенный безволновой коэффициент. Разработанная научной группой нейросеть позволяет настраивает параметры вычислительной модели с учетом индивидуальных особенностей пациента. Обучение нейросети проводилось на основе базы данных, содержащей характеристики так называемого «виртуального населения», то есть наборы параметров, которые были рассчитаны с помощью нескольких тысяч вычислительных моделей, описывающих воображаемых пациентов различного возраста, пола, имеющих различную эластичность сосудов, частоту сердцебиения и периферическое сопротивление.
Проверка нейросети была сделана на анонимизированных ретроспективных данных 100 реальных пациентов, проходивших обследование в Сеченовском университете. и такой подход позволил получить достаточно хорошую точность. Главное преимущество предложенного метода состоит в том, что он позволяет оценить такие трудно измеримые параметры, как скорость пульсовой волны в аорте (волна повышенного давления) и эластичность сосудов по широкодоступным данным, которые включают возраст, ударный объем, пульс, систолическое, диастолическое и среднее артериальное давление.
«Эта работа является продолжением серии исследований, посвященных численному анализу фракционного резерва кровотока. Именно этот показатель позволяет обоснованно принять решение кардиологам о необходимости установки стента в коронарные сосуды. Наша модель основана только на неинвазивно собранных данных от конкретных пациентов, но позволяет рассчитывать этот показатель почти с той же точностью, что и прямые измерения внутри тела. С каждым новым витком нашей работы мы улучшаем модель и сейчас нам удалось повысить точность за счет использования нового алгоритма оценки эластичности сосудов с помощью нейросети», — рассказал о проекте Сергей Симаков, заведующий кафедрой вычислительной физики МФТИ.
В итоге новый метод позволил повысить точность оценки фракционного резерва кровотока на четыре процента. Проведенные вычислительные эксперименты также показали, что гемодинамическая важность стенозов возрастает у пациентов с повышенной скоростью пульсовой волны в аорте до 10-15 метров в секунду, которая связана со снижением эластичности ее стенок.
«Этот подход мы протестировали на анонимизированных данных пациентов — около 100 человек в Сеченовском Университете. У пациентов ранее уже были измерены скорости пульсовых волн в аорте, а мы применили нейросеть и сравнили результаты. В итоге получился достаточно высокий процент совпадений, если учесть, что модели виртуальных пациентов, использованные для обучения нейросети описывают скорее здоровые случаи, а в Сеченовском университете мы рассматривали данные реальных пациентов с сердечно-сосудистыми заболеваниями. Наш следующий шаг состоит в построении новых моделей кровотока у «виртуального населения» для обучения нейросети с учетом наличия различных заболеваний», — подытожил Сергей Симаков.
