Застосування методів машинного навчання для оцінювання системного судинного опору на основі неінвазивних параметрів гемодинаміки

Abstract

The article presents the results of a study aimed at applying machine learning methods for the non-invasive assessment of systemic vascular resistance (SVR), which is an important integral indicator of peripheral circulation and is widely used in clinical practice for the diagnosis of cardiovascular pathologies. Hemodynamic signals, in particular the pulse wave and related physiological parameters, are characterized by a combination of pronounced rhythmicity and stochastic variations caused by regulatory mechanisms of the cardiovascular system and the influence of external factors. The relevance of this study is due to the fact that traditional methods for determining SVR, such as linear deterministic models, systems of differential equations, spectral and wavelet analysis, are based on invasive procedures related to cardiac output and mean arterial pressure. These methods require specialized equipment, highly qualified personnel, and are associated with risks for patients, which limits their application in routine clinical practice and screening studies and increases the need for safe, accessible, and automated assessment methods. In this work, a mathematical formalization of hemodynamic signals based on cyclic random processes is proposed, which serves as a theoretical basis for the application of machine learning methods and allows simultaneous description of periodic components of the cardiac cycle and random signal fluctuations. This approach is based on the use of non-invasive hemodynamic parameters, including heart rate, arterial blood pressure, morphological characteristics of the pulse wave, and heart rate variability indices. To improve model quality, data preprocessing was performed using normalization, multicollinearity analysis (VIF), dimensionality reduction by principal component analysis (PCA), and heteroscedasticity testing. Modern machine learning algorithms were applied to build the models, including logistic regression, the k-nearest neighbors method, support vector machines, and random forest. It is shown that the use of cyclic random processes provides a basis for the formation of more informative and physiologically meaningful features suitable for classification and predictive modeling. A generalized block diagram of hemodynamic signal modeling was developed, covering the stages of preprocessing, mathematical modeling, informative feature extraction, and classification or prediction of hemodynamic states. The obtained results confirm the feasibility of using cyclic random processes as a fundamental tool for constructing hybrid analysis systems that combine mathematical modeling and artificial intelligence methods and can be applied in modern biomedical diagnostic and clinical decision support systems.

Подано результати дослідження, спрямованого на застосування методів машинного навчання для неінвазивного оцінювання системного судинного опору (Systemic Vascular Resistance, SVR), який є важливим інтегральним показником стану периферичного кровообігу та широко використовується у клінічній практиці для діагностики серцево-судинних патологій. Гемодинамічні сигнали, зокрема пульсова хвиля та пов’язані з нею фізіологічні параметри, характеризуються поєднанням вираженої ритмічності та стохастичних варіацій, зумовлених регуляторними механізмами серцево-судинної системи та впливом зовнішніх факторів. Актуальність дослідження зумовлена тим, що традиційні методи визначення SVR, такі як лінійні детерміністичні моделі, системи диференціальних рівнянь, спектральний і вейвлет-аналіз, базуються на інвазивних процедурах, пов’язаних із серцевим викидом та середнім артеріальним тиском, які потребують спеціального обладнання, високої кваліфікації персоналу і несуть ризики для пацієнта. Це обмежує їх застосування у рутинній клінічній практиці та скринінгових дослідженнях, що підсилює потребу у розробці безпечних, доступних та автоматизованих методів оцінювання. Запропоновано математичну формалізацію гемодинамічних сигналів на основі циклічних випадкових процесів, яка слугує теоретичним підґрунтям для подальшого застосування методів машинного навчання та дозволяє одночасно описувати періодичні компоненти серцевого циклу та випадкові флуктуації сигналу. Такий підхід базується на використанні неінвазивних параметрів гемодинаміки: частоти серцевих скорочень, артеріального тиску, морфологічних характеристик пульсової хвилі та показників варіабельності ритму серця. Для підвищення якості моделей здійснено попередню обробку даних з використанням нормалізації, аналізу мультиколінеарності (VIF), зниження розмірності методом головних компонент (PCA) та перевірки гетероскедастичності. Для побудови моделей застосовано сучасні алгоритми машинного навчання — логістичну регресію, метод k-ближчих сусідів, метод опорних векторів та випадковий ліс. Показано, що використання ЦВП створює основу для формування інформативніших і фізіологічно обґрунтованіших ознак, придатних для подальшого використання у класифікаційних і прогностичних моделях. Розроблено узагальнену блок-схему моделювання гемодинамічних сигналів, яка охоплює етапи попередньої обробки, математичного моделювання, виділення інформативних ознак та класифікації або прогнозування гемодинамічних станів. Отримані результати підтверджують доцільність використання циклічних випадкових процесів як базового інструменту побудови гібридних систем аналізу, що поєднують методи математичного моделювання та штучного інтелекту, і можуть бути використані у сучасних системах біомедичної діагностики та підтримки прийняття рішень.