REPOZITORIJ > REZULTATI

Povzetek

Bolezni srca in žilja ali kardiovaskularne bolezni (KVB) so vodilni vzrok smrti v svetu.
Močno vplivajo na kakovost življenja bolnikov in predstavljajo precejšno obremenitev za
zdravstvene sisteme. Povečevanje pojavnosti kroničnega srčnega popuščanja (KSP), ki je
pogosta posledica KVB, predstavlja naraščajočo obremenitev za zdravje ljudi. Natančna in
zgodnja identifikacija KVB je ključna za omogočanje pravočasne diagnoze in učinkovitega
zdravljenja.
Algoritmi umetne inteligence (UI) so pokazali obetavne rezultate pri odkrivanju KVB.
Na veljavi so pridobile predvsem metode globokega učenja z uporabo zvočnih posnetkov
srca ali fonokardiogramov (FKD). Modeli globokega učenja potrebujejo veliko podatkov,
ki so pogosto težko dostopni. Eden izmed pristopov, ki se je izkazal za učinkovito rešitev
tega izziva, je bogatenje podatkov. Ta disertacija preiskuje napredne metode za izboljšanje
odkrivanja in klasifikacije bolezni srca, pri čemer se osredotoča na KSP in razvoj metode
bogatenja podatkov, specializirane za zvočne posnetke srca.
Prva preiskava analizira zvočne posnetke srca bolnikov s KSP v njihovih dekompenziranih
in rekompenziranih fazah. Dekompenzirana faza se pojavi, ko bolnik s KSO potrebuje
hospitalizacijo zaradi poslabšanja simptomov, medtem ko faza rekompenzacije predstavlja
bolnikovo sledečo stabilizacijo. Z uporabo FKD podatkov 37 bolnikov s KSP in kombinacije
metod strojnega učenja smo dosegli do 72 % točnost klasifikacije med obema fazama,
kar presega povprečno točnost kardiologov, ki je znašala 50 %. Ključne napovedne značilke
so bile pridobljene iz diastole in vključujejo tako časovno kot frekvenčno domeno.
Druga preiskava predstavi PCGmix, novo tehniko bogatenja podatkov, posebej zasnovano
na FKD podatkih. PCGmix generira nove primere iz izvirnih posnetkov preko skrbne
interpolacije, ki ohranja ključne diagnostične značilke za odkrivanje KVB. S tem se tudi
razlikuje od obstoječih metod bogatenja podatkov, ki so splošne in niso specializirane za
domeno srčnih posnetkov. Empirične ocene z uporabo javno dostopne baze podatkov z
851 posnetki normalnih in abnormalnih srčnih zvokov so pokazale, da PCGmix presega
trenutne tehnike bogatenja podatkov v primerih, ko imamo omejeno količino podatkov.
Natačjene, pri 10, 30, 56, 112 in 168 FKD posnetkih naša metoda doseže enako uspešnost
kot pristop brez bogatenja, ko se uči na količini podatkov, ki je 1.35–1.46, 1.34–1.69,
1.46–1.69, 1.08–2.25 oziroma 1.01–1.65-krat večja.
Ta disertacija prispeva k znanju na presečišču UI in medicine ter ponuja nove vpoglede
in metodologije za izboljšanje spremljanja in diagnoze kardiovaskularnega zdravja.
Prikazuje učinkovitost, ki jo je mogoče doseči pri detekciji dekompenzacije srčnega popuščanja
izključno na podlagi FKD in predstavi ter temeljito validira PCGmix, novo metodo
bogatenja podatkov, specifično za zvočne posnetke srca.