Принимая в нулевом приближении и формально понимание здоровья как отсутствие диагноза заболевания, следует различать четыре градации состояния здоровья:

- гармоничное здоровье,

- риск заболевания,

- латентная (скрытая) стадия заболевания,

- ранняя стадия заболевания (симптомы уже есть, но диагноз еще не поставлен).

К сожалению, диагноз иногда ставят и на поздней стадии развития болезни.

Главная задача интеллектуальных систем мониторинга здоровья заключается в обеспечении диагностики актуальных рисков и латентных стадий заболеваний.

Организация мониторинга населения на основе методов лабораторной диагностики даже всего по нескольким заболеваниям экономически непосильна. Существующие носимые гаджеты не претендуют на диагностику болезней, не говоря уже о диагностике нозологических рисков. Сегодня только ФСД-диагностика претендует на обеспечение экономически оправданного, диагностически эффективного и одновременного мониторинга десятков распространенных заболеваний.

Суть ФСД-диагностики заключается в пассивной (без всякого воздействия) записи волнового сигнала от поверхности кожи длительностью 35 секунд с помощью металлического электрода в диапазоне частот от 20 Гц до 11 КГц (аудиодиапазон ЭМП), спектральном анализе записанного сигнала на основе вейвлет преобразования Добеши 3 и последующего распознавания наличия спектральных соответствий с аналогичными спектрами электронных копий эталонных диагностических маркеров [1].

Спектральное соответствие, то есть сходство маркера с соответствующим паттерном спектра пациента, выраженное в %, является основным показателем для врача, который, анализируя показатели для десятков и сотен маркеров, делает диагностические заключения. Основными классами маркеров являются маркеры физиологических органно-тканевых процессов, воспалительных процессов, дегенеративных процессов, этиологических агентов (вирусных, бактериальных и др.), экологических факторов и лекарственных средств.

ФСД-диагностика позволяет проводить диагностику распространенных инфекционных и неинфекционных заболеваний и их рисков по всем системам организма.

Использованию ФСД-диагностики для построения интеллектуальных систем мониторинга здоровья благоприятствует следующее уникальное сочетание технологических факторов:

- малое время, пассивность и простота записи ФСД-сигнала,

- одномоментный доступ ко всем маркерам после записи сигнала,

- простота передачи аудиофайла сигнала на сервер,

- низкая стоимость диагностического цикла в автоматическом режиме, то есть при наличии интеллектуальной системы мониторинга здоровья,

- возможность использования смартфона для самостоятельной записи и передачи аудиофайла ФСД-сигнала на сервер для автоматической диагностики с помощью интеллектуальной системы мониторинга здоровья.

Существует три основных подхода к построению диагностических систем искусственного интеллекта, включая логико-семантический, логико-статистический и нейросетевой, а также их гибридные комбинации.

Маркерные данные, получаемые с помощью ФСД-диагностики, допускают использование всех упомянутых подходов.

Логико-семантический подход, основанный на онтологиях, предполагает использование экспертных знаний о маркерах и диагностируемом нозологическом объекте. Этот подход не требует больших данных, но предъявляет высокие требования к экспертам и, в ряде случаев, предполагает дополнительные научные исследования.

Логико-статистический подход основан на извлечении знаний из данных. Извлекаемые знания касаются, прежде всего, диагностической информативности конкретного маркера. Кроме этого, извлекаемые знания касаются диагностической эффективности и семантики (экспертный компонент) конкретных совокупностей информативных диагностических маркеров. Высокоинформативные совокупности маркеров используют для статистической оценки рисков развития диагностируемых процессов или оценки шансов обратного развития этих процессов. В процессе мониторинга для множества текущих оценок рисков применяют логические процедуры принятия диагностических решений по предустановленным пороговым значениям величин рисков в качестве основных логических правил. В качестве дополнительных логических правил принятия диагностических решений используют исключения из основных правил. В технологии мониторинга здоровья основные и дополнительные правила могут включать параметры текущей динамики величин рисков. Реализация логико-статистического подхода не требует больших данных и специального экспертного обеспечения.

Нейросетевой подход не предполагает извлечение знаний в явном виде и требует больших данных, которые в медико-диагностических задачах часто малодоступны. Кроме того, нейросетевые системы подвержены влиянию цифрового шума.

Приведенные характеристики трех подходов к созданию интеллектуальных ФСД-систем мониторинга здоровья показывают, что логико-статистический подход является оптимальным и что в будущем он будет дополняться гибридными компонентами.

Технология проектирования интеллектуальных ФСД-систем мониторинга здоровья была разработана нами на примере системы мониторинга риска развития мастита у коров.

Система мониторинга риска развития мастита у коров имеет необходимую инфраструктуру ФСД-мониторинга здоровья (датчики, сервер, терминалы, каналы связи) и собственно интеллектуальную ФСД-систему мониторинга риска развития мастита.

Эта система относится к логико-статистическим интеллектуальным системам распознавания образов по высокоинформативному набору диагностических ФСД-маркеров мастита. Набор в составе 14 маркеров был получен в результате многоэтапного отбора из множества информативных маркеров и включает маркеры воспаления молочной железы, лекарственные маркеры и маркеры состояний иммунной системы.

Отбор информативных маркеров мастита выполнен нами на основе ФСД-исследования и параллельного лабораторного исследования выборки коров (90 животных). Лабораторные исследования включали определение числа соматических клеток и микробиологическую линейку. Выборка включала здоровых коров, особей с субклиническим маститом и особей с клиническим маститом (по результатам лабораторной диагностики).

В системе ФСД-мониторинга риска развития мастита у коров использовано два основных диагностических критерия – величина риска мастита, то есть оценка вероятности развития мастита, и направление динамики изменения величины риска (рост его величины) за последние дни в процессе ежедневного автоматического мониторинга, а также несколько дополнительных логических правил. Наличие высокого риска в сочетании с параметрами динамики его роста позволяет выявлять не только наличие субклинического мастита, но и актуальный риск его развития. Диагностическая погрешность интеллектуальной системы мониторинга риска развития мастита составила 5%.

Необходимость регулярного контроля здоровья индивида и популяции врачи понимают очень давно. Также хорошо понятно, что возможности такого контроля ограничивает набор применяемых диагностических технологий, в котором отсутствуют позиции с достаточно высоким отношением эффективность/стоимость, то есть с высокой эффективностью и низкой стоимостью. Применительно к задачам контроля здоровья эффективность определяют, прежде всего, с точки зрения возможностей ранней диагностики заболеваний.

Сегодня к мониторингу здоровья индивида условно можно отнести систему диспансеризации, но периодичность в год - два велика для эффективного мониторинга. Велика также стоимость функционирования системы диспансеризации и, к сожалению, невелика диагностическая эффективность, что было показано в пилотном проекте применения ФСД-диагностики в диспансеризации с последующей верификацией диагнозов[2].

Создание интеллектуальной ФСД-системы мониторинга здоровья позволит перейти от системы диспансеризации к системе мониторинга здоровья и выйти на новый технологический уровень контроля здоровья.

Литература

1. Комплекс медицинский спектрально-динамический [Электронный ресурс]/Режим доступа: http://www.kmsd.su. – Дата доступа: 09.09.2009.

2. Ростовцев В.Н. Диагностический скрининг в системе диспансеризации / В.Н. Ростовцев, Т.И. Терехович, А.Н. Линдеров, И.Б. Марченкова // Вопросы организации и информатизации здравоохранения. - 2018.- № 2 (95). С. 39 – 46.