Нова система моніторингу для кількісної оцінки ефективності лікування захворювань на основі діелектричних властивостей крові
Анотація
У роботі представлена нова система моніторингу результатів впливу радіаційної та хіміотерапії на пацієнтів з онкологічними захворюваннями та ряду інших хвороб (ішемічний, геморагічний інсульт та інші) на основі зміни діелектричних характеристик проб крові пацієнтів до і після лікування з використанням попередньо організованої системи знань про динаміку онкологічних захворювань, статистичної обробки даних багаторічних вимірювань як у конкретного пацієнта, так і за типом хвороби, а також спеціально розроблених математичних моделей і результатів чисельних розрахунків для інтерпретації експериментальних даних. В першому розділі статті наданий детальний огляд сучасної літератури з досягнень сучасних індивідуальних фізіологічних та математичний моделей, автоматичних комп’ютерних систем збору медичних даних, результатів чисельних розрахунків за математичними моделями з урахуваннями реальної індивідуальної 3-вимірної геометрії досліджуваної системи, даних безпосередніх вимірювань швидкостей та тисків в окремих артеріальних сегментах, а також результатів чисельних розрахунків, у тому числі інтегральних параметрів, а саме об’ємних витрат крові в судинах та осереднених значень тисків. В другому розділі наведені математичні моделі, які є складниками запропонованої системи моніторингу, діагностики та лікування онкологічних захворювань на основі електрофізичних параметрів стандартних проб крові пацієнта за допомогою вимірювань діелектричних показників проби в зовнішньому електромагнітному випромінюванні СВЧ-діапазону при широкому варіюванні температури зразка в діапазоні Т=0-56 С.
Розроблена система дозволяє накопичувати, зберігати та видавати дані для первинної та повторної статистичної обробки інформації, в реальному часі приймати рішення про ефективність/неефективність терапевтичних процедур і планувати подальші лікувальні заходи.
Завантаження
Посилання
/Посилання
K. Yu, A.L. Beam, I.S. Kohane, “Artificial intelligence in healthcare”, Nature Biomedical Engineering, Vol. 2, pp. 719–731, 2018.
C.J. Lynch, C. Liston, “New machine-learning technologies for computer-aided diagnosis”, Nature Medicine, Vol. 24, pp. 1304–1305, 2018.
D. Girardi, J. Küng, R. Kleiser, M. Sonnberger, D.C. Johannes, T.A. Holzinger, “Interactive knowledge discovery with the doctor-in-the-loop: a practical example of cerebral aneurysms research”, Brain Informatics, Vol.3, pp. 133–143, 2016.
N. Kizilova, “Diagnostics of Coronary Stenosis: Analysis of Arterial Blood Pressure and Mathematical Modeling”, In: Biomedical Engineering Systems and Technologies. Springer Series on Communications in Computer and Information Science. Plantier, G., Schulz, T., Fred, A., Gamboa, H. (Eds.), pp. 299-312, 2015.
N. Kizilova, “Electromagnetic properties of blood and its interaction with electromagnetic fields”, In: Advances in Medicine and Biology. Vol.137. L.V. Berhardt (ed.) NOVA Sci. Publ., pp. 1-74, 2019.
L. Batyuk, N. Kizilova, “Dielectric properties of red blood cells for cancer diagnostics and treatment”, AS Cancer Biology, Vol. 2(10), pp. 55-60, 2018.
L. Batyuk, N. Kizilova, V. Berest, “Investigation of antiradiation and anticancer efficiency of nanodiamonds on rat erythrocytes”, In: Nanomaterials: Application & Properties, pp. 04NB23, 2017.
P. Kingsley, E.M. Taylor, “One Health: competing perspectives in an emerging field”, Parasitology, Vol. 144(1), pp. 7–14, 2017.
J. Zinnstag, E. Schelling, D. Waltner-Toews, M. Whittaker, M. Tanner (eds), One Health: the theory and practice of integrated health approaches, CAB International, 2015.
F. Azuaje, “Artificial intelligence for precision oncology: beyond patient stratification”, Nature Precision Oncology, Vol. 3, pp. 6-11, 2019, doi:10.1038/s41698-019-0078-1.
W. Rawat, Z. Wang. “Deep convolutional neural networks for image classification: a comprehensive review”, Neural Computation, Vol. 29, pp. 2352–2449, 2017.
A. Forschner, U. Keim, M. Hofmann, I. Spänkuch, D. Lomberg, B. Weide, I. Tampouri, T. Eigentler, C. Fink, C. Garbe, H.A. Haenssle, “Diagnostic accuracy of dermatofluoroscopy in cutaneous melanoma detection: results of a prospective multicentre clinical study in 476 pigmented lesions”, British Journal of Dermatology, Vol.179(2), pp. 478-485, 2018.
N. Coudray, P.S. Ocampo, T. Sakellaropoulos, N. Narula, M .Snuderl, D. Fenyö, A.L. Moreira, N. Razavian, A. Tsirigos, “Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning”, Nature Medicine, Vol. 24, pp. 1559–1567, 2018.
G. Yauney, P. Shah, “Reinforcement learning with action-derived rewards for chemotherapy and clinical trial dosing regimen selection”, Proceedings of Machine Learning Research, Vol.85, pp. 161–226, 2018.
R. Poplin, A.V. Varadarajan, K. Blumer, Y. Liu, M.V. McConnell, G.S. Corrado, L. Peng, D.R. Webster, “Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning”, Nature. Biomedical Engineering, Vol.2, pp.158–164, 2018.
L. Batyuk, N. Kizilova, “Modeling of dielectric permittivity of the erythrocytes membrane as a three-layer model”, In: Development trends in medical science and practice: the experience of countries of Eastern Europe and prospects of Ukraine, Riga, “Baltija Publishing”, pp. 18-37, 2018.
Yu K., Beam A.L., Kohane I.S. Artificial intelligence in healthcare. Nature Biomedical Engineering. 2018. Vol. 2. P. 719–731.
Lynch C.J., Liston C., New machine-learning technologies for computer-aided diagnosis. Nature Medicine. 2018. Vol. 24. P. 1304–1305.
Girardi D., Küng J., Kleiser R., Sonnberger M., Johannes D.C., Holzinger T.A. Interactive knowledge discovery with the doctor-in-the-loop: a practical example of cerebral aneurysms research. Brain Informatics. 2016. Vol.3. P. 133–143.
Kizilova N. Diagnostics of Coronary Stenosis: Analysis of Arterial Blood Pressure and Mathematical Modeling. In: Biomedical Engineering Systems and Technologies. Springer Series on Communications in Computer and Information Science. Plantier, G., Schulz, T., Fred, A., Gamboa, H. (Eds.). 2015. P. 299-312.
Kizilova N. Electromagnetic properties of blood and its interaction with electromagnetic fields”. In: Advances in Medicine and Biology. Vol.137. L.V. Berhardt (ed.) NOVA Sci. Publ. 2019. P. 1-74, 2019.
Batyuk L., Kizilova N. Dielectric properties of red blood cells for cancer diagnostics and treatment. AS Cancer Biology. 2018. Vol. 2(10). P. 55–60.
Batyuk L., Kizilova N., Berest V. Investigation of antiradiation and anticancer efficiency of nanodiamonds on rat erythrocytes. In: Nanomaterials: Application & Properties, 2017. P. 04NB23.
Kingsley P., Taylor E.M. One Health: competing perspectives in an emerging field. Parasitology. 2017. Vol. 144(1). P. 7–14.
Zinnstag J., Schelling E., Waltner-Toews D., Whittaker M., Tanner M. (eds) One Health: the theory and practice of integrated health approaches. CAB International. 2015.
Azuaje F. Artificial intelligence for precision oncology: beyond patient stratification. Nature Precision Oncology. 2019. Vol. 3. P. 6-11, doi:10.1038/s41698-019-0078-1.
Rawat W., Wang Z. Deep convolutional neural networks for image classification: a comprehensive review. Neural Computation. 2017. Vol. 29. P. 2352–2449.
Forschner A., Keim U., Hofmann M., Spänkuch I., Lomberg D., Weide B., Tampouri I., Eigentler T., Fink C., Garbe C., Haenssle H.A. Diagnostic accuracy of dermatofluoroscopy in cutaneous melanoma detection: results of a prospective multicentre clinical study in 476 pigmented lesions. British Journal of Dermatology. 2018. Vol.179(2). P. 478-485.
Coudray N., Ocampo P.S., Sakellaropoulos T., Narula N., Snuderl M., Fenyö D., Moreira A.L., Razavian N., Tsirigos A. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning.Nature Medicine. 2018. Vol. 24. P. 1559–1567.
Yauney G., Shah P. Reinforcement learning with action-derived rewards for chemotherapy and clinical trial dosing regimen selection. Proceedings of Machine Learning Research. 2018. Vol.85. P. 161–226.
Poplin R., Varadarajan A.V., Blumer K., Liu Y., McConnell M.V., Corrado G.S., Peng L., Webster D.R. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature. Biomedical Engineering. 2018. Vol.2. P.158–164.
Batyuk L., Kizilova N. Modeling of dielectric permittivity of the erythrocytes membrane as a three-layer model. In: Development trends in medical science and practice: the experience of countries of Eastern Europe and prospects of Ukraine, Riga, “Baltija Publishing”. 2018. P. 18–37.