National and Kapodistrian University of Athens
Εκτίμηση του παράγοντα Περιοδικής Αναπνοής στην χρόνια καρδιακή ανεπάρκεια με τη χρήση Ασαφών Συστημάτων Συλλογιστικής
Abstract
dc:descriptionΕισαγωγή: Η Καρδιοαναπνευστική Δοκιμασία Κοπώσεως (ΚΑΔΚ) αποτελεί πλέον ένα σοβαρό εργαλείο για τη συγκέντρωση δεδομένων και την αξιολόγηση των ασθενών που πάσχουν από Καρδιακή Ανεπάρκεια (ΚΑ). Ένας από τους παράγοντες που καταμετρώνται κατά τη διάρκεια της ΚΑΔΚ είναι και η Περιοδική αναπνοή η ανάλυσή της όμως γίνεται σε μεγάλο βαθμό με απλές αναλογικές μεθόδους που είναι χρονοβόρες και υπόκεινται και στον παράγοντα του ανθρώπινου λάθους. Σκοπός της παρούσας μελέτης είναι να δημιουργηθεί ένα πρόγραμμα για την γρήγορη επεξεργασία των δεδομένων του κατά λεπτού αναπνοής κατά τη διάρκεια της ΚΑΔΚ ώστε η διάγνωση και αξιολόγηση της Περιοδικής Αναπνοής να γίνεται άμεσα και αξιόπιστα. Μετέπειτα γίνεται χρήση των Ασαφών Συστημάτων Συλλογιστικής για να συσχετίσει καθιερωμένες στοχευμένες μεταβλητές της ΚΑΔΚ (VE/VCO2slope, VO2peak, EOV και PETCO2) με τις κλινικές παραμέτρους NYHA και LVEF ως προς τον προσδιορισμό της σοβαρότητας της ΚΑ μέσω της ΚΑΔΚ. Μεθοδολογία: Δεδομένα τριακοσίων τεσσάρων συνολικά ασθενών με ΚΑ (ηλικία: 54±13 έτη, VO2peak: 17,9±7,3 ml/kg/min), χρησιμοποιήθηκαν για τη δημιουργία των ασαφών συστημάτων συλλογιστικής. Για τον προσδιορισμό της περιοδικής αναπνοής δημιουργήσαμε υπολογιστικό μοντέλο το οποίο βασίζεται στον ορισμό του φαινομένου από την Αμερικανική Καρδιολογική Εταιρεία. Τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για τη δημιουργία δυο διαφορετικών συστημάτων Τεχνητής Νοημοσύνης (Ασαφών Συστημάτων Συλλογιστικής) μέσω της εφαρμογής Fuzzy Logic Designer – Matlab R2019a και τα αποτελέσματα του ελέγχθηκαν ως προς την στατιστική σημαντικότητα τους μέσω της εφαρμογής SPSS. Αποτελέσματα: Το πρώτο σύστημα συλλογιστικής κατέδειξε να παράγει με 98.45% ακρίβεια τη σχέση μεταξύ των μεταβλητών της ΚΑΔΚ με την ΝΥΗΑ και με 98.95% ακρίβεια τη σχέση των μεταβλητών της ΚΑΔΚ με την LVEF. Το δεύτερο σύστημα συλλογιστικής κατέδειξε να παράγει με 96.5% τις σχέσεις για την ΝΥΗΑ και 98.45% ακρίβεια τις σχέσεις μεταξύ των εμπλεκόμενων μεταβλητών. Τόσο το πρώτο όσο και το δεύτερο σύστημα Τεχνητής Νοημοσύνης επέδωσαν μικρή διαγνωστική αξία της περιοδικής αναπνοής για την κλινική ταξινόμηση κατά NYHA, το οποίο επιβεβαιώθηκε ύστερα από στατιστική ανάλυση που κατέδειξε βελτίωση της συνολικής διαγνωστικής αξίας όλων των μεταβλητών της ΚΑΔΚ κατά 0.63%. Τόσο τα συστήματα Τεχνητής Νοημοσύνης όσο και η στατιστική ανάλυση κατέδειξαν ότι η περιοδική αναπνοή προσέθεσε 6.11% μονάδες στην συνολική διαγνωστική αξία των μεταβλητών της ΚΑΔΚ ως προς τον προσδιορισμό της LVEF. Συμπεράσματα: Με την χρήση σύγχρονης τεχνολογίας μπορούμε να αξιοποιήσουμε μεγαλύτερο όγκο δεδομένων και να αναλύσουνε εις βάθος τα αποτελέσματα. Πιο αναλυτικά, μέσω της χρήσης των ασαφών συλλογιστικών συστημάτων μπορούσαμε να προσδιορίσουμε τόσο ποιοτικά όσο και ποσοτικά την διαγνωστική ικανότητα της περιοδικής αναπνοής στους ασθενείς με καρδιακή ανεπάρκεια. Παρόλα αυτά, τα συστήματα που δημιουργήσαμε δεν συστήνετε να χρησιμοποιηθούν από κάποιον «μη-ειδικό», όμως μπορούν να βοηθήσουν τους ίδιους ερευνητές σε στοχευμένες αναλύσεις επί του φαινομένου και την εξαγωγή περαιτέρω συμπερασμάτων.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Ζαρβαλιάς Βασίλειος
- Zarvalias Vasileios
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:2916316