Оценка работы детектора QRS-комплексов комплексом суточного мониторирования ЭКГ и АД «Медиком-комби» с использованием тестовой базы ЭКГ-сигналов MIT-BIH

Цель. Оценить точность работы детектора QRS-комплексов комплекса суточного мониторирования ЭКГ и АД «Медиком-комби» с использованием тестовой базы ЭКГ-сигналов MIT-BIH согласно требованиям ГОСТ Р МЭК 60601–2–47–2017, 30324.2.47–2012.

Материалы и методы. В ходе испытаний работа детектора проверялась на базе MIT-BIH Arrhythmia Database, содержащей 48 записей длительностью по 30 мин. Каждому выделенному комплексу QRS присваивался один из следующих типов: N (комплекс наджелудочковой топики, нормальный QRS-комплекс, в том числе блокады ножек пучка Гиса), V (комплекс желудочковой топики), U (комплекс, топику которого эксперты затрудняются определить) и A (артефакт). Определялись показатели чувствительности (Sen), специфичности или положительной предсказательной ценности (PPR), а также гипердиагностики (FPR).

Результаты. Чувствительность детектора QRS-комплексов комплекса суточного мониторирования ЭКГ и АД «Медиком-комби» составила 99,98%, специфичность – 99,87%. Чувствительность определения желудочковых комплексов составила 99,97%, специфичность определения желудочковых комплексов – 99,64%. Гипердиагностика желудочковых комплексов не превышает 0,03%.

Заключение. Комплекс суточного мониторирования ЭКГ и АД «Медиком-комби», предназначенный для многосуточного мониторирования ЭКГ, имеет достаточные показатели чувствительности и специфичности для анализа холтеровских записей ЭКГ, а также выявления желудочковых эктопических комплексов.

1. Boytsov S. A., Drapkina O. M. Modern content and improvement of high cardiovascular risk strategy in reducing mortality from cardiovascular diseases. Terapevticheskii arkhiv. 2021; 93 (1): 4-6.

2. Jun T. J., Nguyen H.M., Kang D. et al. ECG arrhythmia classification using a 2-D convolutional neural network.ariv preprint arXiv,1804.06812, Apr. 2018.

3. Abrishami H., Han C., Zhou X. et al. Supervised ECG Interval Segmentation Using LSTM Neural Network. Proc. BIOCOMP Conf., 2018. Pp. 71-77.

4. Yildirim O. A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification. Computers in biology and medicine. May 2018; 96: 189-202.

5. Saadatnejad S., Oveisi M., Hashemi M. LSTM-Based ECG Classification for Continuous Monitoring on Personal Wearable Devices. IEEE Journal of Biomedical and Health Informatics, 2019.

6. Epifanov S.N. Experience of ROKHMeNE test bases usage for automatic ECG analysis evaluation. Polyclinic. 2020; 3: 110-114.