Применение нейронных сетей для неинвазивного определения уровня гликированного гемоглобина на примере инновационного портативного глюкометра в клинической практике
- Авторы: Поликер Е.Е.1, Кошечкин К.А.1, Тимохин А.М.1, Клюкина Е.В.1, Белякова Е.Д.2, Бровко А.М.3, Лалаян А.С.4, Ермолаева А.С.1
-
Учреждения:
- Первый Московский государственный медицинский университет имени И.М. Сеченова
- Научно-практический клинический центр диагностики и телемедицинских технологий
- Московский физико-технический институт (национальный исследовательский университет)
- Московский государственный университет имени М.В. Ломоносова
- Выпуск: Том 5, № 1S (2024)
- Страницы: 124-126
- Раздел: МОЛОДЫЕ УЧЕНЫЕ: тезисы конференции НПКЦ
- Статья получена: 17.02.2024
- Статья одобрена: 27.03.2024
- Статья опубликована: 03.07.2024
- URL: https://jdigitaldiagnostics.com/DD/article/view/627099
- DOI: https://doi.org/10.17816/DD627099
- ID: 627099
Цитировать
Полный текст
Аннотация
Обоснование. В последнее десятилетие интерес к неинвазивному мониторингу уровня гликемии значительно возрос [1]. Это обусловлено стремлением снизить дискомфорт пациентов, а также риск инфекций, связанных с традиционными инвазивными методами [2]. Рамановская спектроскопия, считающаяся перспективной для неинвазивных измерений [3], в сочетании с машинным обучением может привести к более точным и быстрым способам диагностики состояний, связанных с нарушениями гликемии [4].
Цель — создание и валидация нового портативного глюкометра на основе Рамановской спектроскопии с использованием методов машинного обучения для неинвазивного определения уровня гликированного гемоглобина (HbA1c).
Материалы и методы. Исследование проводилось на выборке из 100 добровольцев различной возрастной группы и пола, с различным статусом здоровья, включая людей с сахарным диабетом 1-го, 2-го типов и без него. Для сбора данных использовался разработанный нами портативный прибор, основанный на регистрации Рамановских спектров с лазерным возбуждением 638 нм. Данные анализировались с использованием нейронных сетей Support Vector Machine [5].
Результаты. После обработки спектроскопических измерений с использованием Support Vector Machine, система показала сравнимые с традиционными методами (такими, как высокоэффективная жидкостная хроматография) чувствительность (95,7%) и специфичность (84,2%) в определении уровня HbA1c [6]. Выявлено, что алгоритм достаточно адаптивный и может быть использован в широком диапазоне типов кожи, вне зависимости от возраста и пола участников. Результаты указывают на возможность использования разработанного прибора в клинической практике.
Заключение. Разработанный портативный глюкометр на основе Рамановской спектроскопии в комбинации с алгоритмами машинного обучения может стать обнадёживающим шагом к неинвазивному и непрерывному мониторингу уровня гликемии у пациентов с сахарным диабетом.
Полный текст
Обоснование. В последнее десятилетие интерес к неинвазивному мониторингу уровня гликемии значительно возрос [1]. Это обусловлено стремлением снизить дискомфорт пациентов, а также риск инфекций, связанных с традиционными инвазивными методами [2]. Рамановская спектроскопия, считающаяся перспективной для неинвазивных измерений [3], в сочетании с машинным обучением может привести к более точным и быстрым способам диагностики состояний, связанных с нарушениями гликемии [4].
Цель — создание и валидация нового портативного глюкометра на основе Рамановской спектроскопии с использованием методов машинного обучения для неинвазивного определения уровня гликированного гемоглобина (HbA1c).
Материалы и методы. Исследование проводилось на выборке из 100 добровольцев различной возрастной группы и пола, с различным статусом здоровья, включая людей с сахарным диабетом 1-го, 2-го типов и без него. Для сбора данных использовался разработанный нами портативный прибор, основанный на регистрации Рамановских спектров с лазерным возбуждением 638 нм. Данные анализировались с использованием нейронных сетей Support Vector Machine [5].
Результаты. После обработки спектроскопических измерений с использованием Support Vector Machine, система показала сравнимые с традиционными методами (такими, как высокоэффективная жидкостная хроматография) чувствительность (95,7%) и специфичность (84,2%) в определении уровня HbA1c [6]. Выявлено, что алгоритм достаточно адаптивный и может быть использован в широком диапазоне типов кожи, вне зависимости от возраста и пола участников. Результаты указывают на возможность использования разработанного прибора в клинической практике.
Заключение. Разработанный портативный глюкометр на основе Рамановской спектроскопии в комбинации с алгоритмами машинного обучения может стать обнадёживающим шагом к неинвазивному и непрерывному мониторингу уровня гликемии у пациентов с сахарным диабетом.
Об авторах
Екатерина Ефимовна Поликер
Первый Московский государственный медицинский университет имени И.М. Сеченова
Автор, ответственный за переписку.
Email: katepoliker@gmail.com
ORCID iD: 0000-0002-9610-4511
SPIN-код: 3735-2532
Россия, Москва
Константин Александрович Кошечкин
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: koshechkin_k_a@staff.sechenov.ru
Россия, Москва
Александр Михайлович Тимохин
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: data.sup@ya.ru
Россия, Москва
Екатерина Вячеславовна Клюкина
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: katerina-klyukina@mail.ru
Россия, Москва
Екатерина Дмитриевна Белякова
Научно-практический клинический центр диагностики и телемедицинских технологий
Email: belyakova_e_d@student.sechenov.ru
Россия, Москва
Артем Михайлович Бровко
Московский физико-технический институт (национальный исследовательский университет)
Email: ambrovko@mail.ru
Россия, Москва
Алина Сергеевна Лалаян
Московский государственный университет имени М.В. Ломоносова
Email: hemotech.ai@mail.ru
Россия, Москва
Александра Сергеевна Ермолаева
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: a.s.arkhipova@inbox.ru
Россия, Москва
Список литературы
- Demircioglu N., Erdogan I., Ersoy Y.E., Abbasoglu A.A. Raman spectroscopy for the non-invasive detection of glycated haemoglobin: A systematic review // Advances in Clinical Chemistry. 2019. Vol. 88. P. 71–90.
- Chen L., Wang J., Yan X., Chen H., Ni X. Non-invasive measurement of hemoglobin A1c using Raman spectroscopy // Analytical Methods. 2019. Vol. 11, N 37. P. 4743–4750.
- Ibtehaz N., Chowdhury M.E.H., Khandakar A., et al. RamanNet: a generalized neural network architecture for Raman spectrum analysis // Neural Comput & Applic. 2023. Vol. 35. P. 18719–18735. doi: 10.1007/s00521-023-08700-z
- Yin C., Wang X., Xu H., et al. Raman spectroscopy-based noninvasive glycated hemoglobin detection in blood samples: A machine learning approach // Analytical Chemistry. 2021. Vol. 93, N 7. P. 3273–3279.
- González-Viveros N., Castro-Ramos J., Gómez-Gil P., Cerecedo-Núñez H.H. Characterization of glycated hemoglobin based on Raman spectroscopy and artificial neural networks // Spectrochim Acta A Mol Biomol Spectrosc. 2021. Vol. 247. P. 119077. doi: 10.1016/j.saa.2020.119077
- Trenerry M.I., et al. Validation of high-performance liquid chromatography assays for determination of glycated hemoglobin in diabetic studies // Clinica Chimica Acta. 1996. Vol. 246, N 1-2. P. 91–102.
Дополнительные файлы
![](/img/style/loading.gif)