Разработанный прибор анализирует спектральную составляющую аудиозаписей кашля. Изобретение поможет врачам в постановке диагноза пациентам с заболеваниями дыхательной системы и персонифицированном назначении препаратов
Идея возникла, когда к ученым обратились пульмонологи из БСМП. У врачей появилась потребность в суточном мониторинге кашля для последующего спектрального анализа аудиозаписей этого кашля: требовалось создать аппарат, который мог бы выделять кашель из обычной аудиозаписи, разделять его на части — так называемые кашлевые акты, а затем строить их Вейвлет- и Фурье-спектры. Эти преобразования позволяют посмотреть частоты, которые присутствуют в звуковых сигналах — то есть высокие и низкие звуки. Построение распределения кашлей по времени может много сказать о продолжительности действия того или иного препарата на конкретного человека, а спектральные показатели кашля — о динамике выздоровления пациента.
«Мы с представителями медуниверситета, а именно доктором медицинских наук Евгением Овсянниковым разрабатываем прибор, который создан для того, чтобы собирать информацию — о хрипах, кашлях, в общем, о любой респираторной «активности». В зависимости от региона страны и конкретного года, болезни органов дыхания могут занимать более 60% случаев в общей структуре заболеваемости. Именно поэтому мы полагаем, что наша разработка будет очень востребована в лечебных учреждениях», — подчеркнул Алексей Максимов.
Прибор состоит из обычного смартфона и программного обеспечения к нему, а также небольшой коробочки — монитора кашля, который, в свою очередь, состоит из датчика дыхания и акселерометра. Этот монитор надевают на человека, и он, анализируя показатели дыхания и акселерометрии, например, ускорение при вдохе/выдохе, грудной клетки позволяет отделить кашель от речи и фоновых шумов на аудиозаписи. Смартфон же используют для хранения и отправки аудиозаписей на удаленный сервер, где и происходит их анализ.
Врач получает данные практически в режиме реального времени и в любой момент может с ними работать. Визуализировать могут как аудиозапись кашля, так и его спектральные характеристики. Анализируя определенные частоты, обращая внимание на пики графиков, медики смогут понять, действует ли тот или иной препарат на человека положительно или не работает вовсе, а также разобраться, какова динамика и продолжительность действия лекарства. Например, человек болеет астмой: один препарат помогает ему на час, другой делает его состояние проще в течение пяти часов. Пациент проходит с монитором сутки. Тот проанализирует изменения кашля и даст врачу понять, с каким именно лекарством человек себя чувствует хорошо в течение большего промежутка времени.
«Мы пробуем включить в процесс анализа машинное обучение — нейронные сети, которые будут обрабатывать аудиозаписи перед анализом врача. Например, определять, сухой кашель или влажный, а также дополнительно выделять фрагменты аудиозаписей, не содержащих кашель. Если у нас все получится, мы сможем отказаться от монитора кашля и оставить всего лишь петличку с микрофоном и смартфон. Они будут записывать звук в режиме реального времени, прогонять их через нейронную сеть, выделяя только кашель и удаляя все остальное. Затем кашель будут отправлять на сервер. В результате система должна «выдавать» красивые графики и помогать врачу ставить диагноз. Сегодня мы проходим бета-тестирование: медики решают, насколько им удобна данная система», — прокомментировал Алексей Максимов.
Также старший преподаватель отметил, что минимальный функционал уже есть, осталось «навести красоту». В идеале это должен быть программно-аппаратный комплекс. Человеку в больнице выдают специальный смартфон с программным обеспечением, он в течение суток живет обычной жизнью. Затем будут собираться исключительно аудиозаписи кашлей, после чего будут построены графики распределения, спектры, а врач, в свою очередь, сделает выводы, и в последствие чего назначает какие-то препараты.
В разработке прибора помогали студенты третьего курса — Владислав Твердохлебов и Стефан Шипилов. Первый делал front-end часть, второй back-end.
«Нужно было, чтобы графики строились более-менее быстро и сервер не выдавал ошибку. Поскольку данных очень много, сервер это перегружает. Пришлось развивать запрос на части: когда мы выбираем какой-то конкретный график или файл, то только этот файл отправляет запрос на сервер, и затем строится график. Стефан отвечал за построение модели базы данных, то есть он продумывал, какие взаимосвязи могут быть, локализацию, аутентификацию», — рассказал Владислав Твердохлебов.