Intelligens Kardiológiai Távmonitorozó Rendszer

INFOKOMMUNIKÁCIÓ

ÚJDONSÁGOK

Intelligens Kardiológiai Távmonitorozó Rendszer Végsô Balázs, Balázs Gábor, Dr. Kozmann György, Veszprémi Egyetem

A publikáció célja egy NKFP projekt részfeladataként kidolgozott Intelligens Kardiológiai Távmonitorozó Rendszer (IKTR), mûködésének és eredményeinek bemutatása, különös tekintettel a rendszer intelligenciáját és személyre szabottságát biztosító algoritmusokra. A rendszer lehetôvé teszi a kardiológiai szempontból fontos adatok (EKG, vérnyomás, fizikai aktivitás, testsúly) otthoni monitorozását, a mért adatok automatikus értékelését, szükség esetén a 24 órás orvosi felügyelet riasztását, valamint az egészségügyi szereplôk összekapcsolását. Hasonló rendszerektôl megkülönbözteti, hogy a mérések minôségbiztosítása érdekében képes a felcserélt elektródák detektálására, bizonyos esetekben a helyes felhelyezési sorrendnek megfelelô jelalak viszszaállítására, továbbá bizonyos tanulás után, a monitorozás során észlelt EKG, illetve vérnyomás változások személyre szabott értékelésére, figyelembe véve a mérési adatok variabilitását. Az otthoni méréshez használt 3 elvezetéses EKG diagnosztikai hatékonyságának növelése érdekében a mintarendszer egy becslô algoritmust is tartalmaz, mely a nem mért további 9 elvezetés kiszámítását teszi lehetôvé.

BEVEZETÉS Ismert tény, hogy a szív-érrendszeri betegségek morbiditási és mortalitási rátái kedvezôtlenek hazánkban [1]. Az említett betegségekben szenvedôk ellátása nagy terhet jelent, mind anyagi, mind személyi forrásokat tekintve az egészségügyi intézmények számára. A korszerû információs technológiákon alapuló távmonitorozó rendszerek költséghatékony megoldást jelenthetnek a gondozási problémákra, amennyiben biztosítható a mérések diagnosztikai minôsége. A mérési lehetôségek vonatkozásában a korábbi rendszerekhez képest a vezeték nélküli technológiák használata jelentôs elôrelépést ígér, ugyanis minden eddiginél jobban biztosítja a betegek monitorozás közbeni mobilitását. Napjainkban több európai és hazai projekt foglalkozik távmonitorozó rendszerek fejlesztésével [2, 3]. Ez a tény is jelzi, ennek a területnek az egészségügyben betöltött egyre fontosabb szerepét. Jelen cikkben bemutatásra kerülô mintarendszert [4] a Veszprémi Egyetem Információs Rendszerek Tanszék munkacsoportja fejlesztette ki. Ahhoz, hogy tömeges igény esetén is magas szintû monitorozó szolgáltatást hozzunk létre, szükséges az adatok automatizált feldolgozása, valamint döntéstámogató modul

integrálása a rendszerbe. Ma már számos olyan rendszer létezik, amely tartalmaz döntéstámogató modult. Ezek hatékonysága más és más, de valamennyiben közös az, hogy olyan kiértékelési módszereket használnak, amelyek a teljes populációt reprezentáló mintán gyûjtött eredményekre támaszkodva döntik el azt, hogy egy adott mérési eredmény normálisnak vagy kórosnak tekintendô. Az ilyen módszerek további hiányossága, hogy nem veszik figyelembe a mérési eredmények napi variabilitását. Az IKTR keretében olyan módszert fejlesztettünk ki, amely rövid idô alatt megtanulja az adott betegre jellemzô paramétereket, majd késôbb személyre szabottan képes a monitorozási adatok kiértékelésére. Az IKTR fontos újdonsága, a mérések minôségének mesterséges intelligencia eszközeivel történô biztosítása. Mesterséges intelligencia beépítésére azért van szükség, mert a betegtôl nem várható el az a magas szintû technikai felkészültség, ami ahhoz szükséges, hogy a méréseket az egészségügyi ellátásban elvárható pontossággal végezze el. Az egyik lehetséges probléma az elektródák felcserélése, amely detektálására és helyreállítására új algoritmust fejlesztettünk ki. A hasonló fejlesztésekrôl, rendszerekrôl általánosságban állítható, hogy ezzel a problémakörrel nem foglalkoznak. Léteznek ugyan elektróda-felcserélést kezelô eljárások, azonban ezek közül vannak olyanok, amelyek minden a priori ismeretet nélkülöznek a felvétellel kapcsolatban, és legtöbbjük csak az Einthoven I-es elvezetés hibás mérését képes megállapítani. Ilyen módszerek a GRI (Glasgow Royal Infirmary) és Marquette kritériumok vizsgálata (hullámparaméterek alapján), illetve a celluláris neurális hálózatot megvalósító hardver használata [5]. Az általunk megvalósításra került algoritmus ezzel ellentétben a páciens korábbi, referencia mérési eredményeit használva képes a hibás elektróda felhelyezését megállapítani, majd jelezni, vagy helyreállítani a helyes elvezetés-jeleket a hibásan mértekbôl. Az otthoni monitorozáshoz nem a szabványos 12 elvezetéses EKG készülékeket szokásos használni. Ennek az elsôdleges oka az, hogy a betegek számára minél egyszerûbbé váljon a mérések elvégzése, és csökkenjen a mérési hibák lehetôsége. A mérések egyszerûbbé válásával azonban a mért adatok diagnosztikai információtartalma is csökken, ezáltal a diagnosztikai hatékonyság is alacsonyabbá válik [6]. Az IKTR jelentôs újdonsága, hogy azáltal képes növelni a jelinformációt, és az orvosi ellenôrzés lehetôségét, hogy megfelelô becslési pontossággal kiszámolja a nem mért elvezetéseket. A becslési eljárás alapjául a monitorozást megelôzôen rögzített referenciamérés szolgál.

IME III. ÉVFOLYAM 8. SZÁM 2004. NOVEMBER

47

INFOKOMMUNIKÁCIÓ

ÚJDONSÁGOK

A RENDSZER ÁTTEKINTÉSE

MÓDSZEREK

A távmonitorozó rendszer résztvevôit az 1. ábra mutatja. Rendszerbe kerüléskor a monitorozó szolgálat elkészíti a referencia vizsgálatokat, meghatározza az EKG diagnózist a betegrôl, amely a késôbbi otthoni mérések viszonyítási alapjául szolgál. A diagnózis érdekében rögzítésre kerülnek továbbá az alapvetô rizikótényezôk, anamnézis stb.

Kiértékelés

1. ábra A távmonitorozó rendszer résztvevôi

A beteg ezek után a szolgálattól kapott páciens egység és mobiltelefon segítségével megkezdi az otthoni méréseket. A monitorozott jeleket a páciens egység továbbítja Bluetooth technológia segítségével a mobiltelefonra vagy számítógépre, ahonnan az adatok továbbítódnak az Intelligens Adatközpontba, ahol automatikusan kiértékelôdnek. A méréseket a beteg elôre meghatározott idôközönként végzi, de lehetôség van indokolt esetben (pl. mellkasi fájdalom) extra mérések végzésére és továbbítására is. Az elôzetesen meghatározott napi mérési gyakoriság változtatható, anélkül hogy a betegnek a monitorozó központba meg kellene jelennie. Az EKG jel kiértékelését automatikus jelfeldolgozás elôzi meg. A referenciaméréshez viszonyított szignifikáns eltérés esetén az automatikus kiértékelés eredménye a monitorozó szolgálatnál ügyelô kardiológus képernyôjére kerül, aki ha a veszélyt megalapozottnak látja, kapcsolatba tud lépni a beteggel, mentôkkel vagy kórházzal. A beérkezett mérések tényérôl, függetlenül azok kiértékelési eredményétôl automatikus visszaigazolás érkezik SMS és/vagy e-mail-en keresztül a betegnek. A rendszer a mérési adatokat az Elektronikus Páciensrekordban (EPR) tárolja. A háziorvosnak lehetôsége van a hozzá tartozó betegek adatainak lekérdezésére egy webes felületen keresztül.

48


A beérkezô mérések kiértékelése az adatközpontban hajtódik végre, automatikusan. A monitorozás során a kiértékelés célja a referenciaméréshez viszonyított szignifikáns változás tényének kimutatása és figyelem felhívás az orvos számára. A referencia EKG mérések kiértékelése a Minnesota kódrendszer alapján történik [7, 8]. Ez egy szabályalapú rendszer, amely a különbözô EKG paraméterekre vonatkozóan ad meg számszerû kritériumokat. Számos kutatást végeztek arra vonatkozóan, hogy az ember vagy a számítógép képes a Minnesota kódrendszert hatékonyabban használni. Az eredmények kimutatták, hogy számítógépes program legalább olyan hatékonysággal képes az EKG kiértékelésére a Minnesota kódrendszer alapján, mint az orvos vizuálisan [9, 10, 11]. A követéses vizsgálatok kiértékeléséhez nem a Minnesota kódrendszert használja az IKTR, ugyanis a kódrendszer érzékeny a normális vezetésû hullámalak változásokra azonban a vezetési zavarokra, aritmiás eseményekre nem. További hátrány, hogy a döntési-fa típusú szabályokban megfogalmazott határok „élesek”, azaz valamely kritérium, akár zaj következtében mikrovolttal vagy néhány millisecundummal történô átlépése következtében a Minnesota rendszer mögött álló diagnosztikai fa jelentôs részei már nem is kerülhetnek bejárásra [12]. További gyengeségnek tekinthetô, hogy a Minnesota rendszer kódcsoportjai nincsenek életkor, testsúly és nem alapján kategorizálva. A követéses vizsgálatoknál figyelembe kell venni az EKG paraméterek napi ingadozását is [13, 14]. Azért, hogy az említett problémákat kiküszöböljük az IKTR egy általunk kifejlesztett tanulóalgoritmus segítségével, megtanulja személyre szabottan a monitorozott EKG paraméterek várhatóértékét és varianciáját. Riasztás abban az esetben történik, ha valamilyen paraméterben szignifikáns változás észlelhetô a referenciaméréshez képest, azaz ha a beérkezô mérési paraméter meghalad egy bizonyos küszöbértéket. Az algoritmus kihasználja, hogy egy betegrôl viszonylag sok mérés készül. A küszöbérték, tipikusan az egyes paraméterek szórásainak kétszerese lesz, azaz a referenciamérés paramétereihez hozzáadva illetve kivonva kapjuk azt a tartományt, amelyen a beérkezett paramétereket változatlan klinikai állapothoz tartozónak tekintjük. Amennyiben feltételezhetô, hogy az EKG paraméterek Gauss eloszlást követnek, akkor ez a tartomány tartalmazni fogja a normális eloszlásúnak tekintett paraméterek 95%-át (ferde eloszlások esetén az alkalmas küszöbértékek, pl. a Csebisev egyenlôtlenség alapján határozhatók meg). Ez azt jelenti, ha a paraméterek értékei ezen a tartományon belül vannak, akkor ezt elfogadható mértékû ingadozásnak tekintjük, ha valamely paraméter értéke a döntési határon kívül esik, akkor azt potenciálisan kórosnak tekintjük, és humán ellenôrzésre átküldjük a központnak. Az egyes paraméterekhez tartozó

INFOKOMMUNIKÁCIÓ

ÚJDONSÁGOK

küszöbértékek egyfajta „felejtô algoritmusnak megfelelô” kiszámítását az (1) egyenlet tartalmazza. A képletbôl látszik, hogy minél több saját mérés érkezik az adatközpontba, annál inkább veszi figyelembe ezeket a rendszer a küszöbértékek meghatározásához. Ha 100 mérési eredmény összegyûlik, a rendszer már csak a saját mérési eredmények alapján számol küszöbértéket. A globális paraméterek, illetve szórások az egészséges populációra vonatkoznak; életkor, testsúly és nem szerint vannak kategorizálva [15]. (1)

Ahol, Kp a beteg saját mérés szórásaira vonatkozó súlytényezô, Kg a globális (irodalmi adatokból származó, az egész populációt jellemzô) szórásokra vonatkozó súlytényezô, SDp a saját mérések szórása, SDg a globális szórás. A tanulóalgoritmus elônye, hogy kiértékeléskor a különbözô okokból adódó variabilitásokat (biológiai változás, elektróda félrehelyezés stb.) figyelembe veszi, a szignifikáns változás tényének detektálására. A kiértékelésnél mindössze figyelemfelhívás történik, annak orvosi értelmezése a 24 órás szolgálatnál lévô kardiológus dolga, akinek viszont ez a figyelemfelhívás jelentôsen megkönnyíti a munkáját, figyelmét a veszélyes akut tennivalókra fordíthatja. A vérnyomásméréseknél, hasonlóan az EKG-hoz szintén ezzel a tanuló algoritmus alkalmazásával lehet a kiértékelést személyre szabottá tenni. Elektróda felcserélés A nem helyes pozicionálás mellett a leggyakoribb hibaforrás a színkódolt elektródák felcserélése. Az elôzôekben ismertetett kiértékelô eljárás csak abban az esetben tudja pontosan jelezni a szignifikáns eltéréseket, ha a beérkezô jelek a megfelelô elektróda-felhelyezéssel készültek. Az elektródák felcserélôdésébôl adódóan elôállhat olyan jelalak, ami nem csupán nagymértékû eltérést mutat a korábban tároltakhoz képest, de akut betegség diagnózist implikáló is lehet. A kidolgozott rendszer a páciens otthoni méréseihez egy 3 elvezetéses EKG adatgyûjtôt használ, aminek 4 elektródája van. A négy elektróda különbözô színû az anatómiailag meghatározott pozíciók megkülönböztetésére. Ezek a bal váll, jobb váll, a bal láb és a mellkasi V2 elvezetési pont. A 4 elektródát 24 különbözô módon lehet felhelyezni a testfelület meghatározott 4 pontjára. A felcserélést érzékelô

algoritmus kialakításakor szempont volt a hatékony hiba-felismerés és a szerver-oldali erôforrás takarékosság. A tervezés során megvizsgáltuk a 23 esetben (1 helyes, 23 helytelen felhelyezés) elôálló abnormális jelalakok korrelációját a hibátlan jelalakkal. A vizsgálat 150 páciens korábbi mérését dolgozta fel, a testfelület 192 pontján rögzített potenciálértékek közül a 4 meghatározott elektróda jelébôl elôállítva mind a 24 lehetséges jelalakot. Az ennek eredményeképpen kapott korrelációs mátrixok a 3-3 EKG elvezetés (helyesen ill. hibásan felhelyezett) egymáshoz mért hasonlóságát mutatják. A mátrixokat megvizsgálva megállapítható, hogy azok a legtöbb felcserélési variáció esetén a többi variációtól különbözô jellegzetes értékeket mutatnak.

2. ábra Korrelációs mátrix a bal láb és jobb kéz elektródák felcserélôdése esetén

A 2. ábrán példaként bemutatott korrelációs mátrix abban az esetben veszi fel a bemutatott értékeket, amikor a jobb kéz és bal láb elektródák cserélôdtek fel (az I-es és a II-es elvezetés felcserélôdött, a V2-es változatlan). A 24 lehetséges felhelyezés mindegyikéhez tartozik egyegy mátrix, melyek azonban többnyire nem tartalmazzák a maximális korrelációt jelentô 1.0-ás értékeket. Ez bizonytalanságot visz a rendszer mûködésébe, amit a felcserélés felismerésekor valószínûségi módszerekkel küszöböl ki az algoritmus. Amennyiben a helytelen felhelyezés tényét és az elektródák helytelen pozícióját helyesen állapítja meg az eljárás, minden esetben korrigálható a beérkezett jel, és helyreállítható a helyes elektróda-felhelyezéssel adódó elvezetés-hármas. A (2) egyenletbe helyettesítve az Ir, IIr, V2r jelölésû hibás elvezetés-jeleket adódik a hibátlan jel. Az Mi jelölésû 3x3 mátrix minden felcseréléshez más és más, a hibás és a hibátlan elvezetések alapegyenleteibôl mátrix-invertációs módszerekkel meghatározható. (2)

Összességében ez azt jelenti, hogy ha olyan felcserélés történik felvételkor, amely az említett módszerek segítségével, nagy biztonsággal meghatározható, a páciens értesíthetô, a beküldött jel javítható. Ellenkezô esetben a páciens értesíthetô a hibás felhelyezés tényérôl, és kérhetô annak


49

INFOKOMMUNIKÁCIÓ

ÚJDONSÁGOK

ismételt elvégzése. Természetesen az automatikus javítás csak javaslat szintû, a 24 órás megfigyelô szolgálat feladata elfogadni, vagy felülbírálni azt. A nem mért elvezetések becslése Az otthoni mérésekhez a Meditech Kft CardExplore készülékét használjuk. Ez a készülék a szabványos 12elvezetéses rendszerbôl 3 EKG elvezetés rögzítését teszi lehetôvé. A diagnosztikai hatékonyság növelése érdekében, a nem mért további 9 elvezetés becslését végzi el a rendszer. A becslés alapját a kötelezôen elvégzendô 12 elvezetéses referenciamérés szolgáltatja, amely alapján meghatá= rozhatunk egy személyre szabott paramétermátrixot (T ), amely segítségével a késôbbiekben, a monitorozás fázisában, ha egy otthoni EKG mérés érkezik be az adatközpontba, számolhatók a nem mért elvezetések (3) [16]. Rendszerünkben az otthoni méréseknél a I, II, V2 elvezetés kerülnek rögzítésre, mert ezek teszik lehetôvé az optimális becslést [17]. Megjegyezzük, hogy ha nem állna rendelkezésre referenciamérés, akkor lehetôség lenne az általános (globális) paramétermátrix használatára. (3)

– számolt elvezetések, ϕ – a mért elvezetések, Ahol a ϕ c m = – ϕest a becsült elvezetések, T a paramétermátrix.

ELÉRT EREDMÉNYEK Mintarendszer Egy Intelligens Kardiológia Távmonitorozó Rendszer került kialakításra, amely alkalmas kardiológiai szempontból fontos egészségügyi adatok otthoni monitorozására. A rendszer a vezeték nélküli technológia (Bluetooth) valamint a mobil GSM hálózatok használatával, megvalósítja a „bárhol, bármikor” típusú mérések lehetôségét. A rendszer részeként megvalósításra került a kiértékelô modul, amely egy szakértôi rendszer. A modul része a 424 különbözô szabályt tartalmazó Minnesota kódrendszer, a tanuló algoritmus és az ezen alapuló monitorozást kiértékelô személyre szabott rész. A modul tesztelésére eddig mintegy 1500 mérést végeztünk. A jelenlegi implementációnak része az elektróda-felcserélést kezelô algoritmus. Az eljárás pillanatnyilag 150 páciens mérésére alapozott döntési kritériumokat használ, Az elvégzett tesztelések azt mutatták, hogy az algoritmus 98%os biztonsággal felismeri, hogy az elektródák fel vannak cserélve vagy sem. Amennyiben felcserélés történt, a pontos felcserélési sorrend megállapítását 85%-os hatékonysággal végzi az algoritmus. A projekt keretében elkészült a becslési eljárást megvalósító algoritmus. Az eljárás tesztelése során elôször 12 el-

50


vezetéses EKG jel alapján meghatároztuk a személyes paramétermátrixot. Majd ugyanebbôl a jelbôl kiválasztottuk a I, II, V2 elvezetéseket. A három elvezetésbôl megbecsültük a mellkasi elvezetéseket. Az így kapott jelet összehasonlítottuk az eredeti 12 elvezetéses jellel. A becslési eljárást elvégeztük a globális mátrix segítségével is. A korrelációs együtthatókat a 3. ábra mutatja.

Korreláció

globális mátrix

személyes mátrix

V1mért - V1becsült

0,82

0,96


0,79

0,98


0,82

0,98


0,83

0,99


0,91

0,99

Átlagosan

0,84

0,98

3. ábra A becslési eljárás korrelációs együtthatói személyes illetve globális paramétermátrix esetén.

A táblázat jól mutatja, hogy a globális mátrix használatával a becslés hatékonysága csökken. A személyes mátrix használatával a legjobb korrelációs együtthatókat a V5 illetve a V6 elvezetés mutatta, míg a leggyengébbeket a V1 elvezetés. Késôbbiekben szükséges a becslési eljárás hatékonyságának vizsgálata hosszú távú követéses EKG mérések estén. Az IKTR részét képezi egy SMS, illetve e-mail küldô modul, amely jelenleg automatikusan küld értesítéseket az egyes mérések beérkezésérôl. A késôbbiekben ezt a modult számos más fontos információ közlésére is lehet használni (pl. visszaüzen a betegnek, ha rosszul helyezte fel az elektródákat stb.) Felhasználói felületek A jelenlegi mintarendszer három különbözô felhasználói felületet tartalmaz: • Java alapú felület az orvosi szolgálat részére • Web alapú felületet a háziorvosok részére • Nokia Communicator-ra készült felület A Java alapú felület kizárólag az orvosi szolgálat számára tervezett alkalmazás. Segítségével lehetôség nyílik a regisztráció elvégzésére, beleértve az alapvetô rizikófaktorok rögzítését, továbbá a referencia mérés elvégzését (4. ábra). A felületen egyszerre jeleníthetôek meg a különbözô EKG átlagciklusok, az ezekhez tartozó paraméterek, valamint a rendszer által készített elôzetes diagnózis is, amelyhez kapcsolódóan megjelenítésre kerülnek a diagnózisért felelôs paraméterek is (4. ábra). Az orvos megtekintheti a kritikus EKG paraméterekbôl készült trendgörbéket. A vérnyomásmérés megjelenítésénél lehetôség van visszamenôleg egy nagyobb idôintervallum mérési eredményeinek megtekintésére.

INFOKOMMUNIKÁCIÓ

ÚJDONSÁGOK

4. ábra A Java alapú EKG megjelenítô oldal

A Web alapú felület elsôsorban a háziorvosoknak készült. A felület kialakításánál elsôdleges szempont volt a biztonság. Ez az oka annak, hogy itt csak adatlekérdezésre van lehetôség, adatmódosításra nem. A felület amellett, hogy felhasználónévvel és jelszóval védett a kommunikációt teljes egészében a megbízható HTTPS protokollon keresztül bonyolítja az adatbázissal. A webes alkalmazás segítségével lehetôség van az egyes egészségügyi adatok megjelenítésére (5. ábra).

6. ábra Vérnyomásadatok megjelenítése webes felületen

7. ábra EKG jelet megjelenítô felület Nokia Communicator-on

8. ábra Vérnyomás adatokat megjelenítô felület Nokia Communicator-on

ÖSSZEFOGLALÁS

5. ábra ST60 trendgörbe megjelenítése webes felületen

A Webes alkalmazás segítségével megjeleníthetôek a vérnyomás adatok is tetszôleges idôintervallumra visszamenôleg (6. ábra). A szürkével jelölt sáv a normál sávokat jelöli nappali, illetve éjszakai napszakokra (6. ábra). A Nokia Communicator-ra készült felület a webes alkalmazás egy speciális változata. Mind funkcionalitásában mind megjelenítésben korlátozottabb képességû. Elônye, hogy csakúgy, mint egy mobil telefonkészülék bárhol használható nem szükséges hozzá számítógép. A 7. illetve 8. ábrán az EKG jelet megjelenítô illetve a vérnyomás adatokat megjelenítô felület látható Nokia Communicator-on.

A cikk egy kardiológiai távmonitorozó rendszer eredményeit tekinti át. A rendszer fejlesztésének koordinálása és a konkrét feladatok megoldásának jelentôs része a Veszprémi Egyetem Információs Rendszerek Tanszékén történt. A rendszer mûködéséhez alapvetôen szükséges Bluetooth képes páciensegységeket a Meditech Kft. fejlesztette. A mintarendszer tesztelése befejezôdött, az eddig összegyûlt mintegy 5000 EKG és vérnyomás adatot használtuk az algoritmusok tesztelésére. A projekt keretében elkészült mintarendszer teljes kiépítése 2004 júliusára fejezôdött be. A mintarendszer üzembe helyezése 2004 második felében esedékes. Köszönetnyilvánítás A bemutatott fejlesztés az NKFP 2 /052/2001 projekt keretében készült.


51

INFOKOMMUNIKÁCIÓ

ÚJDONSÁGOK

IRODALOMJEGYZÉK [1] Demográfiai évkönyv, 2000 KSH Budapest 2001. [2] http://dbs.cordis.lu/fep-cgi/srchidadb?CALLER= PROJ_IST&QZ_WEBSRCH=telemedicine&poll=All&U SR_SORT=EP_PJA_A+CHAR+ASC [3] Kékes E.: A telemedicina egyik megoldási formája a transztelefonikus EKG rendszer. IME 2003. május II. évf. 4. szám pp. 49-53. [4] Balázs Gábor, Drozdik Béla, Jókuthy András és Dr. Kozmann György: Információs rendszer egészségmegôrzésre, rizikóbecslésre és távmonitorozásra. IME 2002. szeptember I. évf. 2. szám pp. 51-54. [5] Bo Hedén, MD, Mattias Ohlsson, MSc, Lars Edenbrandt, MD, PhD, Ralf Rittner, MSc, Olle Pahlm, MD, PhD, Carsten Peterson,PhD: Artificial Neural Networks for Recognition of Electrocardiographic Lead Reversal. Am. J Cardiol 1995;75:929-933. [6] Joseph, G., Zywietz, Chr.: Computerized ECG diagnosis on a reduced Lead Set (Limb Leads). Computers in Cardiology, 687-690, IEEE, 1999. [7] Blackburn H, Keys A, Simonson E, Rautaharju P, Punsar S.: The electrocardiogram in population studies. A classification system. Circulation 1960;21:1160-1175. [8] Prineas RJ, Crow RS, Blackburn H. The Minnesota Code manual of electrocardiographic findings. Standards and procedures for measurement and classification. Boston: Wright, 1982. [9] Kors JA, van Herpen G.: The coming of age of computerized ECG processing: can it replace the cardiologist in epidemiological studies and clinical trials? Medinfo 2001;10(Pt 2):1161-7. [10] Kors JA, van Herpen G, Wu J, Zhang Z, Prineas RJ, van Bemmel JH.: Validation of a new computer program for Minnesota coding. J Electrocardiol. 1996;29 Suppl:83-8.

[11] Tuinstra CL, Rautaharju PM, Prineas RJ, Duisterhout JS.: The performance of three visual coding procedures and three computer programs in classification of electrocardiograms according to the Minnesota Code. J Electrocardiol. 1982 Oct;15(4):345-50. [12] Rautaharju PM, Calhoun HP, Chaitman BR.: NOVACODE serial ECG classification system for clinical trials and epidemiologic studies. J Electrocardiol. 1991;24 Suppl:179-87. [13] Tominaga S, Strasser T, Blackburn H.: Serial electrocardiographic changes in myocardial infarction. Am J Cardiol 1972;29:767-781. [14] Rautaharju PM, Broste SK, Prineas RJ, Eifler WJ, Crow RS, Furberg CD.: Quality control procedures for the resting electrocardiogram in the Multiple Risk Factor Intervention Trial. Control Clin Trials. 1986 Sep;7(3 Suppl):46S-65S. [15] Simonson M.D., E.: Differentiation Between Normal and Abnormal in Electrocardiography. The C.V. Mosby Company. St. Luis 1961. [16] Scherer JA, Jenkins JM, Nicklas JM.: Synthesis of the 12-lead electrocardiogram from a 3-lead subset using patient-specific transformation vectors. An algorithmic approach to computerized signal synthesis. J Electrocardiol 1989;22 Suppl:128. [17] Nelwan, S.P., Kors, J.A., Meij, S.H., van Bemmel, J.H., Schalij, M.J.: Reconstruction of the 12-lead ECG using reduced lead sets for patient monitoring. In: Einthoven 2002: 100 years of Electrocardiography (eds: M.J. Schalij, M.J. Janse, A. van Oosterom, H.J.J. Wellens, E.E. van der Wall), pp:479-485, Einthoven Foundation, Leiden, 2002.

A SZERZÔK BEMUTATÁSA Végsô Balázs Mérnök-informatikus, Veszprémi Egyetem 2004. Jelenleg a Veszprémi Egyetem Informatikai Tudományok Doktori Iskolájának elsô éves hallgatója. Kutatási területe: elektroneurológiai képalkotási feladatok, kardiológiai távmonitorozó rendszer fejlesztése.

Dr. Kozmann György bemutatása lápunk II. évfolyamának 7. számában olvasható.

52


Balázs Gábor Mérnök-informatikus, Veszprémi Egyetem 2001. Jelenleg a Veszprémi Egyetem Informatikai Tudományok Doktori Iskolájának harmad éves hallgatója. A bemutatott NKFP projekt felelôse. Kutatási területe: Kardiológiai távmonitorozó rendszer fejlesztése.

Intelligens Kardiológiai Távmonitorozó Rendszer

Recommend Documents