Исследование эффективности метода диагностики заболеваний дыхательной системы по анализу выдыхаемого воздуха с применением газоаналитического комплекса; Сибирский журнал клинической и экспериментальной медицины; Т. 38, № 4
| Parent link: | Сибирский журнал клинической и экспериментальной медицины/ Томский НИМЦ.— .— Томск: НИИ кардиологии Томского НИМЦ Т. 38, № 4.— 2023.— С. 260-269 |
|---|---|
| Erakunde egilea: | |
| Beste egile batzuk: | , , , , , |
| Gaia: | Заглавие с экрана Цель и масштаб исследования: изучить у пациентов зависимость состава выдыхаемого воздуха от патологических процессов, протекающих в дыхательной системе, в том числе рака легких, внебольничной пневмонии и COVID-19. Материал и методы. Исследования проводились на базе газоаналитического комплекса с применением метода нейросетевого анализа данных. Газоаналитический комплекс включает полупроводниковые датчики, с помощью которых измеряются концентрации газовых компонентов в выдыхаемом воздухе с чувствительностью в среднем 1 ppm. По сигналам с датчиков нейронная сеть проводит классификацию и выявляет пациентов с теми или иными патологическими процессами. Результаты. Статистический набор данных для обучения нейронной сети и проверки метода включал пробы от 173 пациентов. В нашем исследовании были взяты пробы выдыхаемого воздуха у групп пациентов со злокачественным новообразованием легких, пневмонией и COVID-19. В случае рака легких параметры диагностического прибора определены на следующих уровнях: чувствительность – 95,24%, специфичность – 76,19%. Для пневмонии и COVID-19 эти параметры составили 97,36 и 98,63% соответственно. Заключение. С учетом известной ценности таких методов диагностики, как компьютерная томография (КТ) и магнитнорезонансная томография (МРТ), достигнутые в ходе исследования показатели чувствительности и специфичности газоаналитического комплекса отражают перспективность предлагаемой методики в диагностике опухолевых процессов у больных раком легких, COVID-19 и внебольничной пневмонией. Aim: To study in patients the dependence of the exhaled air composition on pathological processes occurring in the respiratory system, including: lung cancer, community-acquired pneumonia and COVID-19. Material and Methods. The studies were carried out on the basis of a gas analytical complex using the method of neural network data analysis. The gas analytical complex includes semiconductor sensors that measure the concentrations of gas components in exhaled air with an average sensitivity of 1 ppm. Based on signals from sensors, the neural network classifies and identifies patients with certain pathological processes. Results. The statistical data set for training the neural network and testing the method included samples from 173 patients. Our study collected exhaled air samples from groups of patients with lung cancer, pneumonia, and COVID-19. In the case of lung cancer, the parameters of the diagnostic device have been determined at the level of sensitivity – 95.24%, specificity – 76.19%. For pneumonia and COVID-19, these parameters were 97.36% and 98.63, respectively. Conclusion. Taking into account the known value of diagnostic methods such as computed tomography (CT) and magnetic resonance imaging (MRI), the sensitivity and specificity indicators of the gas analytical complex achieved during the study reflect the promise of the proposed technique in the diagnosis of tumor processes in patients with lung cancer, COVID-19 and community-acquired pneumonia. Текстовый файл AM_Agreement |
| Hizkuntza: | errusiera |
| Argitaratua: |
2023
|
| Gaiak: | |
| Sarrera elektronikoa: | https://doi.org/10.29001/2073-8552-2023-653 |
| Formatua: | Baliabide elektronikoa Liburu kapitulua |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=673628 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 673628 | ||
| 005 | 20240710161920.0 | ||
| 090 | |a 673628 | ||
| 100 | |a 20240709d2023 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i |b e | |
| 182 | 0 | |a b | |
| 183 | 0 | |a cr |2 RDAcarrier | |
| 200 | 1 | |a Исследование эффективности метода диагностики заболеваний дыхательной системы по анализу выдыхаемого воздуха с применением газоаналитического комплекса |d Study of the effectiveness of diagnostic method for respiratory system diseases by analyzing the exhaled air using a gas analytical complex |f Д. Е. Кульбакин, Е. В. Обходская, А. В. Обходский [и др.] |z eng | |
| 203 | |a Текст |c электронный |b визуальный | ||
| 283 | |a online_resource |2 RDAcarrier | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a Литература: 18 назв. | ||
| 330 | |a Цель и масштаб исследования: изучить у пациентов зависимость состава выдыхаемого воздуха от патологических процессов, протекающих в дыхательной системе, в том числе рака легких, внебольничной пневмонии и COVID-19. Материал и методы. Исследования проводились на базе газоаналитического комплекса с применением метода нейросетевого анализа данных. Газоаналитический комплекс включает полупроводниковые датчики, с помощью которых измеряются концентрации газовых компонентов в выдыхаемом воздухе с чувствительностью в среднем 1 ppm. По сигналам с датчиков нейронная сеть проводит классификацию и выявляет пациентов с теми или иными патологическими процессами. Результаты. Статистический набор данных для обучения нейронной сети и проверки метода включал пробы от 173 пациентов. В нашем исследовании были взяты пробы выдыхаемого воздуха у групп пациентов со злокачественным новообразованием легких, пневмонией и COVID-19. В случае рака легких параметры диагностического прибора определены на следующих уровнях: чувствительность – 95,24%, специфичность – 76,19%. Для пневмонии и COVID-19 эти параметры составили 97,36 и 98,63% соответственно. Заключение. С учетом известной ценности таких методов диагностики, как компьютерная томография (КТ) и магнитнорезонансная томография (МРТ), достигнутые в ходе исследования показатели чувствительности и специфичности газоаналитического комплекса отражают перспективность предлагаемой методики в диагностике опухолевых процессов у больных раком легких, COVID-19 и внебольничной пневмонией. | ||
| 330 | |a Aim: To study in patients the dependence of the exhaled air composition on pathological processes occurring in the respiratory system, including: lung cancer, community-acquired pneumonia and COVID-19. Material and Methods. The studies were carried out on the basis of a gas analytical complex using the method of neural network data analysis. The gas analytical complex includes semiconductor sensors that measure the concentrations of gas components in exhaled air with an average sensitivity of 1 ppm. Based on signals from sensors, the neural network classifies and identifies patients with certain pathological processes. Results. The statistical data set for training the neural network and testing the method included samples from 173 patients. Our study collected exhaled air samples from groups of patients with lung cancer, pneumonia, and COVID-19. In the case of lung cancer, the parameters of the diagnostic device have been determined at the level of sensitivity – 95.24%, specificity – 76.19%. For pneumonia and COVID-19, these parameters were 97.36% and 98.63, respectively. Conclusion. Taking into account the known value of diagnostic methods such as computed tomography (CT) and magnetic resonance imaging (MRI), the sensitivity and specificity indicators of the gas analytical complex achieved during the study reflect the promise of the proposed technique in the diagnosis of tumor processes in patients with lung cancer, COVID-19 and community-acquired pneumonia. | ||
| 336 | |a Текстовый файл | ||
| 371 | |a AM_Agreement | ||
| 461 | 1 | |t Сибирский журнал клинической и экспериментальной медицины |c Томск |n НИИ кардиологии Томского НИМЦ |f Томский НИМЦ | |
| 463 | 1 | |t Т. 38, № 4 |v С. 260-269 |d 2023 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a рак легких | |
| 610 | 1 | |a пневмония | |
| 610 | 1 | |a COVID-19 | |
| 610 | 1 | |a газоаналитический комплекс | |
| 610 | 1 | |a полупроводниковые датчики | |
| 610 | 1 | |a искусственные нейронные сети | |
| 610 | 1 | |a нейронные сети | |
| 610 | 1 | |a скрининг пациентов | |
| 701 | 1 | |a Кульбакин |b Д. Е. |g Денис Евгеньевич | |
| 701 | 1 | |a Обходская |b Е. В. |g Елена Владимировна | |
| 701 | 1 | |a Обходский |b А. В. |c специалист в области атомной энергетики |c доцент Томского политехнического университета, кандидат технических наук |f 1982- |g Артем Викторович |9 12757 | |
| 701 | 1 | |a Родионов |b Е. О. |g Евгений Олегович | |
| 701 | 1 | |a Чернов |b В. И. |c специалист в области медицинских технологий |c ведущий инженер Томского политехнического университета, доктор медицинских наук |f 1962- |g Владимир Иванович |9 16941 | |
| 701 | 1 | |a Чойнзонов |b Е. Л. |c физик |c главный эксперт Томского политехнического университета |f 1952- |g Евгений Лхамацыренович |9 17925 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |c (2009- ) |9 26305 |4 570 |
| 801 | 0 | |a RU |b 63413507 |c 20240709 |g RCR | |
| 856 | 4 | |u https://doi.org/10.29001/2073-8552-2023-653 |z https://doi.org/10.29001/2073-8552-2023-653 | |
| 942 | |c CR | ||