Разница между аи 92 и аи 95: Какой бензин лучше — 92-й или 95-й? — журнал За рулем

Можно ли заливать 92-й бензин вместо 95-го — Российская газета

Какой бензин выбрать — 92-й или 95-й? Наверняка многие из вас задавались таким вопросом, шерстили интернет-форумы и изучали руководство по эксплуатации своего автомобиля в расчете найти нужную информацию. Неясность в вопрос о разрешенном октановом числе по-прежнему вносят и автопроизводители.

К примеру, АвтоВАЗ и Renault еще пять лет назад санкционировали 92-й бензин для так называемых «народных» моделей. Однако в последние годы обе компании взяли курс на отказ от АИ-92. Так, АвтоВАЗ рекомендует заправлять рестайлинговую Lada Granta топливом АИ-95 (до обновления допускался АИ-92).

Точно также дорестайлинговому Renault Duster предписывалось топливо не ниже АИ-92, обновленным же французскому SUV подавай как минимум АИ-95, о чем, кстати, говорится в инструкции по эксплуатации и черным по белому написано на табличках под лючком топливного бака. А вот в мануале современных Hyundai Creta и Kia Rio, равно как ряда моделей «китайцев» (Haval, Lifan, Dongfeng, Geely, FAW), говорится о допуске к АИ-92.

Стоит ли следовать рекомендациям автопроизводителей по бензину

Фото: Кирилл Каллиников/РИА Новости

Не подлежит сомнению — автомобили желательно заправлять тем топливом, которое указано в документации на машину. Это связано прежде всего с тем, что каждая компания калибрует двигатели под определенный сорт бензина. При несоблюдении регламента вы неизбежно столкнетесь с вредоносными детонациями силового агрегата.

Бензин с низким октановым числом будет воспламеняться раньше, чем предусмотрено конструкцией. А значит в цилиндрах будет происходить по сути неконтролируемый взрыв, разрушающий механику. Причем, если на городских скоростях определить такие детонации достаточно просто (под нагрузкой будет раздаваться характерный звон из-под капота), на высокой скорости детонирование вы можете и не заметить, поскольку шумы маскируются рокотом силового агрегата.

Также не стоит забывать, что при проблемах с двигателем эксперты с большой степенью вероятности проведут анализ топлива в бензобаке и камерах сгорания. Если окажется, что горючее не соответствует регламенту, это станет основанием для прекращения действия гарантии автопроизводителя. Читай — вам придется проводить ремонт силового агрегата за свой счет.

Легальный выбор между АИ-92 и АИ -95

Фото: Евгений Одиноков/ РИА Новости

Впрочем, не редки случаи, когда на лючке топливного бака вы можете увидеть надписи «не ниже АИ-92» или 92, 95. Какое топливо выбрать в такой ситуации? Здесь следует учесть, что горючее с более высоким октановым числом, как правило, рекомендуется, а с более низким — допускается.

При этом нужно понимать, что на низкооктановом бензине машина поедет хуже — отдача двигателя уменьшится, а расход топлива, напротив, возрастет. В результате в большинстве случаев экономии, на которую вы рассчитываете, вы не добьетесь. То что вы недоплатили при заправке (литр топлива АИ-92 сегодня примерно на 4 рубля ниже, чем литр бензина АИ-95), будет так и ли иначе потрачено ввиду возросшего потребления низкооктанового топлива.

Почему 95-й бензин лучше 92-го

Фото: Сергей Бобылев/ТАСС

Если производитель допускает заправку сразу двумя сортами бензина (АИ-92 и АИ-95), то, делая выбор между АИ-95 и АИ-92 в пользу первого, вы создаете благоприятные условия для работы силового агрегата. Во-первых, так вы минимизируете детонацию.

Хотя в современных впрысковых силовых агрегатах имеется датчик детонации, по сигналу которого электронные мозги делают зажигание более поздним (так снижается детонация), и нагрузка на двигатель минимизируется, мотор все же обречен на работу с увеличенной нагрузкой. В то же время при работе на рекомендованном топливе двигатель будет работать по определению мягче, тише и, что не менее важно, выходить на расчетные параметры по динамике ускорения, экономичности и экологичности (токсичности).

Что будет, если лить 92-й бензин, когда это не разрешено

Фото: Виталий Белоусов/ РИА Новости

В этом случае последствия будут напрямую зависеть от манеры езды. Негативное воздействие будет минимальным, если вы будете поддерживать средние обороты (силового агрегата не выше 2,5 тыс. об./мин.) и дозировать нажатие на педаль газа (читай — избегать резких ускорений и езды в рваном ритме).

В противном случае при больших нагрузках будет постоянно отрабатывать датчик детонации, а это чревато неустойчивой работой мотора — машина начнет дергаться и потеряет в динамике. Топливо при таком сценарии воспламеняется позже, догорая уже в выпускном тракте. Это может привести к перегреву мотора, преждевременному выходу из строя свечей зажигания, прогоранию поршней и выходу из строя катализатора. Готовьтесь также к заметному увеличению расхода бензина.

В какие двигатели точно не нужно лить 92-й бензин

Фото: Юрий Зубко/ РГ

Под запрет попадают прежде всего турбомоторы и двигатели с высокой степенью сжатия. Что касается турбированных агрегатов, турбина здесь заметно увеличивает массу сгораемой топливной смеси внутри цилиндра. Соответственно, чтобы избежать детонации, необходимо заливать только высокооктановое топливо — бензин АИ-95, АИ-95+ и АИ-98 будет предпочтительным вариантом.

С таким горючим машина с турбомотором гарантированно поедет быстрее, а расход снизится. В случае же с моторами с высокой степенью сжатия (это, к примеру, моторы Skyactive Mazda) индекс сжатия как правило, переваливает за 10,5. После этого рубежа резко повышаются требования, предъявляемые к антидетонационным свойствам топлива. Иными словами, необходимо использовать только 95-й бензин и выше. Соответственно — и наоборот: старые моторы со степенью сжатия ниже 10 вполне переварят и 92-й бензин.

Можно ли смешивать 92-й и 95-й бензин?

Фото: Валерий Матыцин/ТАСС

Еще десять лет назад ответ на этот вопрос был бы однозначным — смешивать АИ-92 и АИ-95 допускалось в любых пропорциях. Дело в том, что при производстве топлива АИ-92 и АИ-95 применялась общая основа, а конечные продукты получали с помощью однотипных химических добавок. Однако в последние годы нефтеперерабатывающие заводы усложнили производство и внедрили фирменные ноу-хау.

В результате из-за различий в используемых присадках такое смешение может ухудшить конечный состав смеси. Как вариант — некоторые добавки попросту перестанут работать. Кроме того, сорта бензина с разным октановым числом различаются по плотности. Поэтому при смешивании АИ-92 постепенно переместится на дно бака, а 95 расположится верхним слоем. А значит, залив в бак 92-й и 95-й бензин в пропорции 50:50, топливо с октановым числом 93,5 вы не получите. Как и эффект «выравнивания», на который рассчитывал водитель.

Автомобильный бензин АИ 95 или АИ 92. Что выбрать?

Как заправишь – так и поедешь. И это факт. Не зря же производители автомобилей в инструкции указывают обязательную марку топлива для конкретной машины. Но вся беда на российском топливном рынке в том, что качество бензина, его октановое число далеко не всегда соответствуют тому, что Вы заливаете в бак. Принимая эту информацию как должное, многие автолюбители и сами нет-нет, да и задаются вопросом, а можно ли вместо АИ-95 залить в бак АИ-92? Чем отличаются две эти марки, взаимно ли заменимы? И понравится ли такая замена двигателю?

Главный плюс 92-го бензина в глазах покупателей – его цена. Сэкономить на топливе хочет каждый. Однако стоит помнить, что эта марка бензина создана для моторов с карбюраторами. В Европе такие давно уже не выпускают. И если у Вас «европеец», вряд ли двигателю такое придется по вкусу.

В зависимости от наличия или отсутствия в составе бензина этой марки свинца, он может быть этилированным или не этилированным. Производство так же не обходится без добавки в 92 противодетонационных присадок.

Ближайший конкурент 92 – бензин АИ-95. Его советуют применять в современных автомобилях. Но парадокс в том, что малое отличие между октановыми числами позволяет утверждать, что марки бензина по своим характеристикам очень похожи. В 95-ом чуть больше ароматических и изопарафиновых добавок, в состав также входит газовый бензин. Понятно, что все добавки и присадки вводились в топливо на производстве и под контролем. Однако недобросовестные реализаторы топлива часто сами «химичат» на своих заправках, повышая октановое число бензина на месте. Логично, что водители интересуются, почему раз они что-то добавляют в 92, чтобы он стал 95, я должен за него переплачивать. Залью 92 и так и поеду.

Однако не все так просто. Даже если рассматривать по классам, то АИ-92 относится к regular motor gasoline. В то время как АИ-92 – это уже топливо премиум класса. У него несколько выше скорость сгорания, ниже уровень токсичности выхлопного газа. Специалисты так же ссылаются на более высокую степень детонационной стойкости, обещают, что при использовании бензина АИ-95 снизится риск прогорания клапанов и поршней.

То есть если у Вас возникла необходимость разово залить 92 бензин вместо 95, большой беды не случится. Но вводить это в качестве повседневной практики не стоит. Поломка автомобиля в связи с использованием некачественного топлива или топлива не той марки, нежели указано в инструкции, случай не гарантийный и очень часто не страховой. Такой ремонт обойдется в копеечку. И вполне вероятно станет гораздо дороже той суммы, которую Вы якобы сэкономили, заправляясь 92 бензином при рекомендованном 95.

Кроме того, всегда стоит помнить о качестве топлива.

Да если Вы залили идеальный 92 бензин, то высока вероятность, что ничего плохого не случится? Но ведь известны случаи, когда под этой маркой продавали разогнанный АИ-80. Поэтому главный совет опытных водителей – это заправка у проверенного поставщика топлива, который гарантирует безупречное качество своего продукта.

Уберечься от суррогата в баке можно при помощи приобретения топливных карт для юридических лиц процессинговых центров. Дело в том, чтобы стать партнером такого центра, заправка проходит серьезную проверку на качество. Процессинговые центры, такие как «Премиум карт», например, часто сотрудничают не с одной сетью АЗС, а с самыми разными представителями нефтяного бизнеса. Это позволяет покупателю выбрать нужную заправку в своем регионе, заправляться качественным топливом и при этом экономить.

Для физических лиц компания «Премиум Карт» разработала мобильное приложение, установив которое на свой смартфон, появляется возможность возвращать до 30% от затрат на топливо.

О чем звон? — Авторевю

Кто-то еще помнит, как славные советские автомобилисты переводили свои Волги да Москвичи с «девяноста третьего» бензина на «семьдесят шестой»? Заменяли прокладку головки блока цилиндров на более толстую, уменьшая тем самым степень сжатия, — и ездили на дешевом топливе. Причем стимулом к таким переделкам зачастую становилась не столько меньшая цена «семьдесят шестого» на АЗС, сколько возможность скупки краденого — бензина, слитого из баков грузовиков или автобусов, большинство которых в те времена работали на низкооктановом топливе. «Экономическая эффективность» сторицей компенсировала возможные побочные эффекты: повышение расхода топлива, снижение динамики… С нынешними моторами такой антитюнинг не пройдет. К тому же многие современные двигатели допускают использование бензинов с разными октановыми числами, причем порой в довольно широком диапазоне: даже от АИ-91 до АИ-98.

И сам собой возникает вопрос: стоит ли платить за более дорогой бензин?

Интернет-форумы кишат дискуссиями, причем проблему обсуждают все: от владельцев ВАЗов до «мерседесоводов». «На днях залил в свою Витару 98-й (Лукойл) вместо обычного 95-го — мощности явно добавилось, по бортовому компьютеру упал расход, особенно на трассе». Другой тут же отвечает: «Искатал два бака 98-го после 95-го — разницы не почувствовал».

Да что там простые автомобилисты!­ С «октановым» вопросом я обращался­ к специалистам компаний BMW, Volkswagen, Ford, но ответы сводились к тому, что при уменьшении октанового числа возможно незначительное, на несколько процентов, падение мощности и, как следствие, — ухудшение динамики.

Напомню, что октановое число характеризует стойкость топливовоздушной смеси к детонации, то есть к неконтролируемому, взрывному сгоранию в цилиндрах двигателя при увеличении давления ­­и/или­ температуры. Детонация — явление вредное, и к тому же препятствующее повышению степени сжатия. А увеличивать ее нужно: это помогает добиться более полного и быстрого (но не взрывного!) сгорания смеси, что, в свою очередь, способствует повышению мощности, улучшению топливной экономичности и экологических показателей. В современных моторах детонации противостоят системы, способные с помощью специальных датчиков определить появление детонации и «гасить» ее, уменьшая угол опережения зажигания.

Пожалуйста: на лючке бензобака BMW 116i значится ROZ/RON 91-98… Вот эту машину мы и возьмем! Но не только.

Сразу же оговорюсь: этот эксперимент далек от «академического». Хотя бы потому, что проводился он не на моторном стенде или на беговых барабанах с лабораторным исследовательским оборудованием: все заезды и замеры мы проводили на реальных машинах — и на столь же реальных дорогах Дмитровского автополигона в реальных погодных условиях, но с использованием профессиональной измерительной аппаратуры. И топливо мы покупали на обычной, ближайшей к Дмитровскому автополигону АЗС сети Shell. Это бензины АИ-92, АИ-95, АИ-98 V-Power, а заодно и «фирменный» АИ-95 V-Power, который, если верить рекламе, способен «облегчить двигателю набор оборотов и более эффективно передавать энергию топлива на колеса».

Полная версия доступна только подписчикамПодпишитесь прямо сейчас

я уже подписан

Каким бензином заправлять машину 92 или 95?

Покупка нового автомобиля начинается с того, что водитель сразу после автосалона едет на ближайшую Автозаправочную станцию. Он уже получил рекомендации от диллера заправлять конкретный вид топлива (как правило, это АИ 95 или АИ 98 бензин), но его всё равно волнует вопрос: а можно ли заправлять в новый автомобиль 92-ой бензин? Какая разница между 92 и 95 бензином? Какой бензин лучше? Давайте разберемся в этих вопросах.

Содержание статьи:

Как производят бензин для автомобилей?

Разница между 92 и 95 бензином

Отличия между 92 и 95 бензине на практике

Можно ли вместо 95-го бензина использовать 92?

Можно ли смешивать 92 и 95 бензин?

Виды бензина для автомобиля

В России автомобильные бензины выпускают в соответствии с установленными ГОСТами. В настоящее время они определяют четыре вида бензинового топлива: Нормаль-80 (АИ-80), Регуляр-92 (АИ-92), Премиум-95 (АИ-95), Экстра-98 (АИ-98). Цифра в названии бензина означает октановое число, ниже которого оно не может быть по исследовательскому методу. Таким образом бензин подразделяется на низкооктановый (80, 92) и высокооктановый (95, 98).

А что же такое октановое число? Это показатель, который характеризует детонационную стойкость топлива, то есть его устойчивость к самовоспламенению при сжатии. Чем выше октановое число бензина, тем выше способность противостоять самовоспламенению. Именуется октановое число в мире как ОЧИ.

Помимо октанового числа бензин также характеризуется классами, число которых совпадает с номерами экологического стандарта «Евро»: Евро-2, Евро-3 и тд. Эти показатели, как правило, указаны на АЗС.

Как производят бензин для автомобилей?

Бензин производится несколькими способами. Один из них — это прямая перегонка бензина из нефти.

Получить качественный высокооктановый бензин при таком способе не получится. Максимум топливо с октановым числом 50-58.
Есть другой способ производства, при котором бензин сразу получается высокого качества — 99 ОЧИ. Он называется каталитический риформинг и является очень дорогим. Поэтому таким образом производят бензин в основном в западных странах.

Существует также технология — каталитический крекинг. Благодаря ей производимый бензин имеет октановое число около 80.

В результате производители используют дешевые технологии производства бензина, а затем уже дорабатывают топливо, то есть искусственно повышают октановое число с помощью присадок и добавок.

Разница между 92 и 95 бензином

Учитывая распространенные способы производства бензина в России, можно прийти к выводу, что разница между 92 и 95 бензином является минимальной. Отличаются они октановым числом, а фактически количеством присадок и добавок. В 95-ом бензине таких присадок больше.

Если же говорить о стоимости 92 и 95 бензина, то здесь разница уже наиболее ощутима для водителей. Особенно, если автолюбителю ежедневно приходится колесить на своей машине и тратить в месяц немалые деньги на топливо. Отсюда и возникает желание сэкономить, а затем и возгласы автовладельцев — зачем переплачивать за бензин, если разницы особой нет?

Несколько лет назад в среде водителей существовало даже мнение, что 92-ой бензин лучше, качественнее, потому что его разбавляют меньше. Однако, разница между топливом все же есть, а его качество влияет на работу двигателя и его сохранность.

Отличия между 92 и 95 бензине на практике

Известно, что бензин в двигателе внутреннего сгорания воспламеняется от свечей зажигания. Пи этом срабатывают они чуть раньше, чем поршень дойдет до верхней мертвой точки. Нужно учесть, что топливо в камере сжимается и может само воспламеняться. Как мы уже говорили выше, 92 бензин имеет октановое число ниже, а значит обладает меньшей устойчивостью к самовоспламенению при сжатии. То есть воспламеняется он раньше 95-го бензина.

Чтобы двигатель автомобиля работал эффективно, возгорание топлива должно происходить в нужный момент Для этого мотор имеет определенный угол опережения зажигания и необходимую степень сжатия.

Проще говоря, любой двигатель рассчитан на определенный вид бензина с нужным октановым числом. Использование необходимого вида топлива, повышает эффективность работы двигателя, увеличивает КПД и соответственно снижает расход бензина.

Можно ли вместо 95-го бензина использовать 92?

Каждый двигатель калибруют под определенный вид бензина. Если в инструкции по эксплуатации указано, что в бак необходимо заливать 95-ый бензин, то именно так и нужно делать. Топливо с низким октановым числом не будет отвечать требованиям мотора по степени сжатия. А это чревато увеличением износа двигателя.

Кроме того, на 92-ом бензине машина поедет хуже. А если вы эксплуатируете новый автомобиль на гарантии и вдруг что-либо произошло с двигателем? Вы можете приехать в сервис, где у вас возьмут пробу горючего из бака и тут всплывет ваша бережливость и скупость. А скупой как известно платит дважды.

В основном современные автомобили создают для работы на 95-ом бензине. Конечно, поедут они и на 92-ом, но длительное использование «не того» бензина со временем приведет к большему износу двигателя. Впрочем, если хочется экономить, а машину не жалко, то и этот вариант имеет право на жизнь.

Можно ли смешивать 92 и 95 бензин?

В нашей стране практически весь бензин производится одним способом — добавлением присадок в топливо с низким октановым числом. Так изготавливают 92 и 95 бензины. То есть по своему составу они различаются незначительно, а значит смешивать эти два вида топлива между собой можно. Ничего страшного при смешении не случится. Только напрашивается вопрос — а зачем это нужно? Если автомобиль рассчитан на 95-ый бензин, то такая смесь все равно никого не спасет. И износ двигателя со временем будет.

Кроме того, АИ-95 и АИ-92 имеют разную плотность. При смешивании 92-ой будет на дне бака, а 95-ый над ним.

Заключение

92-ой бензин в настоящее время становится пережитком прошлого. В Европе в автомобили заливают топливо не ниже 95-го. На него рассчитываются и двигатели машин. В России ситуация иная, в первую очередь экономическая и с ценами на бензин. Поэтому 92-ой является хоть какой-то возможностью экономить семейный бюджет.

Как мы выяснили, отличия между 92-ым и 95-ым бензином не высоки. Но если производитель вашего автомобиля требует заливать топливо с высоким октановым числом, то этим рекомендациям следует придерживаться, отправляясь на АЗС.

Есть ли разница между разными видами моторного топлива

Топливо. Бензин. Нефть. Газ Фото: pixabay.com

По большому счету, заливать бензин АИ-98 в автомобиль, которому «назначен» АИ-95, нет большого смысла или реальной пользы, считает Кадаков

Среди водителей бытует мнение, что отличие между моторного топлива АИ-92, АИ-95 и АИ-98 объясняется разницей в его качестве – чем дороже, тем выше качество бензина. Однако, это суждение в корне неверно, рассказал порталу «Слово и Дело» по словам автоэксперт Максим Кадаков.

По его словам, машины по своим характеристикам калибруются под конкретный бензин, который обладает своими характеристиками и, соответственно, октановым числом.

«Если автомобиль откалиброван под АИ-95, именно на этом топливе он сможет выдавать свои максимальные характеристики», – пояснил собеседник ресурса.

Заливать бензин АИ-98 в автомобиль, которому «назначен» АИ-95, нет большого смысла или реальной пользы, отметил Кадаков. При этом, уточняет он, существуют машины, которые рассчитаны на разный бензин. В качестве примера он приводит Lada Vesta.

На вопрос о том, неужели нет никакого смысла заливать в бак высокооктановый бензин, Кадаков отвечает, что некоторые преимущества от таких действий есть – к примеру, в определенных погодных условиях.

«На сильной жаре можно залить бензин с октановым числом выше обычного», — советует автоэксперт.

По его словам, в этом случае двигатель будет работать лучше. Кроме того, в современных АИ-98 чаще всего встречаются много хороших присадок — например, моющих.

Кроме того, отметил Кадаков, высокооктановый бензин лучше противостоит детонации, что тоже приносит большую пользу в сильную жару от 30°C. А вот в более прохладную погоду от смены октанового числа при выборе топлива не будет никакой разницы.

Выбор марки бензина — Каким бензином заправить автомобиль и не думать, что экономия на цене может повредить двигатель — Автор обзора Сергей БОЯРСКИХ

Каким бензином из предлагаемых на АЗС заправить машину? Задав этот вопрос официальному представителю любой автомобильной марки, владелец, скорее всего, услышит в ответ: заливайте в бак то, что рекомендовано руководством по эксплуатации, — и будет вам счастье.

Между тем еще полтора десятка лет назад на такой же вопрос многие белорусские дилеры отвечали иначе, предлагая владельцам машин с двигателями, рассчитанными на использование бензина с октановым числом не ниже 95, заливать бензин АИ-92.

Сегодня такой шаг, предпринятый владельцем нового автомобиля самостоятельно, может стоить гарантии, однако в те времена дилеры не относили подобные заправки к эксплуатационным нарушениям, влекущим потерю гарантийных обязательств. 

Вряд ли есть смысл вдаваться в подробности, с чем это было связано. Важен факт — советами дилеров и независимых специалистов заправлять машины нерегламентированным бензином АИ-92 владельцы пользовались и с последствиями нарушения одного из основополагающих требований заводских инструкций по эксплуатации не сталкивались.

С чем владельцы сталкивались — с выгодой от использования АИ-92 вместо АИ-95. Есть она и сегодня, однако главное заключается все-таки не в ней, а в том, что октановая потребность на самом деле является основополагающей для надежности силового агрегата. Отсюда вопрос — может ли экономия на цене топлива повредить двигатель?

По умолчанию считается, что производители, устанавливая требования к ОЧ бензина, который обязан применяться, исходят из необходимости, что горючая смесь во всех режимах работы мотора должна нормально воспламеняться от искры зажигания и сгорать в цилиндрах без детонации.

Октановое число, которое владельцы видят в маркировке товарных сортов бензина, и есть та самая характеристика, которая указывает на способность топлива сопротивляться возникновению детонации и нормально сгорать. Иными словами, если двигателю придется работать на бензине с ОЧ ниже оговоренного в инструкции по эксплуатации, детонационное сгорание, напоминающее взрыв, при котором недопустимо резко повышается давление и температура в цилиндрах, становится возможным.

Последствия детонации — прогорание прокладки головки цилиндров и клапанов с седлами, оплавление кромок днища поршня, разрушение поршневых колец и межкольцевых перемычек на поршне — слишком значимы, чтобы ими пренебречь.

Однако насколько серьезной является разница по ОЧ в три единицы, отличающая бензин АИ-92 от АИ-95? Прежде всего стоит отметить, что цифры, которые видят пользователи в маркировках рассматриваемых бензинов, являются результатом определения октанового числа с помощью исследовательского метода. Существует еще один метод — моторный, а по нему разница между АИ-92 и АИ-95 составляет не три, а лишь две единицы. 

Далее необходимо обратить внимание на то, что риск возникновения детонации зависит от опережения зажигания. Вовсе не случайно в былые времена механическое устройство, позволявшее при признаках детонации остановить автомобиль и вручную изменить угол опережения зажигания, так и называлось — октан-корректор, хотя октановое число заправленного бензина оно, естественно, регулировать не могло.

Используются «октан-корректоры» и поныне, но в электронном виде. Взрывная волна, сопровождающая детонационное сгорание, вызывает вибрации, которые фиксируются датчиком детонации, размещенным на блоке цилиндров мотора. Сигнал от датчика детонации поступает в блок управления двигателем, который изменяет угол опережения зажигания таким образом, чтобы детонацию незамедлительно прекратить. Вопрос состоит лишь в том, хватит ли диапазона изменения угла опережения зажигания с помощью электроники, чтобы избежать детонации во всех режимах, в которых двигателю придется работать?

Практика показывает, что при использовании «девяносто второго» в автомобилях, где заводской инструкцией это не предусмотрено, электронике удается брать верх над детонацией в большинстве случаев рядовой эксплуатации. Исключение — экстремальные нагрузочные и температурные режимы.

Такие условия работы силового агрегата обыкновенными назвать трудно. Требуется нетипичный в наших широтах зной и работа мотора на грани перегрева. Или автомобиль должен съехать с асфальта на проселок, по которому придется тащиться на низкой скорости… Вот тогда у водителя старой закалки, услышавшего, как детонация испытывает на прочность детали двигателя, появится шанс с видом знатока заявить окружающим: «Пальчики стучат».

Самыми же безопасными являются поездки в условиях низких температур окружающей среды и режимы, в которых мотор работает во время движения по трассе. Примечательно, что одним из подтверждений тому — отличие в разнице ОЧ между АИ-92 от АИ-95, получаемое в зависимости от того, каким методом оно определяется. По условиям проведения испытаний исследовательский метод ближе к реалиям городского движения, моторный — к трассовой езде. Выходит, что АИ-92 по стойкости к детонации в трассовых режимах ближе к АИ-95, чем при городской езде.

В большинстве стран СНГ официально утверждены оба метода. В России исследовательский подчиняется ГОСТ 8226-82 и ГОСТ Р 32339-2013, моторный — ГОСТ 511-82 и ГОСТ Р 32340-2013. В Японии применяется только исследовательский метод. В Америке вместо октанового числа для оценки детонационной стойкости бензинов принят октановый индекс, представляющий собой среднее арифметическое ОЧ, которые получены моторным и исследовательским методами.

Коррекция угла опережения зажигания, осуществляемая блоком управления двигателем во избежание детонации, не может не сказаться на мощности и расходе топлива. Поскольку на 92-м бензине детонация начинается раньше, ЭБУ по сигналу датчика детонации уменьшает угол опережения зажигания. Позднее зажигание ведет к тому, что большая толика смеси, чем предусмотрено для являющегося штатным бензина АИ-95, будет без пользы сгорать в ходе такта расширения. Это потери, которые отражаются на уменьшении мощности и увеличении расхода топлива.

Производители наверняка знают величину потерь, но результаты заводских испытаний засекречены от общественности. Однако благодаря пытливым журналистам из автомобильных изданий, проводивших тесты, при которых один и тот же автомобиль последовательно заправляли бензином марок АИ-92 и АИ-95, после чего сравнивали динамические и экономические характеристики, об этом можно получить представление.

Если довериться результатам тестов, то при использовании бензина с уменьшенным на 3 единицы октановым числом мощность снижается не более чем на 5%, настолько же в среднем возрастает расход топлива. Максимальная скорость при этом уменьшится в худшем случае на 3-4%, а время на разгон с места до 100 км/ч увеличится на 5-6%. Каждый ли сидящий за рулем человек способен ощутить такие изменения — вопрос.

При прочих равных условиях вероятность возникновения детонации зависит от степени сжатия. Чем выше степень сжатия, тем больше рабочих режимов, в которых возможно возникновение детонации. К группе риска специалисты относят форсированные бензиновые моторы со степенью сжатия свыше 10-11 единиц. Как правило, такие двигатели ставятся на автомобили, предполагающие активное вождение, а для него в свою очередь характерны пиковые нагрузки. Активным водителям подобных моделей, как, впрочем, и другим охочим выигрывать старты со светофора, следует трижды подумать, стоит ли играть с огнем ради экономии от использования «девяносто второго».

Да и велика ли эта экономия? При ценах, существовавших на момент подготовки статьи, разница в стоимости одного литра АИ-92 и АИ-95 составляла 11 копеек. Это лишь 7,1% цены «девяносто пятого», поэтому ждать существенной выгоды не приходится.

Возьмем для примера автомобиль, который потребляет в среднем 8 л/100 км. Если пренебречь процентами, на которые теоретически должно увеличиться потребление топлива, то, проехав 100 км на «девяносто втором», можно рассчитывать на экономию 0,88 рубля. Если за год машина проезжает 15 тыс. км, в кошельке ее хозяина останется 132 рубля.

Получается в районе 60 у.е. в течение года, или около 5 у.е. в месяц. Этого хватит, чтобы пару раз заглянуть на мойку, причем простейшую — облить пеной и смыть. Так стоит ли игра свеч? Ответ на этот вопрос зависит от двух обстоятельств. Во-первых, расход бензина и ежегодный пробег в конкретно взятой машине могут заметно отличаться в большую сторону от взятых выше для расчета, что увеличит экономический эффект. Во-вторых, значение имеют финансовые ресурсы, которыми располагает владелец, — позволяют ли они не обращать внимания на возможность сэкономить?

Хорошо, если производитель оказался щедр на количество разрешенных для использования сортов бензина. В остальных случаях владельцу придется заправлять автомобиль топливом с ОЧ ниже рекомендованного на свой страх и риск, что требует держать в памяти, чем детонация угрожает двигателю, а при движении избегать ситуаций, которые благоприятны для ее возникновения. 

Сергей БОЯРСКИХ
Фото автора
ABW. BY

выбираем бензин для автомобиля — Рамблер/авто

В настоящее время почти все современные двигатели требуют того, что владельцы автомобилей заправляли их бензином с октановым числом не ниже 95.

Как подчеркивается, причиной этого являются новые экологические требования, поскольку подобный бензин наносит меньший вред окружающей среде. В то же время отмечается, что на дорогах продолжает ездить много машин, оснащенных силовыми установками, которые функционируют на бензине АИ-92. Итак, разберемся, в чем заключается разница между ними?

Каким бензином заправлять автомобиль. Вопрос выбора бензина является довольно актуальным для российских автовладельцев. Тем более, когда цена на топливо с каждым годом повышается. Как подчеркивается, бензин марки АИ-92 гораздо дешевле 95-го и по этой причине большая часть водителей, чьи автомобили должны заправляться высокооктановым бензином, стараются экономить и заливают в них более дешевое топливо.

Несмотря на это автомобили нормально ездят, и никаких проблем с ними не возникает. Вот именно тогда и появляется вопрос, который, скорее всего, интересует всех автомобилистов, а в чем отличие моторов, которые разработаны для 92-го и 95-го бензинов.

Бензиновая неразбериха. Ради примера возьмем силовые агрегаты Волжского автомобильного завода (ВАЗ). Один и тот же двигатель, однако установленный в различные автомобили, требует заправки совершенно разным бензином.

Например, у владельца Lada Vesta с 1,6-литровым двигателем есть возможность заправляться 92-м бензином, однако собственник модели Granta с аналогичным мотором уже не может заливать в машину топливо с октановым числом 92. В то же время технически моторы никак не отличаются друг от друга.

Таким образом, выбрать, каким бензином заправлять свое авто, должен сам водитель. При этом следует подчеркнуть, что машина способна ездить на любом топливе, поскольку установленный в ней октан-корректор внесет изменения в работу двигателя.

Однако все это относится лишь к современным 16-клапанным силовым установкам. Если ваш автомобиль оборудован старым 8-клапанным двигателем, то заливать в него более дорогой бензин не имеет никакого смысла. Данные силовые агрегаты имеют высокий расход топлива и невысокую динамику, по этой причине лучше всего для них подойдет именно АИ-92.

Итог. Исходя из всего вышесказанного, можно прийти к выводу, что выбор бензина ложится на плечи самого водителя.

Да ведь, заправляя бензин АИ-92 в машину, которой нужно октановое число 95, вы сохраните Фото и обзор!

Почему заправка обычного топлива в автомобиль, требующий топлива премиум-класса, не сэкономит вам денег.

Как вы думаете, может ли быть повреждение автомобиля требует топлива премиум-класса, если заправить его обычным бензином премиум-класса? Правильно ответить на этот вопрос очень сложно. Вы наверняка уже видели в Интернете подобную тему, и я уверен, что после прочтения множества материалов вы так и не поняли, можно ли заправлять машину не премиальным топливом, если производитель рекомендует заливать только фирменное бензин. Решил самостоятельно выяснить, заправлять ли машину бензином АИ-92, ИС-95, обратившись к инженеру топливных систем.

Кстати, этот вопрос с каждым годом становится все более актуальным, так как стал более заметным разрыв в стоимости топлива АИ-92 и АИ-95, который в дальнейшем будет расти вместе со стоимостью всех видов бензина и бензина. дизельное топливо.

Например, сейчас разрыв между обычным и премиальным брендовым бензином составляет в среднем 3-5 рублей.

Поскольку в среднем у большинства водителей на пробег около 15-20 литров, получается, что, не заливая премиальное топливо в машину, которая нуждается в высокооктановом топливе, водители сэкономят всего около 50-70 рублей. В принципе, как видите, экономия не очень велика, если, конечно, вы не заправляете каждый день несколько полных баков.

Как известно, речь идет о бензине для АЗС с другим октановым числом. Ведь вопрос, нужно ли заправлять автомобиль, настроенный для работы на бензине АИ-95 и выше бензине АИ-92, волновал огромное количество людей.

Особенно сейчас, когда доходы населения России падают на несколько лет. Конечно, люди всегда ищут возможность сэкономить, но в наши дни этот вопрос стоит еще острее. В принципе, многие автовладельцы в России часто задаются вопросом, а можно ли вместо бензина АИ-95 использовать в своей машине топливо с более низким октановым числом. Потому что на данный момент цена АИ-92 намного меньше 95.

Но как видите на самом деле, если вместо АИ-95 начать заливать АИ-92, вы немного сэкономите.Тем не менее факт остается фактом: экономия, безусловно, есть. Кому-то может показаться важным, что водители, безусловно, испытывают искушение. Именно поэтому многие автовладельцы в России стали игнорировать рекомендации OEM по использованию топлива с октановым числом ниже 95 и стали заливать бензин АИ-92.

Во-первых, для тех, кто не в курсе, давайте разберемся, в чем разница между обычным и премиальным топливом? Например, АИ-92 и АИ-95. Все в конечном итоге сводится к октановому числу бензина, которое указывается в названии марки топлива. Не вдаваясь в сложную химию, чтобы понять, с каким октановым числом бензина вы должны знать, что эта цифра в названии марки топлива указывает, сколько топливо может выдержать без перекрытия при сжатии в двигателе.

То есть, чем выше октановое число бензина, тем больше сопротивление топлива воспламенению при сжатии.

А при воспламенении топлива в бензиновом двигателе искра от свечей зажигания и сжатие, то происходит ударно-взрывное воспламенение топлива (детонация).Это может привести к серьезному повреждению двигателя.

Можно ли заливать в машину октан 95, производитель рекомендует заливать октан 92?

Как же тогда производитель выбирает, какой маркой топлива нужно заправлять тот или иной автомобиль? Обычно это зависит от степени сжатия двигателя. Соответственно, чем выше компрессия двигателя, тем больше топлива должно использоваться в автомобиле.

Степень сжатия зависит от вместимости автомобиля. То есть, чем больше степень сжатия в двигателе, тем большую мощность может получить автомобиль в процессе сгорания. К тому же, чем больше компрессия, тем выше КПД силового агрегата.

Но, к сожалению, с увеличением степени сжатия увеличивается риск самовоспламенения топлива в двигателе, что приведет к угрозе детонации мотора. В результате, чтобы этого избежать, производители рекомендуют заливать топливо с более высоким октановым числом.

Таким образом, заправка двигателя на высокооктановом топливе (АИ-95, АИ-98) с более низкой степенью сжатия не даст никакого эффекта.Вы просто тратите лишние деньги и все такое. То есть заправочная машина АИ-92, больше чем премиальное топливо заставит вашу машину работать лучше или хуже.

В итоге залив в мою машину (которая по заводской спецификации не требует топлива премиум-класса) бензин АИ-95 или АИ-98 вы в основном даете двигателю средство, сопоставимое с аптекой, дорогой «манекен» (плацебо).

Современные автомобильные компьютеры и система управления двигателем могут многое компенсировать при работе трансмиссии, в том числе даже в случае владения моторным топливом с не рекомендованным производителем октановым числом.

Но означает ли это, что современные двигатели не пострадают, если вы будете использовать топливо с более низким октановым числом вместо рекомендованного автомобильной компанией бензина премиум-класса.

Могу ли я залить бензин с октановым числом 92 в автомобиль, который должен работать на топливе с октановым числом ниже 95?

Чтобы разобраться в этом, я обратился к инженеру одной из автомобильных компаний, работающих на территории России. Вот что он сказал:

По общему мнению в отрасли, да, вы действительно можете сэкономить деньги, используя менее дорогой бензин в своей машине, и в краткосрочной перспективе это, вероятно, не окажет большого влияния на двигатель.

Дело в том, что датчики детонации отлично справляются с самовоспламенением топлива при использовании бензина с более низким октановым числом в автомобиле, от которого двигатель должен работать на топливе высшего качества.

Однако Gulf вместо АИ-95 с бензином АИ-92 автомобиль скорее всего немного потеряет мощность, так как программная конфигурация блока управления двигателем (ЭБУ, ЭБУ) откалибрована для использования топлива премиум-класса. В итоге эффективная цена за 1 километр машины может быть практически такой же.

Также в большинстве случаев разница в стоимости заправки горючего АИ-92 и АИ-95 составляет менее 100.Во многих кафе это дешевле, чем чашка кофе.

В долгосрочной перспективе последствия использования топлива с низким октановым числом не так очевидны. Есть убедительные доказательства того, что при заливке низкооктанового топлива в автомобиль, настроенный на работу с высокооктановым бензином, может произойти чрезмерный износ некоторых компонентов двигателя. Однако, несмотря на эти факты, до сих пор нет полного исследования по данному вопросу, которое бы детально и количественно показало, как автомобиль влияет на топливо АИ-92. Ведь специалистам для этого исследования потребовалось бы большое количество автомобилей, которым приходилось заправлять одной маркой топлива не менее 150 тысяч километров.Единственный способ — получить репрезентативную выборку для количественной оценки разницы между двумя видами топлива.

Вот почему нет однозначного и научно доказанного мнения об использовании нескольких видов топлива на одном транспортном средстве.

Однако, как я уже сказал, существует ряд косвенных доказательств, ясно указывающих на то, что вам не нужно заправлять автомобиль низкооктановым топливом, если производитель вашего автомобиля рекомендует заливать только бензин премиум-класса.

Кроме того, разница в стоимости между АИ-92 и АИ-95 не является существенно большой и поэтому нет смысла заливать в мою машину более дешевое топливо, потенциально рискуя сократить ресурс двигателя.Ведь ваша экономия ничтожна и даже при отсутствии доказательств опасности бензина АИ-92 для автомобилей, работающих на топливе с октановым числом ниже 95, вы не должны за небольшие деньги ставить под угрозу состояние своей машины. Особенно, если вы планируете долгое время эксплуатировать свой автомобиль.

Также инженер автокомпании добавил:

Кроме того, не забывайте, что заливка в автомобиль вместо высокооктанового бензина — дешевое топливо, ваш автомобиль, скорее всего, будет выделять больше вредных веществ, так как в любой современной машине для минимизации уровня вредных веществ в выхлопной системе используется множество различных систем. В конце концов, если ваша машина настроена на использование бензина с Роном 95, при сжигании которого обычно выделяется определенное количество вредных веществ, то при использовании топлива АИ-92 электроника и выхлопная система не справляются с удалением СО2 и др. вредные элементы, так как топливо с низким октановым числом обычно при сгорании выделяет значительно больше вредных химических веществ.

Да, конечно это не значит, что залив АИ-92 вместо 95 ваша машина будет экологически нечистой, но конечно это сделает вашу машину менее экологически чистой.

Итак, подведем итоги.

• Используя топливо АИ-92 в автомобиле, настроенном на работу на бензине АИ-95, вы, скорее всего, не коснетесь поломки двигателя в краткосрочной перспективе, благодаря эффективной работе современных датчиков детонации

• Деньги, которые вы сэкономите, заливая бензин АИ-92 вместо Ron 95, вероятно, будут потеряны из-за повышенного расхода топлива из-за потери мощности. Соответственно, в долгосрочной перспективе повышенный расход топлива повлияет на срок службы топливного насоса, который будет испытывать повышенную нагрузку при использовании топлива премиум-класса, рекомендованного производителем низкооктанового бензина

Конечно, если разница в стоимости между АИ-92 и АИ-95 (или АИ-98) будет расти, математическая экономия будет немного другой.Например, если стоимость бензина АИ-95 в будущем будет расти быстрее АИ-92, это действительно позволит сэкономить деньги, по крайней мере, в краткосрочной перспективе. Однако:

Ваша машина в этом случае будет выбрасывать в атмосферу больше вредных веществ по сравнению с работой на премиальном топливе

Кроме того, при использовании низкооктанового бензина, рекомендованного автопроизводителем, вы рискуете сократить срок службы двигателя. Однако на практике нет прямых доказательств вреда, потому что влияние низкооктанового топлива в двигателях, предназначенных для работы на высокооктановом бензине, можно заметить только на автомобиле с большим пробегом.

Однако, если есть некоторый риск повреждения двигателя, если вы планируете долгое использование автомобиля, не предлагайте заправлять его топливом с низким октановым числом.

Ложь, проклятая ложь и статистика ИИ

Понимание того, что определяет точность, сбивает с толку, хотя и необходимо, когда дело доходит до оценки искусственного интеллекта в радиологии.

Термин «точность» становится все более неоднозначным. Некоторые предоставляют разные показатели точности, поэтому сравнивать их сложно.Некоторые экспериментируют с выбором данных, что снижает производительность. А некоторые просто используют запутанные метрики. В результате производительность ИИ может быть неверно истолкована и привести к ошибочным выводам.

AUC — самая проклятая ложь из всех
Одним из наиболее распространенных показателей, используемых компаниями AI, является Area Under Curve (AUC). Этот способ измерения точности был изобретен операторами радаров во время Второй мировой войны, но он стал очень распространенным в сообществе машинного обучения.

Не вдаваясь в технические подробности, AUC измеряет, насколько более вероятно, что решение ИИ правильно классифицирует положительный результат (скажем, правильно обнаружит тромбоэмболию легочной артерии при сканировании), по сравнению с тем, насколько вероятно, что тот же ИИ ошибочно обнаружит что-то, когда это не так. нет там.

Позвольте мне начать с моего личного мнения: площадь под кривой (AUC) — плохая метрика . Хотя это важно с научной точки зрения, врачей это сбивает с толку. Это потому, что для большинства клинических пользователей AUC очень трудно понять и правильно «взвесить». Это сильно преувеличено. Рассмотрим следующий пример:

Недавно я прочитал исследование AI, показывающее «впечатляющую» AUC 0,95. Поскольку 0,95 близко к 1 (что было бы идеально для производительности), похоже, что это должно быть отличное решение.

Однако раствор с чувствительностью 89% и специфичностью 84% может получить AUC 0,95; так же мог ИИ с 80-процентной чувствительностью и 92-процентной специфичностью. Не поймите меня неправильно. В зависимости от приложения эти могут быть с хорошими показателями производительности. Однако многие пользователи все равно будут чувствовать себя обманутыми; они ожидали бы гораздо лучших результатов от решения с AUC = 0,95.

AUC предоставляет единый агрегированный показатель работы системы.Однако реальные пользователи хотят знать о производительности системы в конкретных средах (или рабочих точках).

По этим причинам я считаю, что AUC сбивает с толку клинических пользователей.

Чувствительность / специфичность — The Old Faithful
Мои любимые статистические данные — это чувствительность и специфичность: прямые, простые и очень важные с точки зрения удобства использования.

Чувствительность измеряет , сколько положительных случаев алгоритм обнаруживает из всех положительных случаев .Допустим, в вашем отделении за неделю проходят 100 настоящих пациентов с кровотечением в мозг. Если ИИ обнаруживает 95, это означает, что у него 95-процентная чувствительность.

Аналогичным образом, специфичность — это количество отрицательных случаев, которые вы точно классифицировали как отрицательные из числа отрицательных. Это означает, что если у вас 1000 отрицательных случаев (в реальном сценарии у вас обычно больше отрицательных случаев, чем положительных), и ИИ ошибочно отмечает 80 из них как положительные; 920 точных отрицательных обнаружений означают, что ИИ имеет 92-процентную специфичность.Вместе эти меры дают вам хорошее представление о том, сколько пациентов может пропустить ИИ.

PPV и NPV — король и королева статистики
Положительная прогностическая ценность (PPV) и отрицательная прогностическая ценность (NPV) на самом деле являются наиболее важными статистическими данными для оценки ИИ. Хотя чувствительность и специфичность интересны с точки зрения технической оценки, клинически PPV и NPV лучше отражают пользовательский опыт.

PPV — это количество истинно положительных случаев из общего числа случаев, отмеченных как положительные.Это отражает, сколько точных предупреждений появляется ежедневно. PPV в 80 процентов означает, что 8 из каждых 10 предупреждений, которые увидит пользователь, будут правильными.

Другими словами, PPV — это метрика «спама», отражающая, сколько нерелевантных предупреждений пользователь будет видеть ежедневно. Таким образом, чем ниже PPV, тем больше «спама» (нерелевантных предупреждений).

Давайте рассмотрим сценарий из реальной жизни. Представьте, что вы используете ИИ с 95-процентной чувствительностью и 90-процентной специфичностью для обнаружения переломов c-позвоночника.В течение одного месяца ваше отделение сканирует 1000 случаев шейного отдела позвоночника, и 100 из них считаются положительными на переломы.

Число истинно положительных (TP) случаев, когда ИИ правильно определяет перелом, будет 95 процентов из 100 ( 95 ). Количество ложных срабатываний (ЛП), когда ИИ считает, что он обнаружил перелом у здорового пациента, составит 10 процентов от 900 ( 90 ). 95 TP и 90 FP в сумме дают 185 положительных предупреждений.Это составляет PPV 95/185, так что 51 процентов.

Нам снова нужно откалибровать нашу интуицию. Наша система отличается как высокой чувствительностью (95 процентов), так и высокой специфичностью (90 процентов). Однако PPV составляет «всего» 51 процент. Почему?

Причина в смешении данных. Хотя количество ложноположительных случаев относительно невелико, в первую очередь существует очень большое количество отрицательных случаев (900 отрицательных против 100 положительных), что означает, что каждый процентный пункт в специфичности создает огромную разницу с точки зрения пользователя. опыт.

В качестве альтернативы, отрицательная прогностическая ценность (NPV) отражает «душевное спокойствие» пользователя: насколько вы можете быть уверены в том, что если ИИ говорит, что случай отрицательный, то на самом деле он отрицательный. Другими словами, сколько из всех негативных предупреждений действительно негативных?

На этот раз тот факт, что у большинства пациентов нет соответствующего состояния, фактически увеличивает NPV, поэтому очень часто встречаются значения 97% +. Если бы «плохое» решение искусственного интеллекта с чувствительностью и специфичностью только 80% сработало на наших пациентах с позвоночником, вы все равно увидели бы NPV 97.5%. Для хорошей системы с 95% чувствительностью и специфичностью с тем же набором данных NPV будет близка к 99,5%.

Итак, хотя NPV и PPV чрезвычайно полезны и важны для понимания, вы должны скорректировать свои ожидания относительно того, что считается хорошим или плохим результатом.

В типичных условиях распространенность болезни относительно низкая, скажем, 2% -15%. В зависимости от точных цифр ИИ все равно мог бы быть отличным, если бы его PPV находился в диапазоне 50% -70%. При более редких заболеваниях показатель PPV всего 20% все еще может свидетельствовать об отличной результативности!

NPV, однако, должна быть действительно высокой. Для надежных систем искусственного интеллекта вам следует искать NPV 95% или выше.

Статистика на практике
Краткий обзор статистики визуализации ИИ:

• Площадь под кривой (AUC) не дает достаточно информации о производительности ИИ.
• Положительное прогнозируемое значение (PVV) — это показатель спама. Очень мощные алгоритмы могут по-прежнему оценивать, казалось бы, низкие значения PVV
.
• Отрицательная прогностическая ценность (NPV) измеряет ваше душевное спокойствие. Более слабые алгоритмы по-прежнему достигают очень высоких значений, поэтому будьте осторожны.
• Чувствительность подскажет, сколько положительных случаев вы найдете.
• Чувствительность и специфичность должны быть одинаковыми в каждой больнице, в то время как PPV и NPV зависят от распространенности состояния, поэтому будут меняться между больницами и вариантами использования.

Таким образом, статистика имеет решающее значение для понимания мира ИИ, но, как лучше всего выразился Бенджамин Дизраэли: «Есть три вида лжи: ложь, проклятая ложь и статистика», и вам лучше понять их глубже.

Фото: chombosan, Getty Images

Искусственный интеллект для обнаружения COVID-19 на основе изображений: систематический обзор, сравнивающий добавленную стоимость ИИ с человеческими читателями

https://doi.org/10.1016/j.ejrad.2021.110028Получение прав и контента

Основные моменты

•

Обнаружение COVID-19 на основе изображений, поддерживаемое моделью искусственного интеллекта, может быть дополнительным преимуществом.

•

В исследованиях сообщалось о сопоставимых или более высоких показателях показателей ИИ или поддерживаемых ИИ.

•

Вариативность диагностической эффективности ИИ была ниже, чем у людей-читателей.

•

Наш систематический обзор показывает неоднородность характеристик данных и риски систематической ошибки.

•

Существует множество применяемых методологий и ограничений статистического анализа.

Реферат

Цель

Растет число исследований, посвященных изучению вопроса о том, могут ли системы искусственного интеллекта (ИИ) поддерживать диагностику пневмонии, вызванной COVID-19, на основе изображений, включая повышение диагностической эффективности и скорости. Однако чего в настоящее время не хватает, так это объединенной оценки исследований, сравнивающих людей-читателей и ИИ.

Методы

Мы следовали рекомендациям PRISMA-DTA для нашего систематического обзора, поиска в базах данных EMBASE, PUBMED и Scopus. Чтобы понять потенциальную ценность методов искусственного интеллекта, мы сосредоточились на исследованиях, сравнивающих производительность людей-читателей с моделями искусственного интеллекта или с человеческими показаниями, поддерживаемыми искусственным интеллектом.

Результаты

Наш поиск выявил 1270 исследований, из которых 12 соответствовали определенным критериям отбора.Что касается диагностической эффективности, то в наборах данных тестирования заявленная чувствительность составила 42–100% (люди, читающие, n = 9 исследований), 60–95% (системы ИИ, n = 10) и 81–98% (считыватели, поддерживающие искусственный интеллект, n = 3). ), в то время как заявленная специфичность составляла 26–100% (люди-читатели, n = 8), 61–96% (системы искусственного интеллекта, n = 10) и 78–99% (показания, поддерживаемые искусственным интеллектом, n = 2). Одно исследование подчеркнуло потенциал показаний, поддерживаемых ИИ, для оценки изменений бремени поражения легких, в то время как два исследования указали на потенциальную экономию времени для обнаружения с помощью ИИ.

Выводы

Наш обзор показывает, что системы искусственного интеллекта или показания людей, поддерживаемые искусственным интеллектом, в целом демонстрируют меньшую вариабельность производительности (межквартильный размах) и могут поддерживать дифференциацию пневмонии COVID-19 от других форм пневмонии при использовании в условиях высокой распространенности и симптоматические группы населения. Однако несоответствия, связанные с дизайном исследования, представлением данных, областями риска систематической ошибки, а также ограничения статистического анализа затрудняют получение четких выводов. Поэтому мы поддерживаем усилия по разработке важнейших элементов дизайна исследования при оценке значения ИИ для диагностической визуализации.

Рекомендуемые статьиЦитирующие статьи (0)

© 2021 Автор (ы). Опубликовано Elsevier B.V.

Рекомендуемые статьи

Цитирование статей

Искусственный интеллект и машинное обучение, облачные вычисления и 5G станут наиболее важными технологиями в 2022 году, говорится в новом исследовании IEEE

Директора по информационным технологиям, директора по технологиям и технологические лидеры провели глобальный опрос о ключевых технологических тенденциях, приоритетах и ​​прогнозах на 2022 год и последующий период

Piscataway, N.J. — 18 ноября 2021 г. — IEEE, крупнейшая в мире профессиональная техническая организация, занимающаяся продвижением технологий на благо человечества, сегодня опубликовала результаты нового опроса мировых технологических лидеров «Влияние технологий в 2022 году и в последующий период: глобальное исследование IEEE». из США, Великобритании, Китая, Индии и Бразилии. Исследование, в котором приняли участие 350 технических директоров, ИТ-директоров и ИТ-директоров, охватывает наиболее важные технологии в 2022 году, отрасли, на которые технологии окажут наибольшее влияние в предстоящем году, и тенденции развития технологий в следующем десятилетии. Узнайте больше об исследовании и влиянии технологий на 2022 год и далее.

Самые важные технологии, инновации, устойчивость и будущее
Какие технологии будут самыми важными в 2022 году? Среди всех респондентов более одного из пяти (21%) считают, что в следующем году наиболее важными технологиями будут ИИ и машинное обучение, облачные вычисления (20%) и 5G (17%). Из-за глобальной пандемии опрошенные технологические лидеры заявили, что в 2021 году они ускорили внедрение облачных вычислений (60%), искусственного интеллекта и машинного обучения (51%), а также 5G (46%) и других.

Поэтому неудивительно, что 95% согласны — в том числе 66% полностью согласны, — что ИИ будет стимулировать большинство инноваций почти во всех отраслях промышленности в ближайшие от одного до пяти лет.

На вопрос, в каких из следующих областей 5G принесет наибольшую пользу в следующем году, опрошенные технологические лидеры ответили:

● Телемедицина, включая удаленную хирургию и передачу медицинских карт (24%)

● Дистанционное обучение и образование (20%)

● Личное и профессиональное повседневное общение (15%)

● Развлечения, спорт и прямые трансляции событий (14%)

● Производство и сборка (13%)

● Транспорт и управление движением (7 %)

● Снижение углеродного следа и энергоэффективность (5%)

● Сельское хозяйство и сельское хозяйство (2%)

Что касается отраслей промышленности, на которые в 2022 году технологии окажут наибольшее влияние, опрошенные технологические лидеры указали производство (25%), финансовые услуги (19%), здравоохранение (16%) и энергетика (13%). По сравнению с началом 2021 года 92% респондентов согласны, в том числе 60%, которые полностью согласны с тем, что внедрение технологий умного строительства, обеспечивающих устойчивость, декарбонизацию и экономию энергии, стало главным приоритетом для их организаций.

Технологии на рабочем месте, сотрудничество человеческих ресурсов и COVID-19
Поскольку влияние COVID-19 варьируется во всем мире и гибридная работа продолжается, технологические лидеры почти во всем согласны (97% согласны, в том числе 69%, которые полностью согласны), что их команда более тесно, чем когда-либо прежде, работает с руководителями отдела кадров для внедрения технологий и приложений на рабочем месте для регистрации в офисе, сбора данных и аналитики об использовании пространства, протоколов COVID и здоровья, производительности сотрудников, вовлеченности и психического здоровья.

Среди проблем, которые технологические лидеры видят в 2022 году, поддержание сильной кибербезопасности для гибридной рабочей силы, состоящей из удаленных и офисных сотрудников, рассматривается опрошенными как сложная 83% респондентов (40% очень, 43% немного) при одновременном управлении окупаемостью — протоколы, программное обеспечение, приложения и данные по охране труда и технике безопасности в офисе считаются сложными для 73% опрошенных (29% очень, 44% отчасти). Ожидается, что определение того, какие технологии потребуются их компании в постпандемическом будущем, будет сложной задачей для 68% технологических лидеров (29% очень, 39% отчасти).73% респондентов также считают трудным набор технологов и заполнение открытых технических вакансий в будущем году.

Рост роботов в течение следующего десятилетия
Забегая вперед, 81% согласны с тем, что в следующие пять лет одна четверть того, что они делают, будет усовершенствована роботами, а 77% согласны с тем, что в те же сроки роботы будут развернуты в своей организации для улучшения почти всех бизнес-функций, от продаж и управления персоналом до маркетинга и ИТ. Большинство респондентов согласны (78%) с тем, что в следующие десять лет половина или более того, что они делают, будет усовершенствована роботами.Что касается развертывания роботов, которые принесут наибольшую пользу человечеству, согласно опросу, это производство и сборка (33%), больница и уход за пациентами (26%), а также исследование Земли и космоса (13%).

Количество подключенных устройств продолжает расти
В результате перехода к гибридной работе и пандемии более половины (51%) опрошенных технологических лидеров считают, что количество устройств, подключенных к их бизнесу, им необходимо отслеживать и управлять — например, смартфоны, планшеты, датчики, роботы, автомобили, дроны и т. Д.- увеличилось в 1,5 раза, при этом у 42% опрошенных количество устройств увеличилось более чем в 1,5 раза.

Однако перспективы технологических лидеров во всем мире расходятся, когда их спрашивают об управлении еще большим количеством подключенных устройств в 2022 году. На вопрос, будет ли количество устройств, подключенных к бизнесу их компании, расти в 2022 году настолько значительно и быстро, что станет неуправляемым, более половины технологических лидеров не согласны (51%), но 49% согласны. Эти различия также можно увидеть по регионам — 78% в Индии, 64% в Бразилии и 63% в США.С. согласен с тем, что рост количества устройств будет неуправляемым, в то время как подавляющее большинство в Китае (87%) и чуть более половины (52%) в Великобритании с этим не согласны.

Кибербезопасность и физическая безопасность, готовность и развертывание технологий
Проблемы кибербезопасности, которые, скорее всего, будут в числе первых двух лидеров технологий, — это проблемы, связанные с мобильной и гибридной рабочей силой, включая сотрудников, использующих свои собственные устройства (39%) и облако уязвимость (35%). Дополнительные проблемы включают уязвимость центра обработки данных (27%), скоординированную атаку на их сеть (26%) и атаку программ-вымогателей (25%).Примечательно, что 59% всех опрошенных технологических лидеров в настоящее время или в ближайшие пять лет планируют использовать дроны для обеспечения безопасности, наблюдения или предотвращения угроз в рамках своей бизнес-модели. Однако есть региональные различия. Текущее использование дронов для обеспечения безопасности или планы сделать это в ближайшие пять лет наиболее активно используются в Бразилии (78%), Китае (71%), Индии (60%) и США (52%) по сравнению только с (32%). в Великобритании, где 48% респондентов заявили, что не планируют использовать дроны в своем бизнесе.

Распределенная база данных с открытым исходным кодом, использующая криптографию через распределенный реестр, цепочка блоков обеспечивает доверие между отдельными лицами и третьими сторонами.Четыре случая использования в следующем году респонденты, скорее всего, указали в своих трех самых важных применениях технологии блокчейн:

● Безопасное межмашинное взаимодействие в Интернете вещей (IoT) (61%)

● Отслеживание отправлений и бесконтактные цифровые транзакции (51%)

● Обеспечение безопасности медицинских и медицинских записей в облаке (47%)

● Защита подключающихся сторон в рамках указанной экосистемы (47%)

Подавляющее большинство опрошенных ( 92%) считают, что по сравнению с прошлым годом их компания лучше подготовлена ​​к реагированию на потенциально катастрофические прерывания, такие как утечка данных или стихийное бедствие.Из этого большинства 65% полностью согласны с тем, что COVID-19 повысил их готовность.

Об исследовании
«Влияние технологий в 2022 году и в последующий период: глобальное исследование IEEE», в котором приняли участие 350 ИТ-директоров, технических директоров, ИТ-директоров и других технологических лидеров в организациях США, Китая, Великобритании, Индии и Бразилии. с более чем 1000 сотрудников в различных отраслях промышленности, включая банковские и финансовые услуги, потребительские товары, образование, электронику, машиностроение, энергетику, правительство, здравоохранение, страхование, розничную торговлю, технологии и телекоммуникации.Опросы проводились 8-20 октября 2021 года.

О IEEE
IEEE — крупнейшая в мире профессиональная техническая организация, занимающаяся продвижением технологий на благо человечества. Благодаря своим высоко цитируемым публикациям, конференциям, технологическим стандартам, а также профессиональной и образовательной деятельности IEEE пользуется доверием в самых разных областях, от аэрокосмических систем, компьютеров и телекоммуникаций до биомедицинской инженерии, электроэнергетики и бытовой электроники.Узнать больше

ECG-AI: электрокардиографическая модель искусственного интеллекта для прогнозирования сердечной недостаточности | Европейский журнал сердца — Цифровое здоровье

Аннотация

Цели

Сердечная недостаточность (СН) — основная причина смерти. Раннее вмешательство является ключом к снижению заболеваемости и смертности, связанных с сердечной недостаточностью. В этом исследовании оценивается полезность электрокардиограммы (ЭКГ) для прогнозирования риска сердечной недостаточности.

Методы и результаты

Использовались данные базовых посещений (1987–89) исследования риска атеросклероза в сообществах (ARIC).События с госпитализированной сердечной недостаточностью были подтверждены кодами МКБ. Были включены участники с исходными ЭКГ хорошего качества. Участники с преобладанием HF были исключены. Модель ЭКГ-искусственного интеллекта (AI) для прогнозирования HF была создана как глубокая остаточная сверточная нейронная сеть (CNN), использующая стандартную ЭКГ в 12 отведениях. Площадь под кривой рабочих характеристик приемника (AUC) использовалась для оценки моделей прогнозирования, включая (CNN), машины с усилением светового градиента (LGBM) и регрессию пропорциональных рисков Кокса.В исследовании приняли участие 14 613 участников (45% мужчин, 73% белых, средний возраст ± стандартное отклонение 54 ± 5). В общей сложности 803 (5,5%) участника развили сердечную недостаточность в течение 10 лет от исходного уровня. Сверточная нейронная сеть, использующая только ЭКГ, достигла AUC 0,756 (0,717–0,795) на данных теста удержания. Калькуляторы риска сердечной недостаточности ARIC и Framingham Heart Study (FHS) дали AUC 0,802 (0,750–0,850) и 0,780 (0,740–0,830). Наивысшая AUC 0,818 (0,778–0,859) была получена при использовании выходных данных модели ЭКГ-AI, возраста, пола, расы, индекса массы тела, статуса курения, распространенной ишемической болезни сердца, сахарного диабета, систолического артериального давления и частоты сердечных сокращений. предикторы HF в LGBM.Выходные данные модели ЭКГ-ИИ были наиболее важным предиктором СН.

Выводы

Модель ЭКГ-AI, основанная исключительно на информации, извлеченной из ЭКГ, независимо предсказывает сердечную недостаточность с точностью, сравнимой с существующими калькуляторами рисков FHS и ARIC.

Абстрактное графическое изображение

Абстрактное графическое изображение

Трансляционная перспектива

В этом исследовании изучается, может ли одна электрокардиограмма (ЭКГ), обработанная с помощью искусственного интеллекта, точно предсказать риск сердечной недостаточности (СН). Модели глубокого обучения ЭКГ-искусственного интеллекта, использующие только стандартные 10-секундные данные ЭКГ в 12 отведениях от 14 613 участников из когорты исследования риска атеросклероза в сообществах (ARIC), могут прогнозировать будущую сердечную недостаточность с сопоставимой точностью с калькуляторами риска сердечной недостаточности из исследования ARIC и Framingham Heart. Учиться. Искусственный интеллект может использовать записи ЭКГ для прогнозирования приступов сердечной недостаточности. Это также может сделать возможным предварительный скрининг больших групп пациентов на предмет риска сердечной недостаточности удаленно, если их адаптировать к смарт-часам с функцией ЭКГ.

Введение

В США около 6,5 миллионов взрослых, которым ежегодно ставится более 550 000 диагнозов, страдают или страдают сердечной недостаточностью (СН). ^{1 , 2} Сердечная недостаточность — это прогрессирующее комплексное состояние, которое часто является неизлечимым и является серьезной проблемой и бременем для общественного здравоохранения. ^{3 , 4} Сердечная недостаточность часто приводит к структурным или функциональным сердечным нарушениям, которые ухудшают перекачку крови между отделами сердца и остальными частями тела. ⁵ Ранние признаки и симптомы СН могут существенно различаться у разных групп пациентов, что может еще больше усложнить диагностику и лечение. ^{5 , 6}

В 2018 году в США в 13,4% всех свидетельств о смерти упоминалась сердечная недостаточность. среди разных подгрупп может существенно измениться со временем. ^{2 , 6} Ранняя диагностика и лечение могут значительно улучшить прогноз при сердечной недостаточности, ⁷ и впоследствии помочь снизить бремя сердечной недостаточности для здоровья и экономики.Хотя терапия сердечной недостаточностью несколько улучшила выживаемость, необходимы большие усилия для раннего выявления сердечных заболеваний и профилактики сердечной недостаточности. ⁸ Таким образом, очень важно разработать инструменты предварительного отбора HF, которые полагаются на минимальный объем данных, которые легко получить, с низкой стоимостью и доступностью и перспективой для будущих удаленных приложений. На этом этапе более эффективное использование электрокардиограмм (ЭКГ) за пределами их текущего клинического использования и интерпретации может привести к разработке таких инструментов предварительного скрининга HF.

Несколько недавних исследований показали полезность искусственного интеллекта (AI), примененного к цифровым ЭКГ (сигнал время-напряжение) для обнаружения и прогнозирования сердечно-сосудистых заболеваний. В частности, такие модели искусственного интеллекта, использующие цифровые ЭКГ, использовались для прогнозирования фибрилляции предсердий, кардиомиопатии ⁹ , ^{10 , 11} и общей смертности. ¹² Мы предполагаем, что только стандартная 10-секундная ЭКГ в 12 отведениях может предсказать риск сердечной недостаточности в течение 10 лет с умеренно высокой точностью. Мы использовали данные когорты исследования Atherosclerosis Risk in Communities (ARIC), чтобы проверить эту гипотезу.

Методы

Когорта

ARIC — это продолжающееся проспективное эпидемиологическое исследование, проводимое в четырех общинах США (графство Форсайт, Северная Каролина; Джексон, штат Мэриленд; округ Вашингтон, Мэриленд; и северо-западные пригороды Миннеаполиса, штат Миннесота) и предназначенное для изучения этиологии атеросклероза и его заболеваний. клинические исходы и факторы риска сердечно-сосудистых заболеваний, связанные с демографией, расой, полом и временем.С 1987 по 1989 год (визит 1, исходный уровень для нашего анализа) в общей сложности было зарегистрировано 15 792 участника (8710 женщин и 4266 чернокожих), которые прошли домашнее собеседование и посещение клиники. В этом анализе мы использовали данные от посещения 1 и контрольного посещения 2 до посещения 4 (посещение 2: 1990–92, посещение 3: 1993–96, посещение 4: 1996–98) в моделях на основе ИИ, используя при этом все наблюдение в анализе выживаемости до 2019 г.

Результаты

Нашим основным результатом было прогнозирование новых приступов сердечной недостаточности в течение 10 лет после визита 1 базового обследования.Сердечная недостаточность определялась госпитализацией, а сердечная недостаточность — диагнозом при выписке из больницы [Международная классификация болезней, девятая редакция, клиническая модификация (МКБ-9-CM), код 428] или случаями смерти в больнице или вне больницы, приписываемой сердечной недостаточности. (смерти, кодированные как код 428 МКБ-9-CM или Международная классификация болезней, десятая редакция, код 150, без предыдущей записи о госпитализации с кодом 428 МКБ-9-CM). ¹³

Факторы риска

Мы использовали в общей сложности 12 факторов риска, которые использовались в калькуляторе риска сердечной недостаточности ARIC ⁸ и калькуляторе риска сердечной недостаточности Framingham Heart Study (FHS). ³ Эти клинические факторы риска, включенные в модель ARIC в этом исследовании, включали пол, расу, возраст, диабет, лекарства от гипертонии, индекс массы тела (ИМТ; кг / м ² ), систолическое артериальное давление (мм рт. распространенная ишемическая болезнь сердца, статус курения и частота сердечных сокращений (ударов в минуту, ударов в минуту). Клиническими факторами риска, включенными в модель «Фрамингема», были возраст, диабет, ИМТ (кг / м ² ), систолическое артериальное давление (мм рт. Ст.), Распространенная ишемическая болезнь сердца, частота сердечных сокращений (b.после полудня), гипертрофии левого желудочка (ГЛЖ) и порока клапанов (см. , таблица 1, ) (подробности см. в дополнительных материалах в Интернете, , раздел S1, ).

Таблица 1 Характеристики когорты исследования

и факторы риска

<0,001 ^{сахарный диабет b}

Факторы риска .	n (%) или среднее (стандартное отклонение) .		χ 2 или T -тест .
	HF за 10 лет ( n = 13810) .	HF за 10 лет ( n = 803) .	P -значения .
Пол (мужской) a	6179 (44,7)	456 (57,2)	<0,001
Раса (черный) a	3559 36,0)	<0,001
Возраст при посещении 1 a , b (лет)	53.9 (5,7)	57,2 (5,2)	<0,001
ИМТ (кг / м 2 ) a , b	27,4 (5,2)	29,5
Статус курения a			<0,001
Бывший	4407 (31,9)	284 (35,4)			2)	304 (37,9)
Распространенная ишемическая болезнь сердца b	458 (3,3)	138 (17,2)	<0,001
1326 (9,6)	286 (35,6)	<0,001
Систолическое артериальное давление (мм рт. 2 (22,9)	<0,001
Лекарства от гипертонии a	3566 (25,8)	420 (52,3)	<0,001
Гипертрофия левого желудочка 1,9 b			50 (6,4)	<0,001
Пороки клапанов b	33 (0,2)	9 (1,1)	<0,001
Частота сердечных сокращений (желудочковые, ударов в минуту) a , б	66.4 (10,0)	70,5 (12,3)	<0,001

кг / м ² ) ^{а , б} 35497001

Факторы риска .	n (%) или среднее (стандартное отклонение) .		χ 2 или T -тест .
	HF за 10 лет ( n = 13810) .	HF за 10 лет ( n = 803) .	P -значения .
Пол (мужской) a	6179 (44,7)	456 (57,2)	<0,001
Раса (черный) a	3559 36,0)	<0,001
Возраст на момент посещения 1 a , b (лет)	53,9 (5,7)	57,2 (5,2)	<0,001
27.4 (5,2)	29,5 (6,3)	<0,001
Статус курения a			<0,001
Бывший	4407 (31,94)
Текущий	3485 (25,2)	304 (37,9)
Распространенная ишемическая болезнь сердца b	458 (3,3)	138 (17,2)
Сахарный диабет a , b	1326 (9,6)	286 (35,6)	<0,001
Систолическое артериальное давление (мм рт. Ст.)	120,5 (18,4)	131,2 (22,9)	<0,001
Лекарства от гипертонии a	3566 (25,8)	420 (52,3)	<0,001	левый желудочек б	253 (1.9)	50 (6,4)	<0,001
Порок клапанов b	33 (0,2)	9 (1,1)	<0,001
Частота сердечных сокращений (желудочковая, ударов в минуту) a , b	66,4 (10,0)	70,5 (12,3)	<0,001

Таблица 1

Характеристики когорты исследования и факторы риска

82 (82 лет) 53,9 (5,7) 0.2)

Факторы риска .	n (%) или среднее (стандартное отклонение) .		χ 2 или T -тест .
	HF за 10 лет ( n = 13810) .	HF за 10 лет ( n = 803) .	P -значения .
Пол (мужской) a	6179 (44,7)	456 (57,2)	<0.001
Раса (черный) a	3559 (25,8)	289 (36,0)	<0,001
Возраст на момент посещения 1 a , )
57,2 (5,2)	<0,001
ИМТ (кг / м 2 ) a , b	27,4 (5,2)	29,5 (6,3)	<0,001
Статус курения a			<0.001
Бывший	4407 (31,9)	284 (35,4)
Текущий	3485 (25,2)	(37,9)	3485 (25,2)	(37,9)
458 (3,3)	138 (17,2)	<0,001
Сахарный диабет a , b	1326 (9,6)	286 9049,6 <049 049001
Систолическое артериальное давление (мм рт. )	420 (52,3)	<0,001
Гипертрофия левого желудочка b	253 (1,9)	50 (6,4)	<0,001
9 (1,1)	<0,001
ЧСС (желудочковые, ударов в минуту) a , b	66,4 (10,0)	70,5 (12,3) 0,00

<0,001 ^{сахарный диабет b}

Факторы риска .	n (%) или среднее (стандартное отклонение) .		χ 2 или T -тест .
	HF за 10 лет ( n = 13810) .	HF за 10 лет ( n = 803) .	P -значения .
Пол (мужской) a	6179 (44,7)	456 (57,2)	<0,001
Раса (черный) a	3559 36,0)	<0,001
Возраст при посещении 1 a , b (лет)	53. 9 (5,7)	57,2 (5,2)	<0,001
ИМТ (кг / м 2 ) a , b	27,4 (5,2)	29,5
Статус курения a			<0,001
Бывший	4407 (31,9)	284 (35,4)			2)	304 (37,9)
Распространенная ишемическая болезнь сердца b	458 (3,3)	138 (17,2)	<0,001
1326 (9,6)	286 (35,6)	<0,001
Систолическое артериальное давление (мм рт.2 (22,9)	<0,001
Лекарства от гипертонии a	3566 (25,8)	420 (52,3)	<0,001
Гипертрофия левого желудочка 1,9 b			50 (6,4)	<0,001
Пороки клапанов b	33 (0,2)	9 (1,1)	<0,001
Частота сердечных сокращений (желудочковые, ударов в минуту) a , б	66. 4 (10,0)	70,5 (12,3)	<0,001

Данные электрокардиограммы

Использовались необработанные цифровые данные ЭКГ (время-напряжение) для 12 отведений от базовой линии (посещение 1). Использовалась ЭКГ в 12 отведениях на спине с частотой 250 Гц в течение 10 с в покое. Первоначально ЭКГ были получены с персональной кардиограммы MAC PC10 (Marquette Electronics, Milwaukee, WI, США). В этом исследовании данные ЭКГ используются в качестве индикаторов возможного субклинического риска сердечной недостаточности.

Критерии включения / исключения

Все участники ARIC с данными ЭКГ хорошего качества на исходном уровне, а также информацией обо всех соответствующих факторах риска и событиях с сердечной недостаточностью во время долгосрочного наблюдения соответствовали критериям включения в этот анализ. Участники с преобладанием HF ( n = 739) на исходном визите, отсутствующими данными HF во время последующего наблюдения и отсутствующими или некачественными ЭКГ были исключены.

Дизайн исследования

Мы случайным образом разделили нашу когорту исследования на 80% для построения модели и 20% для тестовых данных удержания.Модели прогнозирования сердечной недостаточности были построены с использованием различных методов машинного обучения и статистических методов с пятикратной перекрестной проверкой с использованием 80% набора данных построения моделей. В течение пяти шагов пятикратной перекрестной проверки мы построили пять независимых моделей с нуля и не передавали какие-либо изученные параметры из одной модели в другую, чтобы избежать утечки данных. Для каждого метода модель, обеспечивающая наивысшую перекрестно проверенную область под статистикой кривой рабочих характеристик приемника (ROC AUC), была определена в качестве окончательных моделей.Затем окончательные модели с перекрестной проверкой были реализованы на 20% тестовых данных. Все сравнения и оценки моделей были основаны на статистике ROC AUC, полученной на наборе данных теста 20% удержания. Статистическую значимость разницы между двумя AUC сравнивали с использованием теста Делонга. ¹⁴ Модели и анализ были выполнены с использованием языка программирования Python.

Прогнозирование сердечной недостаточности с помощью глубокого обучения с использованием необработанных цифровых электрокардиограмм

Мы реализовали сверточные нейронные сети (CNN), а именно модель ECG-AI, для прогнозирования HF на основе необработанных цифровых данных ЭКГ.Мы создали архитектуру CNN, адаптировав ResNet ¹⁵ , которая принимает отведения ЭКГ как одномерные цифровые сигналы и выводит риск для ВЧ (подробности см. В дополнительных материалах в Интернете, , раздел S2 и рисунок S1 ).

Прогнозирование сердечной недостаточности с использованием существующих Фрамингемских исследований сердца и калькуляторов риска атеросклероза в сообществах

Чтобы сравнить наш подход ЭКГ-ИИ с более традиционными калькуляторами риска, мы использовали два калькулятора риска HF; калькулятор рисков FHS ³ и калькулятор рисков исследования ARIC. ⁸ Компоненты калькуляторов рисков ARIC и FHS описаны в таблице . Мы внедрили калькуляторы рисков FHS и ARIC только для 20% тестовых данных, так как мы не перестраивали модели.

Ансамбль прогнозов риска сердечной недостаточности

До сих пор наш анализ основывался либо на создании новой модели CNN для прогнозирования HF по ЭКГ, либо на доступных в настоящее время калькуляторах риска HF FHS и ARIC. Тем не менее, мы также исследовали комбинации (или ансамбль) различных прогнозов риска сердечной недостаточности и факторов риска, используя часто используемый алгоритм машинного обучения, машины повышения светового градиента (LGBM). ¹⁶ В этом ансамблевом подходе мы строим модели прогнозирования HF на тех же 80% данных построения моделей и оценивали модели на тех же 20% тестовых данных выдержки для упрощенных сравнений.

Анализ временной зависимости

Мы также адаптировали наши модели машинного обучения и глубокого обучения для анализа выживаемости. Для этого мы построили регрессионную модель пропорциональных рисков Кокса, используя прогнозы рисков на основе ML или DL в качестве независимых переменных модели Кокса.Затем для справедливого сравнения мы заменили t на 10 лет, чтобы получить вероятность выживания (риск сердечной недостаточности в нашем случае) на основе 10-летних прогнозов риска.

Результаты

Клинические характеристики

Этот анализ включал 14 613 человек (возраст 54,1 + 5,8 лет; 45,4% мужчин, 36,0% чернокожих) без преобладающей сердечной недостаточности на исходном уровне. В общей сложности у 803 (5,5% случаев) сердечная недостаточность развилась в течение 10 лет после базового обследования. Среднее время постановки диагноза HF от исходного визита составило 6.0 ± 2,8 года. У оставшихся 13 810 (94,5%) участников (контрольная группа) не развилась сердечная недостаточность в течение 10 лет после базового обследования. Среднее время наблюдения в контрольной группе составило 23,6 ± 7,8 года. Различия в исходных отклонениях ЭКГ между случаями и контрольной группой представлены в дополнительных материалах в Интернете, , таблица S1, .

Среди 12 рассмотренных клинических факторов риска по 8 переменным не было пропущенных данных. У одного пациента отсутствовал ИМТ, и он был заменен средним значением когорты исследования.Было 13 участников, у которых отсутствовал статус курения, и предполагалось, что они никогда не курили. Было 17 участников, у которых отсутствовали данные о клапанных заболеваниях, и считалось, что они не страдали клапанными заболеваниями. Наконец, был 331 участник, у которых отсутствовали данные о ГЛЖ, и предполагалось, что у них не было ГЛЖ. Подробные характеристики когорты нашего исследования с точки зрения используемых клинических факторов риска были обобщены в Таблице 1 .

Прогнозирование сердечной недостаточности

Мы запустили 11 моделей прогнозирования HF с использованием CNN или LGBM, используя различные комбинации прогнозируемых переменных. Статистика AUC, полученная для тех же данных удержания 20%, обобщена в , таблица 2 для четырех моделей, тогда как остальные модели были представлены в дополнительном материале в Интернете, , таблица S2 .

Таблица 2

Результаты прогноза сердечной недостаточности

9049 0,858)

Метод прогнозирования риска сердечной недостаточности .	Входные данные модели («X» обозначает входные данные, используемые в соответствующем методе) .				AUC (95% ДИ) по данным испытаний на удержание 20% .
	Выход ECG-AI .	ЭКГ .	Переменные ARIC a .	Переменные FHS b .
CNN (ECG-AI)		X			0,756 (0,717–0,795)
Калькулятор рисков ARIC			X . 750–0,850)
Калькулятор рисков FHS				X	0,778 (0,740–0,830)
Cox	X

Метод прогнозирования риска HF .	Входные данные модели («X» обозначает входные данные, используемые в соответствующем методе) .				AUC (95% ДИ) по данным испытаний на удержание 20% .
	Выход ECG-AI .	ЭКГ .	Переменные ARIC a .	Переменные FHS b .
CNN (ECG-AI)		X			0,756 (0,717–0,795)
Калькулятор рисков ARIC			X .750–0,850)
Калькулятор рисков FHS				X	0,778 (0,740–0,830)
Cox	X	X 0,8497 9049 0,858)

Таблица 2

Результаты прогноза сердечной недостаточности

Метод прогнозирования риска сердечной недостаточности .	Входные данные модели («X» обозначает входные данные, используемые в соответствующем методе) .				AUC (95% ДИ) по данным испытаний на удержание 20% .
	Выход ECG-AI .	ЭКГ .	Переменные ARIC a .	Переменные FHS b .
CNN (ECG-AI)		X			0,756 (0,717–0,795)
Калькулятор рисков ARIC					X802 (0,750–0,850)
Калькулятор рисков FHS				X	0,778 (0,740–0,830)
Cox	X		9049 0,777–0,858)

Метод прогнозирования риска HF .	Входные данные модели («X» обозначает входные данные, используемые в соответствующем методе) .				AUC (95% ДИ) по данным испытаний на удержание 20% .
	Выход ECG-AI .	ЭКГ .	Переменные ARIC a .	Переменные FHS b .
CNN (ECG-AI)		X			0,756 (0,717–0,795)
Калькулятор рисков ARIC			X .750–0,850)
Калькулятор рисков FHS				X	0,778 (0,740–0,830)
Cox	X	X 0,8497 9049 0,858)

Модель CNN ECG-AI, которая использует только цифровые данные ЭКГ в 12 отведениях в качестве входных данных, что приводит к AUC 0,756 в наборе данных удержания, что незначительно отличается от AUC (0,778) для Калькулятор рисков FHS (тест Делонга, P = 0.180). Однако AUC модели ЭКГ-AI была ниже, чем AUC (0,778) калькулятора риска ARIC (тест Делонга, P = 0,034). В дополнительном анализе мы экспериментировали с применением той же архитектуры ECG-AI, используя только данные отведения I. Интересно, что мы получили AUC 0,754 (0,709–0,798), аналогично версии с 12 отведениями.

Мы также построили традиционную регрессию пропорциональных рисков Кокса для моделирования времени от исходного уровня до инцидента HF до последующего наблюдения 2018 года. Модель Кокса, использующая все переменные калькулятора рисков ARIC и FHS, а также результат ЭКГ-ИИ, привела к согласованию, равному 0.826 (0,804–0,848). Для справедливого сравнения с тремя другими моделями мы установили t = 10 и рассчитали совокупный риск сердечной недостаточности в течение 10 лет и получили AUC 0,821 (0,781–0,861), чувствительность 0,711, чувствительность 0,752, прогностическое значение положительного результата. 0,132, и отрицательная прогностическая ценность 0,980. AUC модели Кокса была выше, чем AUC калькулятора риска FHS (тест ДеЛонга, P <0,01) и калькулятора риска ARIC (тест ДеЛонга, P <0.01). Детали модели Кокса, представленные в , Таблица 3 , показали, что исход ЭКГ-ИИ был наиболее важным предиктором сердечной недостаточности. Это также подтверждается анализом важности переменных в модели LGBM с использованием результатов модели ECG-AI и переменных ARIC в качестве входных данных, что дало AUC 0,818 (см. Дополнительные материалы в Интернете, , рисунок S2 и раздел S3 ).

Таблица 3 Регрессионная модель пропорциональных рисков Кокса

, моделирующая риск сердечной недостаточности

494,51

Ковариат .	Коэффициент .	Коэффициент опасности .	95% ДИ .	P -значение .
Результат ЭКГ-AI	5,05	155,61	58,93–410,92	<0,01
Пол	0,31	1,37	1,37	0. 14	1,15	0,94–1,40	0,176
Возраст	0,08	1,09	1,07–1,11	<0,01
0,94 9049–2,17 <0,01
Лекарства от гипертонии	0,49	1,62	1,35–1,96	<0,01
ИМТ	0,04	1.04	1,02–1,05	<0,01
Систолическое артериальное давление	0,01	1,017	1,00–1,01	<0,01
1.00–1,01	9049–1,49–0,49 3,14	<0,01
Частота желудочков	0,02	1,02	1,02–1,03	<0,01
Гипертрофия левого желудочка	0.35	1,42	1,00–2,02	0,049
Заболевание клапанов	1,35	3,86	1,98–7,53	<0,01
9049 статус курения	<0,01

Ковариат .	Коэффициент .	Коэффициент опасности .	95% ДИ .	P -значение .
Результат ЭКГ-AI	5,05	155,61	58,93–410,92	<0,01
Пол	0,31	1,37	1,37	0,14	1,15	0,94–1,40	0,176
Возраст	0,08	1.09	1,07–1,11	<0,01
Диабет	0,96	2,60	2,14–3,17	<0,01
Лекарства от гипертонии	0,449		0,449 0,01
ИМТ	0,04	1,04	1,02–1,05	<0,01
Систолическое артериальное давление	0,01	1.017	1,00–1,01	<0,01
Распространенная ишемическая болезнь сердца	0,89	2,44	1,89–3,14	<0,01
1,04 0,04				0,049	<0,01
Гипертрофия левого желудочка	0,35	1,42	1,00–2,02	0,049
Пороки клапанов	1. 35	3,86	1,98–7,53	<0,01
Статус курения	0,56	1,75	1,56–1,96	<0,01

Модель регрессионного риска Модель риска сердечной недостаточности

Ковариант .	Коэффициент .	Коэффициент опасности .	95% ДИ .	P -значение .
Результат ЭКГ-AI	5,05	155,61	58,93–410,92	<0,01
Пол	0,31	1,37	1,37	0,14	1,15	0,94–1,40	0,176
Возраст	0,08	1.09	1,07–1,11	<0,01
Диабет	0,96	2,60	2,14–3,17	<0,01
Лекарства от гипертонии	0,449		0,449 0,01
ИМТ	0,04	1,04	1,02–1,05	<0,01
Систолическое артериальное давление	0,01	1. 017	1,00–1,01	<0,01
Распространенная ишемическая болезнь сердца	0,89	2,44	1,89–3,14	<0,01
1,04 0,04				0,049	<0,01
Гипертрофия левого желудочка	0,35	1,42	1,00–2,02	0,049
Пороки клапанов	1.35	3,86	1,98–7,53	<0,01
Статус курения	0,56	1,75	1,56–1,96	<0,01

9045ariate 9045ov . Коэффициент . Коэффициент опасности . 95% ДИ . P -значение . Результат ЭКГ-AI 5.05 155,61 58,93–410,92 <0,01 Пол 0,31 1,37 1,14–1,65 <0,0149 0,176 Возраст 0,08 1,09 1,07–1,11 <0,01 Диабет 0,96 2,60 2. 14–3,17 <0,01 Лекарства от гипертонии 0,49 1,62 1,35–1,96 <0,01 ИМТ 0,04,04 Систолическое артериальное давление 0,01 1,017 1,00–1,01 <0,01 Распространенная ишемическая болезнь сердца 0,89 2.44 1,89–3,14 <0,01 Частота желудочков 0,02 1,02 1,02–1,03 <0,01 левый желудочек 0,049 Пороки клапанов 1,35 3,86 1,98–7,53 <0,01 Курение 0.56 1,75 1,56–1,96 <0,01

Анализ подгрупп

Модель

Кокса дала AUC 0,818 (0,781–0,858) для черных, 0,816 (0,776–0,857) для белых, 0,828 (0,788–0,868) для мужчин и 0,810 (0,769–0,851) для женщин.

Анализ чувствительности с течением времени

Наш анализ был основан на ЭКГ, записанных на базовых экзаменах. Однако у нас также был доступ к ЭКГ, записанным во время последующих осмотров.Мы использовали эти контрольные обследования, чтобы оценить чувствительность нашей модели к контрольным ЭКГ ближе к событиям HF. Для набора данных с задержкой 20% мы запускаем наши модели ЭКГ-AI и окончательные модели Кокса на ЭКГ, собранных после базового уровня, но все еще предшествующих событию HF. Для контроля мы использовали последнюю доступную ЭКГ. Затем для каждого пациента с доступными последующими ЭКГ мы рассчитали Δrisk как разницу между риском исходной и последующей ЭКГ, деленную на время между двумя ЭКГ. Следовательно, Δrisk представляет собой изменение прогнозируемого риска за год для каждого пациента (, таблица 4, ).

Таблица 4

Ответ электрокардиографического искусственного интеллекта и моделей регрессии пропорциональных рисков Кокса на последующие электрокардиограммы

Среднее значение Δ риска с 95% доверительным интервалом в процентах .	Органы управления .	Ящики .
Модель ECG-AI	0,235 (0,178–0,291)	1,414 (0,912–1,917)
Модель Кокса	0.061 (0,031–0,0915	2,568 (1,883–3,252)

Средний риск с 95% доверительным интервалом в процентах .	Органы управления .	Ящики .
Модель ЭКГ-AI	0,235 (0,178–0,291)	1,414 (0,912–1,917)
Модель Кокса	0,061 (0,031–0,0915	–368,26)	–368,26 (1.882)

Таблица 4

Реакция электрокардиографического искусственного интеллекта и регрессионных моделей пропорциональных рисков Кокса на последующие электрокардиограммы

Среднее значение Δ риска с 95% доверительным интервалом в процентах .	Органы управления .	Ящики .
Модель ЭКГ-AI	0,235 (0,178–0,291)	1,414 (0,912–1,917)
Модель Кокса	0,061 (0,031–0,0915	–368,26)	–368,26 (1.882)

Средний риск с 95% доверительным интервалом в процентах .	Органы управления .	Ящики .
Модель ЭКГ-AI	0,235 (0,178–0,291)	1,414 (0,912–1,917)
Модель Кокса	0,061 (0,031–0,0915	–368,26)	–368,26 (1.882)

Клиническая полезность

Мы дополнительно оцениваем возможную клиническую применимость нашей окончательной модели Кокса для выявления пациентов с риском сердечной недостаточности, которым может быть полезна визуализация сердца. Таблица 5 представляет четыре различных сценария специфичности (0. 70, 0,80, 0,90, 0,95) и соответствующие показатели точности.

Таблица 5

Реакция электрокардиографического искусственного интеллекта и регрессионных моделей пропорциональных рисков Кокса на последующие электрокардиограммы

8990 90499524

Сценарии .	Время ЭКГ .	TP .	FP .	TN .	FN .	Специфичность .	Чувствительность .	Отрицательная прогностическая ценность .	Положительная прогностическая ценность .
1	Базовый уровень	116	764	1819	2	0,7042	0,9831	0,9990	0,1318 9049		2	0.7042	0,9831	0,9990	0,1318
	2	Исходный уровень	108	515	2068	10	0,8006
		116	528	2055	2	0,7956	0,9831	0,9990	0,1801
3		93 26494 9049		0,7881	0,9893	0,2627
	Последующая деятельность	111	258	2325	7			0,9407	0,9001	0,9407	77	127	2456	41	0,9508	0,6525	0,9836	0,3775
Продолжение	95	123	95	123	0,8051	0,9907	0,4358

9001 9049 0,649

Сценарии .	Время ЭКГ .	TP .	FP .	TN .	FN .	Специфичность .	Чувствительность .	Отрицательная прогностическая ценность .	Положительная прогностическая ценность .
1	Базовый уровень	116	764	1819	2	0,7042	0,9831	0,9990	0,1318 9049		2	0,7042	0,9831	0,9990	0,1318
	2	Исходный уровень	108	515	2068	10	006	0,9153	0,9952	0,1734
Базовый		116	528	2055	2	0,7956	0,9831	93	261	2322	25	0,8990	0,7881	0,9893	0,2627
Продолжение	111	258 494	0,9407	0,9970	0,3008
4	Базовый уровень	77	127	2456	41	0,9508	95	123	2460	23	0,9524	0,8051	0,9907	0,4358

Таблица 5

Реакция электрокардиографических моделей искусственного интеллекта 9045 и пропорциональные последующие электрокардиографические модели Cox-9 Сценарии . Время ЭКГ . TP . FP . TN . FN . Специфичность . Чувствительность . Отрицательная прогностическая ценность . Положительная прогностическая ценность . 1 Исходный уровень 116 764 1819 2 0.7042 0,9831 0,9990 0,1318 Базовый уровень 116 764 1819 2 0,7042 0,9831108 515 2068 10 0,8006 0,9153 0,9952 0,1734 Последующая деятельность 528 116 528 9049 27956 0,9831 0,9990 0,1801 3 Исходный уровень 93 261 2322 25 0,8990 0,7884 0,8990 9049 111 258 2325 7 0,9001 0,9407 0,9970 0,3008 4 Базовый уровень 77508 0,6525 0,9836 0,3775 продолжение 95 123 2460 23 2460 23 0,9524 0,804 0,94 0,804 . Время ЭКГ . TP . FP . TN . FN . Специфичность . Чувствительность . Отрицательная прогностическая ценность . Положительная прогностическая ценность . 1 Базовый уровень 116 764 1819 2 0,7042 0,9831 0,9990 0,1318 9049 2 0.7042 0,9831 0,9990 0,1318 2 Исходный уровень 108 515 2068 10 0,8006 116 528 2055 2 0,7956 0,9831 0,9990 0,1801 3 93 26494 90498990 0,7881 0,9893 0,2627 Последующая деятельность 111 258 2325 7 0,9407 0,9001 0,9407 9049 77 127 2456 41 0,9508 0,6525 0,9836 0,3775 Продолжение 95 123 95 1239524 0,8051 0,9907 0,4358

Результаты в таблице 4 показывают, что для сценария 1, соответствующего специфичности 0,7, 32,5% (880 из 2701) пациентов будут иметь высокий риск развития сердечной недостаточности. и среди этих пациентов с прогнозируемым высоким риском у 13,2% (116 из 880) разовьется сердечная недостаточность в течение 10 лет. Для сценария 4, соответствующего специфичности 0,95, наша модель выявила бы 7,5% (204 из 2701) общей популяции с высоким риском сердечной недостаточности, где 37.У 7% (77 из 204) из них действительно разовьется сердечная недостаточность. Интересно, что если мы будем использовать последующие ЭКГ для того же сценария, мы сможем идентифицировать 8,1% (218 из 2701) пациентов с высоким риском сердечной недостаточности, и у 43,6% (95 из 218) из них действительно разовьется сердечная недостаточность.

Обсуждение

Распространенность сердечной недостаточности увеличивается во всем мире и чаще встречается у пожилых людей. Это может вызвать как денежное, так и личное бремя. Нередко диагностируется сердечная недостаточность на поздней стадии после фармакологического вмешательства. ⁷ Поэтому очень важно прогнозировать сердечную недостаточность на ранних стадиях и проводить своевременные вмешательства. Если обнаружение и / или прогнозирование выполняется на ранней стадии, это может существенно снизить общую нагрузку. Калькуляторы риска сердечной недостаточности FHS и ARIC ^{3 , 8} изучили существующие факторы риска сердечной недостаточности и предложили простые и эффективные калькуляторы риска сердечной недостаточности, которые облегчат первичную профилактику и раннюю диагностику сердечной недостаточности в общей практике. Затем были разработаны более сложные модели с использованием дополнительных данных, которые могут повысить потенциал раннего выявления HF.Калькулятор FHS HF ³ использует стандартную объединенную модель логистической регрессии для определения риска сердечной недостаточности в течение 4 лет, тогда как калькулятор риска сердечной недостаточности ARIC ⁸ использует модель регрессии Кокса. Последний также применялся в этом исследовании. Помимо использования клинических переменных, в этом исследовании также использовались ЭКГ в 12 отведениях для прогнозирования сердечной недостаточности в течение 10 лет с целью получения результатов, сопоставимых с результатами, полученными с использованием клинических факторов риска.

Несколько недавних исследований показали полезность ИИ на цифровых ЭКГ (сигналы время-напряжение) в обнаружении и прогнозировании аритмий и сердечно-сосудистых заболеваний. ^{17 , 18} Ряд моделей искусственного интеллекта был разработан для прогнозирования риска патологических состояний сердца, включая сердечную недостаточность и фибрилляцию предсердий. ^19–21 Были также попытки использовать модели машинного обучения для диагностики ^{22 , 23} и прогнозирования возможности повторной госпитализации и смертности после сердечной недостаточности с использованием только факторов риска. ²² Хотя в некоторых недавних исследованиях предлагается использовать ИИ для прогнозирования СН с использованием как факторов риска, так и информации ЭКГ в 12 отведениях или их совокупности, сравнительное временное окно бывает редко, а если да, то в относительно короткие сроки. период времени, e.г. подарок до 5 лет. ^24–26 Недавние исследования использовали данные кривой ЭКГ для разработки сетей искусственного интеллекта для выявления конкретных сердечных аномалий, таких как фракция выброса, ²⁷ систолическая дисфункция левого желудочка, ²⁸ и митральная регургитация ²⁹ , все из которых прямо или косвенно относящиеся к HF. Однако ключевой компонент, который не рассматривается, — это временное окно для раннего выявления возможности HF. Мета-анализ Grün et al. ³⁰ с участием пяти основных публикаций ^31–33 сообщил о почти идеальном прогнозе застойной сердечной недостаточности с использованием 2-секундной ЭКГ (ROC> 0.98). Эти исследования, однако, не предоставляют информации о временном окне, учитываемом при разработке модели, и о том, как рано она может обнаруживать HF. Это очень важный компонент для достижения наилучших результатов при диагностике и точной медицине, а не для определения того, заболел ли человек сердечной недостаточностью. Таким образом, важно разрабатывать модели, учитывающие компромисс между точностью и своевременностью ранней диагностики.

Результаты, полученные в этом исследовании, показывают, что существующие калькуляторы риска сердечной недостаточности ARIC и FHS, использующие в общей сложности 12 клинических факторов риска, могут предсказать сердечную недостаточность с AUC, равной 0.80 (0,75–0,85) и 0,78 (0,74–0,83) соответственно. Наша модель ЭКГ-AI (модель 2), использующая только ЭКГ в 12 отведениях, дала сопоставимые AUC 0,756 (0,717–0,795) и AUC 0,780 (0,737–0,823) в сочетании с возрастом и полом (Модель 3 в дополнительных материалах онлайн, ). Таблица S1 ). Кроме того, версия ЭКГ-ИИ в отведении I обеспечивала сопоставимую точность со стандартной моделью ЭКГ-ИИ на основе 12 отведений. Хотя наша модель, основанная исключительно на ЭКГ, не улучшает производительность по сравнению с существующими калькуляторами риска ARIC и FHS, предлагаемая нами модель ЭКГ-AI может быть более применима в клинических условиях, поскольку она полагается только на данные ЭКГ. Учитывая широкое использование и доступность ЭКГ, такие модели могут облегчить будущие автоматизированные инструменты предварительной проверки, работающие на кардиосерверах или электронных медицинских записях (EHR). Это помогает идентифицировать пациентов, которым может быть полезно тщательное наблюдение или визуализация сердца, например эхокардиограмма или магнитно-резонансная томография сердца (МРТ). Разработка этих моделей на основе искусственного интеллекта может облегчить нагрузку на системы здравоохранения за счет сокращения количества дополнительных обследований. Кроме того, мы предполагаем, что модель, построенная только на данных ЭКГ, может прогнозировать сердечную недостаточность с такой же точностью, как и калькуляторы риска на основе клинических данных, поскольку клинические факторы риска могут незначительно влиять на клетки кардиостимулятора и проводящие пути.Это, в свою очередь, влияет на потенциал действия, связанный с сократительной реакцией, и выражается в мельчайших изменениях ЭКГ. Продвинутая модель CNN может зафиксировать эти изменения ЭКГ.

Наше исследование показало, что наиболее эффективная модель была получена, когда выходные данные модели ECG-AI на основе CNN были объединены с факторами риска, используемыми в калькуляторах рисков ARIC и FHS в регрессии пропорциональных рисков Кокса. Производительность этой модели была значительно выше, чем производительность хорошо известных калькуляторов рисков ARIC и FHS, где исходы ЭКГ-ИИ имели наибольшие риски, предсказывающие сердечную недостаточность.Кроме того, анализ важности переменной на второй по эффективности модели (см. Дополнительный материал в Интернете, , рис. S2 ), LGBM, также подтверждает, что выход ЭКГ-AI является наиболее важным предиктором HF. Эти результаты означают, что информация, извлеченная из ЭКГ с помощью искусственного интеллекта, генерирует субклинические индикаторы, более предсказывающие сердечную недостаточность, чем клинические факторы риска в калькуляторах риска ARIC и FHS.

Вторая лучшая модель (Модель 5 в дополнительном материале в Интернете, Таблица S1 ) была получена с помощью LGBM с использованием результатов ЭКГ-AI и переменных калькуляторов риска ARIC.Как подробно описано в дополнительном материале в Интернете, , раздел S3 , анализ значимости переменных показал, что выходные данные модели ЭКГ-AI являются наиболее важным предиктором СН, за которым следуют возраст, ИМТ, диабет и систолическое артериальное давление. Анализ направленности эффекта показал, что у лиц с ишемической болезнью сердца риск развития сердечной недостаточности повышается примерно на 5,4% при неизменных всех остальных факторах. Кроме того, у людей с диабетом риск повышенного риска составляет 4,8%, а у людей с гипертонией — 1.9% повышенный риск.

Предыдущие исследования также применяли новый вероятностный подход к распознаванию образов символов для идентификации пациентов с застойной сердечной недостаточностью с использованием интервалов R – R на ЭКГ. ^{34 , 35} Несколько когортных исследований, включая ARIC, показали, что различные маркеры ЭКГ связаны с возникновением сердечной недостаточности. ^{10 , 36–44} Эти результаты также предполагают, что применение подходов машинного и глубокого обучения к ЭКГ может быть использовано при разработке автоматизированных инструментов прогнозирования HF для раннего распознавания пациентов из группы риска.В качестве метода глубокого обучения CNN применяются для классификации фибрилляции предсердий, ⁴⁵ нескольких сердечных ритмов, ⁴⁶ фракции выброса левого желудочка, ⁴⁷ , а также для прогнозирования будущей кардиомиопатии. ¹⁰ Были также попытки показать связь известных характеристик ЭКГ с риском развития сердечной недостаточности, ⁴¹ , однако цифровые ЭКГ не использовались. Однако, насколько нам известно, наше исследование является первой попыткой использовать исключительно цифровые данные ЭКГ посредством глубокого обучения для прогнозирования риска сердечной недостаточности.

Анализ чувствительности и проспективная проверка дополнительной контрольной ЭКГ показали, что как ЭКГ-AI, так и последняя модель Кокса создают значительно более высокий риск для ЭКГ, близких к событиям HF. Это может означать, что последующее наблюдение за пациентами из группы высокого риска с помощью недорогой ЭКГ может оценить изменения риска сердечной недостаточности. Пациенты, прогнозируемый риск которых превышает определенный порог, могут пройти эхокардиограмму и МРТ сердца для своевременной диагностики, чтобы начать профилактическую терапию для перевода пациентов на стадии C и D HF.В результате такие недорогие профилактические стратегии, основанные на скрининге, могут улучшить результаты для здоровья и снизить расходы на здравоохранение из-за сердечной недостаточности. Интересно, что наша модель ЭКГ-AI также работала с использованием ЭКГ только в I отведении по сравнению с результатами, полученными для 12 отведений. Дальнейшая работа может быть сосредоточена на валидности нашей модели ЭКГ-ИИ на ЭКГ в отведении I, полученной с помощью мобильных технологий, таких как умные часы.

У нашего исследования есть несколько сильных сторон. На эффективность прогнозных моделей на основе ИИ сильно влияет точность переменной результата.В нашем исследовании используются данные одного из крупнейших когортных исследований атеросклероза, ARIC, где последующее наблюдение при сердечной недостаточности является значительно более точным по сравнению с данными, которые были бы извлечены из EHR одного учреждения. Кроме того, наши результаты показывают, что только маркеры ЭКГ могут обеспечить прогноз риска сердечной недостаточности с такой же точностью, как и установленные калькуляторы риска сердечной недостаточности, основанные на множестве клинических факторов риска. Следовательно, он может быть встроен в EHR для эффективного и автоматического предварительного скрининга HF в больших масштабах.

Наше исследование также имеет некоторые ограничения. Хотя когорта ARIC является относительно репрезентативной, поскольку включает участников из четырех сообществ в США, необходима внешняя проверка на более репрезентативной когорте, чтобы обеспечить возможность обобщения для населения в целом. Есть также ограничения в понимании того, почему одна только ЭКГ может прогнозировать сердечную недостаточность, и модели, использующие многие клинические факторы риска. Это ограничение связано с непараметрическим характером моделей глубокого обучения. Необходим дальнейший анализ, чтобы раскрыть черную природу моделей глубокого обучения.У нас нет информации об этиологии событий HF. Следовательно, наши результаты не должны подразумевать причинно-следственную связь между ЭКГ и HF. Еще одним важным ограничением нашего исследования является то, что диагноз СН во время наблюдения включал только госпитализированных пациентов. Могут быть пациенты с сердечной недостаточностью, которые получают компенсацию и стабильны, поэтому не требуют госпитализации в течение 10 лет после исходного уровня. Следовательно, несмотря на то, что эти пациенты являются «случаями», их можно обозначить как «контрольные». Несмотря на то, что наше исследование не предоставляет доказательств, подтверждающих это, тем не менее, будущее исследование могло бы сосредоточиться на том, действительно ли у некоторых из ложноположительных результатов была HF, но не требовалась ли госпитализация. Существуют также технические ограничения при внедрении нашей модели ЭКГ-ИИ в клиническую практику. Другим ограничением является определение HF на основе кодов ICD, при этом подтип HF по фракции выброса не был доступен. Аналогичную точность прогноза можно ожидать в когортах, где HF диагностируется / определяется таким же образом, как это было в ARIC. Кроме того, необходимы дальнейшие исследования, чтобы показать, насколько хорошо наша модель может прогнозировать HF с сохраненной фракцией выброса.

В заключение, использование только необработанных цифровых данных ЭКГ посредством глубокого обучения приводит к прогнозированию HF с умеренно высокой точностью, которая сопоставима с существующим калькулятором риска FHS.Такая оценка риска сердечной недостаточности на основе ЭКГ позволяет проводить предварительный скрининг больших групп пациентов путем анализа существующих ЭКГ на кардиосерверах, связанных с EHR. Этот предварительный осмотр может помочь выявить людей, которым может быть полезна более современная кардиологическая помощь. Кроме того, такие модели и технологии могут быть адаптированы к умным часам с функцией записи ЭКГ для облегчения удаленного скрининга.

Благодарности

Мы хотели бы поблагодарить консорциум по исследованию риска атеросклероза в сообществах за предоставленные данные для этого исследования (идентификатор предложения ARIC: 3678).Мы также благодарим сотрудников и участников исследования ARIC за их важный вклад.

Финансирование

Исследование риска атеросклероза в сообществах финансировалось полностью или частично за счет федеральных средств Национального института сердца, легких и крови, Национальных институтов здравоохранения, Департамента здравоохранения и социальных служб, в соответствии с контрактами №№. (HHSN268201700001I, HHSN268201700002I, HHSN268201700003I, HHSN268201700005I, HHSN268201700004I). Дополнительное финансирование было поддержано грантом K24HL148521.

Конфликт интересов: не объявлен.

Доступность данных

Данные, используемые в этом исследовании, могут быть получены непосредственно из исследования риска атеросклероза в сообществе через механизм предложения рукописи.

Список литературы

1

Akintoye

E

,

Briasoulis

A

,

Egbe

A

,

Orhurhu

V

,

Ibrahim

S

W

,

All

,

Nas

H

,

Levine

D

,

Weinberger

J

.

Влияние владения больницей на исходы госпитализации с сердечной недостаточностью

.

Am J Cardiol

2017

;

120

:

831

—

837

.2

Benjamin

EJ

,

Muntner

P

,

Alonso

A

,

Bittencourt 9000 9000 Call7

Карсон

AP

,

Чемберлен

AM

,

Чанг

AR

,

Cheng

S

,

Das

SR

,

Delling

FN

0004

, Delling

,

MSV

,

Ferguson

JF

,

Fornage

M

,

Jordan

LC

,

Khan

SS

,

Kissela

Knutson

BM4

TW

,

Lackland

DT

,

Lewis

TT

,

Lichtman

JH

,

Longenecker

900 04 CT

,

Loop

MS

,

Lutsey

PL

,

Martin

SS

,

Matsushita

K

,

Moran

AE

,

Mussolino

Mussolino

M

,

Pandey

A

,

Perak

AM

,

Rosamond

WD

,

Roth

GA

,

Sampson

0004 UKA

,

EB

,

Shah

SH

,

Spartano

NL

,

Stokes

A

,

Tirschwell

DL

,

Tsao

000

CW

000 MP4000 MP4000

000 MP4000 MP4000

000 MP4000

000 MP4000 LB

,

Wilkins

JT

,

Wong

SS

,

Virani

SS

; Комитет по статистике эпидемиологии и профилактики Американской кардиологической ассоциации и Подкомитет по статистике инсультов.

Статистика сердечных заболеваний и инсульта — обновление 2019 г .: отчет Американской кардиологической ассоциации

.

Тираж

2019

;

139

:

e56

—

e528

.3

Kannel

WB

,

D’Agostino

RB

,

Silbershatz

H

,

Belanger

,

Levy

D.

Профиль для оценки риска сердечной недостаточности

.

Arch Intern Med

1999

;

159

:

1197

–

1204

.4

Триполити

EE

,

Пападопулос

TG

,

Каранасиу

GS

,

00040004

0004

0004 Kalatzis

Bechlioulis

A

,

Ghimenti

S

,

Lomonaco

T

,

Bellagambi

F

,

Trivella

MG

,

Fuoc4000

MC

,

Naka

KK

,

Errachid

A

,

Fotiadis

DI

Вычислительный подход для оценки статуса пациентов с сердечной недостаточностью с использованием биомаркеров слюны

.

Annu Int Conf IEEE Eng Med Biol Soc

2017

;

2017

:

3648

—

3651

,5

Розамонд

WD

,

Чанг

PP

,

Baggett

C

,

Johnson 9000ton7

A

,

Shahar

E

,

Deswal

A

,

Heiss

G

,

Chambless

LE

Классификация сердечной недостаточности в исследовании риска атеросклероза в сообществах (ARIC)

: сравнение диагностических критериев.

Circ Heart Fail

2012

;

5

:

152

—

159

,6

Рахими

K

,

Bennett

D

,

Conrad

N

,

Williams

TM

,

,

Dwight

J

,

Woodward

M

,

Patel

A

,

McMurray

J

,

MacMahon

S

.

Прогнозирование риска у пациентов с сердечной недостаточностью: систематический обзор и анализ

.

JACC Heart Fail

2014

;

2

:

440

—

446

. 7

Ян

H

,

Negishi

K

,

Otahal

P

,

Marwick

TH.

Клиническое прогнозирование риска сердечной недостаточности: систематический обзор и метаанализ

.

Открытое сердце

2015

;

2

:

e000222

.8

Agarwal

SK

,

Chambless

LE

,

Ballantyne

CM

,

Astor

B

,

ng

Bert

,

Folsom

AR

,

He

M

,

Hoogeveen

RC

,

Ni

H

,

Quibrera

PM

,

SDR

Rossell

,

Шахар

E

,

Heiss

G

.

Прогнозирование сердечной недостаточности в общей практике: исследование риска атеросклероза в сообществах (ARIC)

.

Circ Heart Fail

2012

;

5

:

422

—

429

.9

Jalali

A

,

Lee

M.

Прогнозирование фибрилляции предсердий с остаточной сетью с использованием ограничений чувствительности и ортогональности

.

IEEE J Biomed Health Inform

2020

;

24

:

407

—

413

.10

Gunturkun

F

,

Davis

RL

,

Armstrong

GT

,

Jefferies

JL

,

Ness

KK

Green Ул.

Глубокое обучение для улучшенного прогнозирования кардиомиопатии с поздним началом у выживших после онкологических заболеваний в детстве: отчет Когорты жизни Сент-Джуда (SJLIFE)

.

J Clin Oncol

2020

;

38

:

10545

.11

Gunturkun

F

,

Akbilgic

O

,

Davis

RL

,

Armstrong

GT

,

000

000,

000 Howell

0007

,

Ness

KK

,

Karabayir

I

,

Lucas

Jr JT

,

Srivastava

DK

,

Hudson

MM

9000 Sol

,

Малруни

DA

.

Искусственный интеллект помогает прогнозировать кардиомиопатию с поздним началом у выживших после рака в детстве

.

JCO J Clin Cancer Inform

2021

;

4

:

459

—

468

.12

Рагхунатх

S

,

Уллоа Черна

AE

,

Jing

L

,

vanMaan4000 DP4000

000 DP4000,

000 DP

Hartzel

DN

,

Leader

JB

,

Kirchner

HL

,

Stumpe

MC

,

Hafez

A

,

Nemani

Nemani

Johnson

KW

,

Young

K

,

Good

CW

,

Pfeifer

JM

,

Patel

AA

,

Delisle

BP

D

,

Haggerty

CM

,

Fornwalt

BK

.

Прогноз смертности по данным напряжения электрокардиограммы в 12 отведениях с использованием глубокой нейронной сети

.

Nat Med

2020

;

26

:

886

—

891

.13

Rautaharju

PM

,

Prineas

RJ

,

Wood

J

,

Zhang

ZM Heiss

G.

Электрокардиографические предикторы впервые возникшей сердечной недостаточности у мужчин и женщин, не страдающих ишемической болезнью сердца (из исследования «Атеросклероз в сообществах [ARIC]»)

.

Am J Cardiol

2007

;

100

:

1437

—

1441

.14

DeLong

ER

,

DeLong

DM

,

Clarke-Pearson

DL.

Сравнение площадей под двумя или более коррелированными кривыми рабочих характеристик приемника: непараметрический подход

.

Biometrics

1988

;

44

:

837

—

845

.15

He

K

,

Zhang

X

,

Ren

S

,

Sun

J.

Глубокое остаточное обучение для распознавания изображений

.

arXiv

2015

; e-pring 1512.03385.16

Ke

G

,

Meng

Q

,

Finley

T

,

Wang

T

,

Ma

W

,

Ye

Q

,

Liu

TY

. LightGBM: высокоэффективное дерево решений для повышения градиента. In:

von

Luxburg U

,

Guyon

I

,

Bengio

S

,

Wallach

H

,

Fergus

R

(ред.).

Труды 31-й Международной конференции по системам обработки нейронной информации

.

Лонг-Бич, Калифорния, США

:

Curran Associates Inc

.;

2017

. р

3149

—

3157

.17

Рахими

K

,

Bennett

D

,

Conrad

N

,

Williams

TM

000

Basu J

,

Woodward

M

,

Patel

A

,

McMurray

J

,

MacMahon

S

.

Прогнозирование риска у пациентов с сердечной недостаточностью: систематический обзор и анализ

.

JACC Heart Fail

2014

;

2

:

440

—

446

0,18

Banerjee

A

,

Chen

S

,

Fatemifar

G

,

Zeina

M4000

M4000 RT Mielke

J

,

Gill

S

,

Kotecha

D

,

Freitag

DF

,

Denaxas

F

,

Hemingway

H

H

Машинное обучение для определения подтипа и прогнозирования риска сердечной недостаточности, острых коронарных синдромов и фибрилляции предсердий: систематический обзор валидности и клинической применимости

.

BMC Med

2021

;

19

:

1

—

14

,19

Хаммад

M

,

Maher

A

,

Wang

K

,

Jiang

F

,

Am

,

Am

,

Выявление аномальных состояний сердца по характеристикам сигналов ЭКГ

.

Измерение

2018

;

125

:

634

—

644

.20

Kwon

Jm

,

Kim

KH

,

Jeon

KH

,

Kim

HM

Lim

SM

,

Song

PS

,

Park

J

,

Choi

RK

,

Oh

BH

Разработка и проверка алгоритма глубокого обучения для идентификации сердечной недостаточности на основе электрокардиографии

.

Korean Circ J

2019

;

49

:

629

—

639

,21

Akbilgic

O

,

Butler

L

,

Karabayir

I

,

Chang

P

man

P

man Алонсо

A

,

Chen

L

,

Soliman

E

.

Применение искусственного интеллекта для ЭКГ повышает точность прогнозирования сердечной недостаточности

.

J Am Coll Cardiol

2021

;

77 (18_Suppl_1)

:

3045

.22

Guo

A

,

Pasque

M

,

Loh

F

,

Mann

DL

PR

,

Диагностика сердечной недостаточности, повторная госпитализация и прогноз смертности с использованием моделей машинного обучения и искусственного интеллекта

.

Curr Epidemiol Rep

2020

:

1

—

8

.23

Choi

D-J

,

Park

JJ

,

Ali

T

,

Lee

S.

Искусственный интеллект для диагностики сердечной недостаточности

.

NPJ Dig Med

2020

;

3

:

1

—

6

.24

Каннел

WB

,

Д’Агостино

RB

,

Зильбершац

H

,

WB

, Belanger

, Belanger

,

Леви

Д.

 

Profile for estimating risk of heart failure

.

Arch Intern Med

 

1999

;

159

:

1197

–

1204

.25

Tohyama

T

,

Funakoshi

K

,

Kaku

H

,

Enzan

N

,

Ikeda

M

,

Matsushima

S

,

Ide

T

,

Todaka

K

,

Tsutsui

H

.

Анализ данных платежных систем на основе искусственного интеллекта позволяет прогнозировать годовую смертность госпитализированных пациентов с сердечной недостаточностью

.

Eur Heart J

2020

;

41 (Дополнение_2)

. .26

Nakajima

K

,

Nakata

T

,

Matsuo

S

,

Doi

T

,

Jacobson

A.

Модель машинного обучения сердца и модель машинного обучения 9000ic4 смерть от отказа при применении 123I-метайодобензилгуанидина

.

евро Heart J Cardiovasc Imaging

2019

;

20 (Дополнение_3)

. .27

Verbrugge

FH

,

Reddy

YN

,

Attia

ZI

,

Friedman

PA

,

Noseworthy

PA

000 9 -0007aimene

S

,

Borlaug

BA

.

Искусственный интеллект предсказывает развитие фибрилляции предсердий на основании электрокардиограммы в 12 отведениях при сердечной недостаточности с сохраненной фракцией выброса

.

J Card Fail

2020

;

26

:

S76

.28

Adedinsewo

D

,

Carter

RE

,

Attia

Z

,

Johnson

P

,

000 Ducati

000,

000

Kashou 9000

,

Albus

A

,

Sheele

JM

,

Bellolio

F Friedman PA

,

Lopez-Jimenez

F

,

Noseworthy

PA

PA

PA

Алгоритм ЭКГ с использованием искусственного интеллекта для выявления пациентов с систолической дисфункцией левого желудочка, поступающих в отделение неотложной помощи с одышкой

.

Circ Arrhyth Electrophysiol

2020

;

13

:

e008437

,29

Kwon

Jm

,

Kim

KH

,

Akkus

Z

,

Jeon

KH

Park

,

Park .

Искусственный интеллект для выявления митральной регургитации с помощью электрокардиографии

.

Дж Электрокардиол

2020

;

59

:

151

—

157

.30

Grün

D

,

Rudolph

F

,

Gumpfer

N

,

Hannig

J4000 Von Jeinsen

B

,

Hamm

CW

,

Rieth

A

,

Guckert

M

,

Till

Keller Till

.

Выявление сердечной недостаточности по данным ЭКГ с помощью искусственного интеллекта — метаанализ

.

Front Dig Health

2020

;

2

:

67

.31

Сударшан

VK

,

Acharya

UR

,

Oh

SL

,

Adam

M

,

C

Ch

,

Чуа

KP

,

Тан

RS

.

Автоматическая диагностика застойной сердечной недостаточности с использованием комплексного вейвлет-преобразования двойного дерева и статистических функций, извлеченных из 2-х секундных сигналов ЭКГ

.

Comput Biol Med

2017

;

83

:

48

—

58

.32

Acharya

UR

,

Fujita

H

,

Oh

SL

,

Hagiwara

Y

Y

Y 9000 Adam

M

,

Tan

RS

Глубокая сверточная нейронная сеть для автоматической диагностики застойной сердечной недостаточности с использованием сигналов ЭКГ

.

Appl Intell

2019

;

49

:

16

—

27

.33

Lih

OS

,

Джахмуна

V

,

Сан

TR

,

Чаччава

,

, Чаччава

, EJ Tanabe

M

,

Kobayashi

M

,

Faust

O

,

Acharya

UR

Комплексная электрокардиографическая диагностика на основе глубокого обучения

.

Artif Intell Med

2020

;

103

:

101789

.34

Akbilgic

O

,

Howe

JA.

Распознавание символьных образов для последовательных данных

.

Seq Anal

2017

;

36

:

528

—

540

.35

Mahajan

R

,

Viangteeravat

T

,

Akbilgic

O.

с помощью вероятностного распознавания сердечной недостаточности улучшенного распознавания застойной сердечной недостаточности метрики изменчивости ставок

.

Int J Med Inform

2017

;

108

:

55

—

63

.36

Rautaharju

PM

,

Zhang

ZM

,

Haisty

WK

Jr, 9000 AM4 Prineas 9000

0007 9000

,

Розамонд

WD

,

Солиман

EZ

.

Электрокардиографические предикторы сердечной недостаточности у мужчин и женщин, не страдающих сердечно-сосудистыми заболеваниями (из исследования риска атеросклероза в сообществах [ARIC])

.

Am J Cardiol

2013

;

112

:

843

—

849

.37

Zhang

ZM

,

Rautaharju

PM

,

Soliman

EZ

,

Manson

, Manson

, Manson

Перес

M

,

Vitolins

M

,

Prineas

RJ

.

Различные модели блокады ножек пучка Гиса и риск сердечной недостаточности в исследовании

Инициативы по охране здоровья женщин (WHI).

Circ Heart Fail

2013

;

6

:

655

—

661

.38

Zhang

ZM

,

Rautaharju

PM

,

Prineas

RJ

,

Loehr

Loehr

Солиман

ЭЗ.

Полезность электрокардиографических углов QRS / T с блокадой ножки пучка Гиса или без нее для прогнозирования сердечной недостаточности (из исследования риска атеросклероза в сообществах)

.

Am J Cardiol

2014

;

114

:

412

—

418

.39

Zhang

ZM

,

Rautaharju

PM

,

Prineas

RJ

,

Loehr

Loehr

Солиман

ЭЗ.

Дефекты желудочковой проводимости и риск сердечной недостаточности в исследовании «Риск атеросклероза в сообществах» (ARIC)

.

J Card Fail

2015

;

21

:

307

—

312

.40

Almahmoud

MF

,

O’Neal

WT

,

Qureshi

W

,

Soliman

EZ.

Сравнение электрокардиографической и эхокардиографической гипертрофии левого желудочка в прогнозировании застойной сердечной недостаточности у пожилых людей

.

Clin Cardiol

2015

;

38

:

365

—

370

.41

O’Neal

WT

,

Mazur

M

,

Bertoni

AG

,

Bluemke

DA4 9000 Al

DA4

MH

,

Lima

JAC

,

Kitzman

D

,

Soliman

EZ

.

Электрокардиографические предикторы сердечной недостаточности со сниженной или сохраненной фракцией выброса: многоэтническое исследование атеросклероза

.

J Am Heart Assoc

2017

;

6

:

e006023

.42

O’Neal

WT

,

Sandesara

PB

,

Samman-Tahhan

A

,

Kelli

9000, Ham4

9000, Ham4 9000, Ham4 9000 Солиман

ЭЗ.

Частота сердечных сокращений и риск неблагоприятных исходов у пациентов с сердечной недостаточностью с сохраненной фракцией выброса

.

Eur J Предыдущий Cardiol

2017

;

24

:

1212

–

1219

.43

Qureshi

WT

,

Zhang

ZM

,

Chang

PP

,

DWG

000

WD4 WD4 Wagenknecht

LE

,

Soliman

EZ

.

Тихий инфаркт миокарда и долгосрочный риск сердечной недостаточности: исследование ARIC

.

J Am Coll Cardiol

2018

;

71

:

1

—

8

.44

Ильханов

L

,

Liu

K

,

Ning

H

,

Назарян

S

DA

,

DA Солиман

EZ

,

Ллойд-Джонс

DM

.

Связь продолжительности QRS со структурой и функцией левого желудочка и риском сердечной недостаточности у людей среднего и пожилого возраста: мультиэтническое исследование атеросклероза (MESA)

.

евро J Heart Fail

2012

;

14

:

1285

—

1292

.45

Kamaleswaran

R

,

Mahajan

R

,

Akbilgic

О.

Надежная глубокая классификация сверточной нейросети с использованием электрокардиограммы в одном отведении переменной длины

.

Physiol Meas

2018

;

39

:

035006

.46

Zhu

H

,

Cheng

C

,

Инь

H

,

Li

X

,

Zuo 9000 DUO

,

Lin

F

,

Wang

J

,

Zhou

B

,

Li

Y

,

Hu

S

,

Xiong

Y ,

Ван

G

,

Ян

X

,

юаней

Y

.

Автоматическая многоабонентская электрокардиограмма для диагностики нарушений сердечного ритма или проводимости с глубоким обучением: когортное исследование

.

Lancet Digit Health

2020

;

2

:

e348

—

e357

.47

Adedinsewo

D

,

Carter

RE

,

Attia

Z

,

Johnson

P4000

P4000 Dugan

JL

,

Albus

M

,

Sheele

JM

,

Bellolio

F

,

Friedman

PA

,

Lopez-9000

000 PA

Алгоритм ЭКГ с использованием искусственного интеллекта для выявления пациентов с систолической дисфункцией левого желудочка, поступающих в отделение неотложной помощи с одышкой

.

Circ Arrhythm Electrophysiol

2020

;

13

:

e008437

.

© Автор (ы) 2021. Опубликовано Oxford University Press от имени Европейского общества кардиологов.

Это статья в открытом доступе, распространяемая в соответствии с условиями некоммерческой лицензии Creative Commons Attribution (https: // creativecommons.org / licenses / by-nc / 4.0 /), который разрешает некоммерческое повторное использование, распространение и воспроизведение на любом носителе при условии правильного цитирования оригинальной работы. По вопросам коммерческого повторного использования обращайтесь по адресу [email protected].

Уверенность врачей в искусственном интеллекте: мобильный онлайн-опрос

Основные результаты и сравнение с предыдущей работой

Насколько нам известно, это исследование является первым исследованием отношения врачей к ИИ. Результаты этого опроса показывают, что признание ИИ студентами-медиками и врачами низкое.Однако они считали ИИ полезным в области медицины. Врачи и студенты-медики считали, что ИИ будет наиболее полезным для постановки диагноза и разработки лечения в будущем. Большинство корейских врачей не верят, что искусственный интеллект их заменит.

Точная медицина — это «новый подход к лечению и профилактике заболеваний, который учитывает индивидуальную изменчивость генов, окружающей среды и образа жизни каждого человека» [35]. Такой подход позволяет врачам выбирать стратегии лечения и профилактики для своих пациентов.Это требует значительных вычислительных мощностей и алгоритмов, которые могут учиться сами по себе с беспрецедентной скоростью. Следовательно, без ИИ не может быть точной медицины. В нашем исследовании большинство врачей ожидали, что ИИ будет полезен при постановке диагноза и при планировании лечения, предоставляя последние клинически значимые данные.

Мы спросили участников о диагностическом превосходстве ИИ по сравнению с врачами. Менее половины участников согласились с тем, что ИИ будет лучше в диагностике.В анализе подгрупп врачи, занимающие академические должности, и офисные клиницисты, которые имели больший клинический опыт, с меньшей вероятностью, чем студенты-медики и обучающиеся врачи, согласились с диагностическим преимуществом ИИ. Кроме того, опытные врачи (имеющие лицензию более 10 лет) с меньшей вероятностью соглашались с тем, что ИИ обладает превосходными диагностическими возможностями. Наши вопросы касались общей клинической практики. Хотя среди респондентов были патологи и радиологи, их было относительно немного (27/669, 4.0%).

В отличие от нашего исследования, недавние исследования показали, что технология распознавания изображений может делать прогнозы или распознавать заболевания так же эффективно, как и врачи, или даже лучше [17,36]. Лю и его коллеги [36] из Google использовали технику искусственного интеллекта, называемую машинным обучением сверточной нейронной сети, и продемонстрировали, что ИИ достигает значений площади под кривой более 97% как на тестовом наборе Camelyon16 (обнаружение метастазов лимфатических узлов), так и на независимый набор из 110 слайдов по сравнению с патологом-человеком, который набрал 73.2% чувствительность. Обнаружение метастазов в настоящее время выполняется патологами при изучении больших пространств биологической ткани. Этот процесс трудоемок и подвержен ошибкам. Однако машинное обучение ИИ экономит время и снижает вероятность ошибок [37]. В случае радиологии и патологии некоторые полагают, что искусственный интеллект заменит врачей, основываясь на диагностическом превосходстве [9,25,38]. Кроме того, ИИ может извлекать тонкую информацию о тканях, невидимых человеческому глазу, и обрабатывать эти данные быстро и точно [39,40].

Как правило, искусственный интеллект используется в визуализации и патологии и считается благоприятным в этих областях [41-45]. Патология и радиология имеют общую судьбу как «специалисты в области информации» в отношении изображений и патологии [38]. Однако мы не исследовали причины их выбора. Они могут полагать, что технический прогресс в области искусственного интеллекта не достигнет уровня человеческого интеллекта. Также возможно, что корейские врачи не изучили последние данные по ИИ в области медицины.

В нашем исследовании 35,4% участников согласились с тем, что врачей заменит ИИ. Это не согласуется с предыдущими исследованиями ИИ. Опрос Pew Research Center, проведенный в 2017 году с 4135 участниками, показал, что общественность примерно в два раза чаще выражает беспокойство (72%), чем энтузиазм (33%) по поводу будущего, в котором роботы и компьютеры смогут выполнять многие человеческие работы [ 46]. В отличие от других профессий, врачи считали, что с заменой врачей будет сложно. Криттанавонг [40] утверждал, что искусственный интеллект пока не может заменить врачей у постели больного, учитывая его ограничения.Во-первых, ИИ не может вести беседу с пациентами на высоком уровне, чтобы завоевать их доверие, успокоить их или выразить сочувствие [47]. Все это важные части взаимоотношений врача и пациента. Во-вторых, хотя датчики ИИ могут собирать ценную информацию для помощи в постановке диагноза, врачи все равно будут необходимы для интерпретации в неоднозначных ситуациях, чтобы объединить истории болезни, провести медицинские осмотры и облегчить дальнейшее обсуждение [40]. Не исключено, что многие корейские врачи верят в это интуитивно.

Скептицизм может возникнуть при применении ИИ в медицине. Необходимо определить правила и принципы применения ИИ. ИИ может спровоцировать этические и юридические проблемы в медицине. Регулирующий орган должен контролировать алгоритмы ИИ в целях общественной безопасности. Этот вопрос потребует обсуждения с социальной точки зрения.

Процент ответивших на наш опрос составил 22,3%, что кажется более низким показателем. Однако предыдущие исследования показали, что электронные методы часто имеют более низкий процент ответов, чем опросы, рассылаемые по почте [48-50].Интернет-опросы продемонстрировали более низкий процент ответов (45%), чем почтовые вопросники (58%) (абсолютная разница 13%, 95% доверительный интервал 4-22%, P <0,01) [48]. Кокрановский обзор рандомизированных контролируемых испытаний выявил многочисленные методы увеличения числа ответов как для почтовых, так и для электронных опросов [51]. Что касается этого исследования, мы сделали анкету короткой, использовали простой заголовок и указали крайний срок. Однако не было никаких денежных стимулов, которые являются одним из основных факторов, увеличивающих количество откликов.Кроме того, мы не могли предоставить предварительное уведомление, отправить напоминание или связаться с нами, потому что мы не могли отличить тех, кто уже ответил, и тех, кто не ответил.

Продукты

Бензин автомобильный неэтилированный АИ-95 экологического класса К4 (АИ-95-К4)

ГОСТ 32513-2013 «Топлива моторные.
Бензин неэтилированный»

.

Бензин автомобильный неэтилированный АИ-95 экологического класса К5 (АИ-95-К5)

ГОСТ 32513-2013 «Топлива моторные.Бензин неэтилированный «

»

Бензин автомобильный неэтилированный АИ-92 экологического класса К3 (АИ-92-К3)

ГОСТ 32513-2013 «Топлива моторные. Бензин неэтилированный»

.

Бензин неэтилированный АИ-92-К4, класс бензина 4

ГОСТ 32513-2013 «Топлива моторные.Неэтилированный бензин. Технические характеристики »

Бензин автомобильный неэтилированный АИ-92 экологического класса К5 (АИ-92-К5)

ГОСТ 32513-2013 «Топлива моторные. Бензин неэтилированный»

.

Бензин автомобильный неэтилированный АИ-80 экологического класса К4 (АИ-80-К4)

ГОСТ 32513-2013 «Топлива моторные.Бензин неэтилированный «

»

Бензин автомобильный неэтилированный АИ-80 экологического класса К3 (АИ-80-К3)

ГОСТ 32513-2013 «Топлива моторные. Бензин неэтилированный»

.

Бензин автомобильный неэтилированный АИ-80 экологического класса К5 (АИ-80-К5)

ГОСТ 32513-2013 «Топлива моторные.Бензин неэтилированный «

»

Бензин экспортный неэтилированный Нормаль-80 (АИ-80-К2)

СТО 05034205-004-2012 с изм.

No related posts.