vestnikmephiВестник НИЯУ МИФИVestnik natsional'nogo issledovatel'skogo yadernogo universiteta "MIFI"2304-487XNational Research Nuclear University "MEPhI"10.26583/vestnik.2025.6.9PQVMTBvestnikmephi-462Research ArticleКОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ ФИЗИЧЕСКИХ И ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВCOMPUTER SIMULATION OF PHYSICAL AND TECHNOLOGICAL PROCESSESСхемы интерполяции оптимальных значений параметров вентиляционного потока в зависимости от значений показателей пациента при искусственной вентиляции легкихTwo schemes for interpolation of optimal values of ventilation flow parameters depending on the values of patient indicators during artificial ventilation of the lungsКлимановС. Г.KlimanovS. G.

к.ф.-м.н., доцент,

кафедра Прикладной математики и информатики, доцент

s.klimanov@mephi.ruКряневА. В.KryanevA. V.

д.ф.-м.н., профессор

кафедра Прикладной математики и информатики, профессор

avkryanev@mephi.ruКотляровА. А.KotlyarovA. A.

д. мед. н., профессор,

декан медицинского факультета. 

AAKotlyarov@mephi.ruСмирновД. С.SmirnovD. S.

доцент, к.э.н

кафедра Прикладной математики и информатики, доцент.

dssmirnovv@mephi.ruСопенкоИ. В.SopenkoI. V.

ординатор-кардиолог отделения биотехнологий медицинского факультета

sopenko2011@mail.ruТрикозоваВ. А.TrikozovaV. A.

кафедра Прикладной математики и информатики, аспирант

VATrikozova@mephi.ruЦареваД. Д.TsarevaD. D.

кафедра Прикладной математики и информатики, аспирант

ddtsareva@yandex.ruНациональный исследовательский ядерный университет “МИФИ”РоссияNational Research Nuclear University “MEPhI”Russian FederationНациональный исследовательский ядерный университет “МИФИ”; Объединённый институт ядерных исследованийРоссияNational Research Nuclear University “MEPhI”; Joint Institute for Nuclear ResearchRussian FederationОбнинский институт атомной энергетики — филиал федерального государственного автономного образовательного учреждения высшего образования «Национальный исследовательский ядерный университет “МИФИ”»РоссияObninsk Institute for Nuclear Power EngineeringRussian Federation202523112025146544552Copyright © Климанов С.Г., Крянев А.В., Котляров А.А., Смирнов Д.С., Сопенко И.В., Трикозова В.А., Царева Д.Д., 20252025Климанов С.Г., Крянев А.В., Котляров А.А., Смирнов Д.С., Сопенко И.В., Трикозова В.А., Царева Д.Д.Klimanov S.G., Kryanev A.V., Kotlyarov A.A., Smirnov D.S., Sopenko I.V., Trikozova V.A., Tsareva D.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnikmephi.elpub.ru/jour/article/view/462

В статье на основе базы исходных данных успешного лечения пациентов предлагаются две схемы интерполяции оптимальных значений параметров вентиляционного потока при искусственной вентиляции легких (ИВЛ) рассматриваемого пациента. На математическом уровне выбор оптимальных значений параметров вентиляционного потока в зависимости от значений показателей текущего состояния пациента является задачей многомерного нелинейного регрессионного анализа.  Первая схема основана на применении математического аппарата искусственных нейронных сетей. Вторая схема основана на применении математического аппарата метрического анализа, созданного на кафедре Прикладной математики МИФИ и в настоящее время используемого при математической обработке данных и решения задач оптимизации в различных прикладных областях. Реализация обеих схем позволяет использовать накопленные данные по успешному лечению пациентов на аппаратах ИВЛ аналогичных заболеваний легких для рассматриваемого конкретного пациента.  Обе схемы позволяют в процессе лучения пациента адаптировать оптимальные значения параметров вентиляционного потока к текущим показаниям пациента, подключенного к аппарату ИВЛ. В дальнейшем планируется совместное объединенное использование этих двух схем интерполяции для получения более точного и надежного конечного результата решения вышеуказанной задачи оптимальной интерполяции.

This article, based on a database of initial data on successful patient treatment, proposes two schemes for interpolating optimal ventilation flow parameter values during artificial lung ventilation (ALV) for a given patient. At the mathematical level, selecting optimal ventilation flow parameter values based on the patient's current condition is a task of multivariate nonlinear regression analysis. The first scheme is based on the mathematical apparatus of artificial neural networks. The second scheme is based on the mathematical apparatus of metric analysis, developed at the Department of Applied Mathematics at MEPhI and currently used in mathematical data processing and optimization problems in various applied fields. The implementation of both schemes allows for the use of accumulated data on the successful treatment of patients with similar lung diseases on ventilators for the specific patient in question. Both schemes allow for the adaptation of optimal ventilation flow parameter values to the patient's current condition during treatment. In the future, it is planned to jointly use these two interpolation schemes to obtain a more accurate and reliable final result for solving the above-mentioned optimal interpolation problem.

искусственная вентиляция легкихпоказания пациентовинтерполяцияоптимальные значения параметров вентиляционного потокаartificial ventilation of the lungspatient indicationsinterpolationoptimal values of ventilation flow parameters.Исследование выполнено при поддержке гранта Российского научного фонда №25-21-20143, https://rscf.ru/project/25-21-20143/.The study was supported by a grant from the Russian Science Foundation No. 25-21-20143, https://rscf.ru/project/25-21-20143/.ReferencesЧурсин В.В. Искусственная вентиляция лёгких: Учебно-методическое пособие. Алматы, 2008. 55 с. ISBN 9965-874-64-6.Chursin V.V. Iskusstvennaya ventilyaciya lyogkih: Uchebno-metodicheskoe posobie. [Artificial ventilation of the lungs: Textbook and methodological manual]. Almaty, 2008. 55 p. ISBN 9965-874-64-6.Кузьков В.В., Суборов Е.В., Фот Е.В., Родионова Л.Н., Соколова М.М., Лебединский К.М., Киров М.Ю. Послеоперационные дыхательные осложнения и ОРДС легче предупредить, чем лечить //. Анестезиология и реаниматология, 2016. № 61(6). C.461-468.Kuzkov V.V., Suborov E.V., Fot E.V., Rodionova L.N., Sokolova M.M., Lebedinskij K.M., Kirov M.Yu. Posle-operacionnye dyhatel'nye oslozhneniya i ORDS legche predupredit', chem lechit' [Post-operative respiratory complications and ARDS are easier to prevent than to treat]. Anesteziologiya i reanimatologiya, 2016. No.61(6). Pp.461-468. (in Russian)Патент RU2003121722A. Способ проведения длительной искусственной вентиляции легких. Google Patents, 2019. https://patents.google.com/patent/RU2003121722A/ruPatent RU2003121722A. Sposob provedeniya dlitel'noj iskusstvennoj ventilyacii legkih [Method for Performing Long-Term Artificial Lung Ventilation]. Google Patents. 2019. https://patents.google.com/patent/RU2003121722A/ruLi M., Jiang Y., Zhang Y., Zhu H. Medical image analysis using deep learning algorithms // Frontiers in Public Health,2023. V.11. 1273253. DOI: 10.3389/fpubh.2023.1273253.Li M., Jiang Y., Zhang Y., Zhu H. Medical image analysis using deep learning algorithms. Frontiers in Public Health,2023. Vol.11. 1273253. DOI: 10.3389/fpubh.2023.1273253.Zhang L., Zhu E., Shi J., Wu X., Cao S., Huang S., Ai Z., Su J. Individualized treatment recommendations for patients with locally advanced head and neck squamous cell carcinoma utilizing deep learning // Front. Med., 2025. V.11. 1478842. DOI: 10.3389/fmed.2024.1478842.Zhang L., Zhu E., Shi J., Wu X., Cao S., Huang S., Ai Z., Su J. Individualized treatment recommendations for patients with locally advanced head and neck squamous cell carcinoma utilizing deep learning. Front. Med., 2025. Vol.11. 1478842. DOI: 10.3389/fmed.2024.1478842.Perkins S. W., Muste J. C., Alam T., Singh R. P. Improving Clinical Documentation with Artificial Intelligence: A Systematic Review // Perspectives in health information managemen, 2024. V.21(2), 1d. PMCID: PMC11605373Perkins S. W., Muste J. C., Alam T., Singh R. P. Improving Clinical Documentation with Artificial Intelligence: A Systematic Review. Perspectives in health information management, 2024. Vol.21(2), 1d. PMCID: PMC11605373Крянев А.В., Лукин Г.В., Удумян Д.К. Метрический анализ и обработка данных. М.: Физматлит, 2012. 308 с.Kryanev A.V., Lukin G.V., Udumyan D.K. Metricheskij analiz i obrabotka dannyh [Metric analysis and data processing] Moscow, Fizmatlit Publ., 2012. 308 p.Kryanev A.V., Udumyan D.K. Metric analysis, properties and applications as a tool for interpolation // International Journal of Mathematical Analysis, 2014. V. 8 (45). P. 2221-2228. DOI:10.12988/ijma.2014.48252Kryanev A.V., Udumyan D.K. Metric analysis, properties and applications as a tool for interpolation. International Journal of Mathematical Analysis, 2014. Vol. 8 (45). Pp. 2221-2228. DOI:10.12988/ijma.2014.48252Kryanev A.V., Udumyan D. K. Metric Analysis, Properties and Applications as a Tool for Forecasting // International Journal of Mathematical Analysis, 2014. V. 8. № 60. P. 2971 – 2978. DOI: 10.12988/ijma.2014.411341Kryanev A.V., Udumyan D. K. Metric Analysis, Properties and Applications as a Tool for Forecasting. International Journal of Mathematical Analysis, 2014. Vol. 8. No. 60. Pp. 2971 – 2978. DOI: 10.12988/ijma.2014.411341Ivanov V.V. Kryanev A.V., Udumyan D.K., Lukin G.V.. Metric Analysis Approach for Interpolation and Forecasting of Time Processes // Applied Mathematical Sciences, 2014. V. 8. № 22. P. 1053 – 1060. DOI: 10.12988/ams.2014.312727Ivanov V.V. Kryanev A.V., Udumyan D.K., Lukin G.V. Metric Analysis Approach for Interpolation and Forecasting of Time Processes. Applied Mathematical Sciences, 2014. Vol. 8. No. 22. Pp. 1053 – 1060. DOI: 10.12988/ams.2014.312727Климанов С.Г., Котляров А.А., Крянев А.В., др. Сравнение методов выявления аномальных выбросов в исходных данных и их применение при обработке данных искусственной вентиляции легких // Вестник НИЯУ МИФИ, 2025. T.14(1). C.37-49. DOI: 10.26583/vestnik.2025.1.4.Klimanov S.G., Kotlyarov A.A., Kryanev A.V., et al. Sravnenie metodov vyyavleniya anomal'nyh vybrosov v iskhodnyh dannyh i ih primenenie pri obrabotke dannyh iskusstvennoj ventilyacii legkih [Comparison of methods for identifying abnormal outliers in source data and their application in processing artificial lung ventilation data]. Vestnik NIYaU MIFI, 2025. Vol.14(1). Pp.37-49. (in Russian) DOI: 10.26583/vestnik.2025.1.4.Tavoosi J., Zhang Ch., Mohammadzadeh A., Mobayen S., Mosavi A. H. Medical Image Interpolation Using Recurrent Type-2 Fuzzy Neural Networks // Frontiers in Neuroinformatics, 2021. V.15. 667375. doi: 10.3389/fninf.2021.667375Tavoosi J., Zhang Ch., Mohammadzadeh A., Mobayen S., Mosavi A. H. Medical Image Interpolation Using Recurrent Type-2 Fuzzy Neural Networks. Frontiers in Neuroinformatics, 2021. Vol.15. 667375. DOI: 10.3389/fninf.2021.667375Ваганов С. Е. Адаптивный нейросетевой метод построения интерполяционной формулы для удвоения размера изображения // Компьютерная оптика, 2019. Т. 43, № 4. С. 627-631. DOI: 10.18287/2412-6179-2019-43-4-627-631.Vaganov S. E. Adaptivnyj nejrosetevoj metod postroeniya interpolyacionnoj formuly dlya udvoeniya razmera izobrazheniya [An adaptive neural network method for constructing an interpolation formula for doubling the image size]. Komp'yuternaya optika, 2019. Vol. 43, no. 4. pp. 627-631. DOI: 10.18287/2412-6179-2019-43-4-627-631.Gambini L., Gabbett C., Doolan L. , Jones L., et al. Video frame interpolation neural network for 3D tomography across different length scales // Nature Communications, 2024. V.15 (1). 7962. DOI: 10.1038/s41467-024-52260-2.Gambini L., Gabbett C., Doolan L., Jones L., et al. Video frame interpolation neural network for 3D tomography across different length scales. Nature Communications, 2024. Vol.15 (1). 7962. DOI: 10.1038/s41467-024-52260-2.Hariharan S., Karnan H., Maheswari D.U. Automated mechanical ventilator design and analysis using neural network // Scientific Reports, 2025. V.15. 3212. DOI: 10.1038/s41598-025-87946-0.Hariharan S., Karnan H., Maheswari D.U. Automated mechanical ventilator design and analysis using neural network. Scientific Reports, 2025. Vol.15. 3212. DOI: 10.1038/s41598-025-87946-0.Peine A., Hallawa A., Bickenbach J., et al. Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care // NPJ Digital Medicine, 2021. V.4 (1). DOI: 10.1038/s41746-021-00388-6.Peine A., Hallawa A., Bickenbach J., et al. Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care. NPJ Digital Medicine, 2021. Vol.4 (1). DOI: 10.1038/s41746-021-00388-6.Diao S. Changsong W., Junyu W., Yizhou Li. Ventilator pressure prediction using recurrent neural network. DOI: 10.48550/arXiv.2410.06552.Diao S. Changsong W., Junyu W., Yizhou Li. Ventilator pressure prediction using recurrent neural network. DOI: 10.48550/arXiv.2410.06552.Bakkes T., Diepen A. van, Bie A.De., Montenij L. Automated detection and classification of patient–ventilator asynchrony by means of machine learning and simulated data // Computer Methods and Programs in Biomedicine, 2023. V.230 (6). 107333 . DOI: 10.1016/j.cmpb.2022.107333.Bakkes T., Diepen A. van, Bie A.De., Montenij L. Automated detection and classification of patient–ventilator asynchrony by means of machine learning and simulated data. Computer Methods and Programs in Biomedicine, 2023. Vol.230 (6). 107333 . DOI: 10.1016/j.cmpb.2022.107333.

The authors declare that there are no conflicts of interest present.