The value of spectral analysis of cough sounds in the diagnosis of pneumonia

Full Text

Актуальность. Пневмонии – группа различных по этиологии, патогенезу, морфологической характеристике острых инфекционных, преимущественно бактериальных заболеваний, характеризующихся очаговым поражением респираторных отделов легких с обязательным наличием внутриальвеолярной экссудации. [1]. Внебольничная пневмония (ВП) является глобальной проблемой здравоохранения и одной из основных причин смерти и госпитализаций в структуре заболеваний органов дыхания, как в России, так и за рубежом. Среди причин смертности от болезней органов дыхания в РФ в 2019 г. на долю пневмоний приходилось 41,9%; смертность в 2022 г. составила 9,6 на 100 тыс. взрослого населения [1, 2]. Показатель заболеваемости внебольничными пневмониями в России в 2023 году вырос на 22% по сравнению с предыдущим годом и составил 498,02 на 100 тыс. населения, в том числе бактериальной пневмонией – 77,43 на 100 тыс. населения, вирусной этиологией - 26,98 на 100 тыс. [3]. В США ежегодно регистрируется 5-6 млн. случаев ВП, из них >1,5 млн. больных нуждаются в госпитализации [31]. Общая смертность среди пациентов, госпитализированных с ВП в отделения интенсивной терапии, составила 7,3%, а среди больных с тяжелым течением заболевания (индекс тяжести пневмонии (PSI) 4-го и 5-го классов) – 50,6% [3] Averjanovaitė V. C. выявила следующие независимые факторы риска развития тяжелых осложнений на ранней стадии ВП: сопутствующая ХОБЛ (ОР=1,5; 95% ДИ 1,1-2,0), множественные сопутствующие заболевания (ОР=1,7; 95% ДИ 1,1-2,9), наличие инфильтративных изменений по результатам рентгенографии органов грудной клетки в двух и более долях лёгких (ОР=1,7; 95% ДИ 1,1-2,4) [5].

Клиническая картина пневмонии в зависимости от этиологии, объема, локализации поражения и возраста пациента, может варьировать от бессимптомного течения заболевания до развития тяжелых осложнений, таких как острая дыхательная недостаточность, септический шок, приводящих к летальному исходу. Наиболее распространенными симптомами пневмонии являются остро (≤7 дней) возникшие кашель, вызывающий выраженный дискомфорт у пациентов, лихорадка, боли в груди, повышенное потоотделение и одышка [6, 7].

У взрослых пневмония протекает с кашлем примерно в 92% случаев. Кашель с выделением мокроты является одним из наиболее распространенных симптомов пневмонии и встречается в 70-80% случаев при бактериальной этиологии заболевания [18, 19, 31, 34]. Пневмонии же вирусной этиологии чаще проявляются сухим кашлем [8, 31].

Кашель – это многогранный, неспецифичный симптом, который наблюдается при ряде заболеваний, таких как муковисцидоз, пневмония, ХОБЛ, бронхит и гастроэзофагиальная рефлюксная болезнь (ГЭРБ) [9, 10, 11]. Физиологически кашель представляет собой защитный рефлекторный акт, выполняющий две основные функции: предотвращение попадания инородных агентов в нижние дыхательные пути и их удаление. [44]

Нормальная последовательность кашлевого акта состоит из фаз: открытия голосовой щели во время медленной фазы вдоха - инспираторной, фазы сжатия с закрытой голосовой щели - компрессионной и быстрого открытия голосовой щели во время фазы выдоха - экспираторной [24].

Кашель является часто встречающимся симптомом у пациентов с пневмонией и требует комбинированной субъективной и объективной оценки [17]. С целью оценки влияния кашля на качество жизни могут быть использованы опросники Лестерского университета по кашлю LCQ (Leicester Cough Questionnaire) и Specific Quality of Life Questionnaire (CQLQ), а для оценки выраженности кашля может быть использована визуально-аналоговая шкала (ВАШ) [17]. Объективные методы оценки кашля в основном направлены на мониторинг частоты и интенсивности кашля, оценку чувствительности кашлевого рефлекса [12], выявление спектральных особенностей в звуках кашля [10].

Одним из объективных показателей для оценки кашля– является звук. Lee K.K. с соавт. в исследовании определили, что звуки кашля состоят из трех фаз: «взрывной» (explosive), «промежуточной» (intermediate) и «звонкой» (voiced) (фазы 1, 2 и 3 соответственно). Они соответствуют открытию голосовой щели, стационарному потоку и прерыванию воздушного потока из-за закрытия голосовой щели соответственно. Фаза 3 присутствует не всегда [28]. Спектральный анализ звуков кашля с использованием методов обработки сигналов может быть вспомогательным экспресс-методом диагностики и дифференциальной диагностики продуктивного и сухого кашля и позволяет идентифицировать БА, ХОБЛ, COVID-19, коклюш и пневмонию и имеет важное прогностическое значение [29, 30].

Материал и методы исследования. В ходе подготовки настоящего обзора был произведён систематический обзор более 80 публикаций, посвященных изучению возможности диагностики пневмонии и других респираторных заболеваний по спектральному анализу звуков кашля. В качестве источников информации использовались данные, опубликованные в отечественных и зарубежных рецензируемых изданиях, представленных в базах данных eLibrary и PubMed за период 2000-2024 гг.

Критерии включения публикаций в обзор: публикации, содержащие информацию о методах регистрации и спектрального анализа звуков кашля у больных с подтвержденной пневмонией различной этиологии и пациентов с другими респираторными заболеваниями; результаты исследований, включающие не менее 50 пациентов с подтвержденной пневмонией; исследования, посвященные применению искусственного интеллекта, алгоритмов машинного обучения и нейросетей в анализе звуков кашля.

Полученные результаты и их обсуждение. Исследования, посвященные использованию анализа звуков кашля для диагностики респираторных заболеваний, можно условно разделить на две категории. Первая из них направлена на определение звукового сигнала как кашель. Вторая категория ориентирована на определение по анализу кашля респираторного заболевания и идентификацию типов кашля, таких как влажный или сухой [30].

Для объективного исследования кашля в 1988 году на кафедре факультетской терапии ВГМУ им. Н.Н. Бурденко профессором В.М. Провоторовым совместно с инженерами опытно-конструкторского бюро моторостроения было разработано устройство для мониторирования кашлевых толчков - туссограф ИКТ-1. Метод регистрации общего количества кашлевых толчков в течение 8 часов получил название туссографии [32]. Спектральная туссофонобарография (СТФБГ) перспективный, неинвазивный и точный метод регистрации и анализа звука кашля, который позволяет оценивать его продолжительность и частотное распределение звуковой энергии. Анализ звука кашля выполняют в автоматизированном режиме с регистрацией как отдельных кашлевых толчков, так и их каскадов. Сигнал кашля преобразуется и анализируется компьютером с помощью специально разработанной программы [33]. На кафедре факультетской терапии ВГМУ им. Н.Н. Бурденко СТФБГ изучалась как метод диагностики БА [20], ХОБЛ [21], COVID-19 [22], ГЭРБ [23].

Достижения в области искусственного интеллекта (ИИ) привели к развитию разработок, в которых пытались классифицировать респираторные заболевания по звукам кашля. Известны работы по диагностике пневмонии у детей [35], БА [36], острого ларинготрахеобронхита (croup) [37], коклюша [38], острого бронхита [39].

Ghrabli S. и др. с целью диагностики респираторных заболеваний, таких как COVID-19, БА и пневмония идентифицировали характерные для каждого заболевания низко- и высокочастотные диапазоны звуков кашля. В ходе исследования были изучены аудиозаписи звуков кашля у 568 пациентов, из них 397 пациентов с положительным результатом теста на COVID-19, 19 - с БА и положительным результатом теста на COVID-19, 11 – с пневмонией и положительным результатом теста на COVID-19 и 171 пациент с отрицательным результатом теста на COVID-19, из них 26 пациентов с БА, 18 с пневмонией и проанализированы различия между кашлем при данных заболеваниях. Анализ звука включал в себя расчет распределения PSD (Power spectral density) спектральной плотности мощности звуков кашля, RP (relative power) относительной мощности сигналов и применение сложных алгоритмов машинного обучения - LDA (Linear discriminant analysis) и KNN (K-nearest neighbors). После анализа звуков кашля было выявлено, что определенные частотные диапазоны коррелируют с каждым респираторным заболеванием. Распределение PSD при пневмонии и БА находились в диапазоне частот 80–220 Гц  и 616–660 Гц, при COVID-19 выявило пик на частотах 250 Гц и 1500 Гц. Значения p по U-критерию Манна-Уитни для анализа RP (relative power) относительной мощности сигналов при бронхиальной астме и пневмонии составили в диапазоне частот 450-1000 Гц - 0,0111, 1400-1600 Гц – 0,00139, соответсвенно - подтвердили наличие уникальных частотных диапазонов и определенных акустических признаков для каждого заболевания. [10].

Chung Y. и соавт. разработали алгоритм диагностики пневмонии с помощью ИИ на основе спектрального анализа звуков кашля. Для количественной оценки звуков кашля использовались соотношение громкости и энергии для представления уровня и его спектральных вариаций. Эти два показателя использовались для построения диагностического алгоритма. С целью оценки эффективности разработанного алгоритма сравнивалась его точность с диагностикой, проводимой врачами-пульмонологами, которым было предложено определить по звукам кашля был ли он вызван пневмонией или другим заболеванием. Алгоритм показал 90,0% чувствительности, 78,6% специфичности и 84,9% точности. При этом точность диагностики врачами-пульмонологами, основанной на использовании собственного слуха, составила 56,4%.  Звуки кашля, вызванные пневмонией, имели следующие характеристики: громкость заметно увеличивалась на последней фазе кашля и “соотношение” энергии возросло за счёт непрерывного высокочастотного компонента после второй фазы. В этом исследовании были предложены новые характерные показатели, которые эффективно отражают акустические характеристики кашля при пневмонии [11].

Abeyratne U.R. и соавт. предприняли попытки диагностировать пневмонию у детей при помощи анализа звуков кашля. Кашель был записан у 91 пациента с подозрением на респираторные заболевания, такие как пневмония, бронхиолит и БА. Из звуков кашля были извлечены MFCC (mel-frequency cepstral coefficient) и non-Gaussian акустические характеристики с обучением классификатора на основе логистической регрессии для диагностики пневмонии. Клинический диагноз, поставленный врачом-пульмонологом, использовался в качестве эталона для обучения и валидации классификатора. Методы, предложенные в данном исследовании, позволили отличить пневмонию от других респираторных заболеваний с чувствительностью и специфичностью 94 и 75% соответственно, на основе параметров, извлеченных из звуков кашля. Включение других показателей, таких как лихорадка, еще больше повысило эффективность диагностики [14].

Kosasih K. и др. в своем исследовании предложили новый способ распознавания пневмонии на основе математического анализа звуков кашля и вейвлет-анализа. Вейвлеты обеспечивают хороший способ разложения нестационарных сигналов как во времени, так и в частотном диапазоне. Авторы извлекли вейвлет-признаки из звуков кашля для разработки автоматизированного машинного классификатора с применением логистической регрессии, с целью отличить пневмонию от бронхиолита и БА. В качестве эталона использовался диагноз, поставленный врачами-специалистами с учётом лабораторных и рентгенологических признаков, которые считались необходимыми для постановки окончательного клинического диагноза. Предложенные в данном исследовании методы позволили достичь чувствительности и специфичности 94% и 63% соответственно при диагностике пневмонии [13].

Sharan R.V. и соавт. предложили автоматизированный подход к оценке звуков кашля для диагностики и дифференциальной диагностики пневмонии от других острых респираторных заболеваний у детей с помощью нейронных сетей. Предлагаемый метод включал в себя алгоритмы шумоподавления, сегментации и cистематизации звуков кашля. Шумоподавление использовало многоуровневое условное спектральное отображение с помощью MLP (Multilayer perceptron), в то время как алгоритм сегментации обнаруживало звуки кашля непосредственно из шумоподавленной аудиоволны. С помощью предварительно обученной нейронной сети из сегментированного участка кашля извлекались различные признаки, которые преобразуются в “embedding” – представление данных в числовом формате. MLP обучался на объединённом наборе признаков для выявления пневмонии. Предложенный метод оценивался с помощью набора данных, включающего записи звуков кашля 173 детей, у которых была диагностирована пневмония или другие острые респираторные заболевания. В среднем алгоритм шумоподавления улучшал соотношение сигнал/шум на 44%. Чувствительность и специфичность при сегментации кашля составили 91% и 86% соответственно, в то время при выявлении пневмонии у детей с помощью одних только звуков кашля составило 82% и 71% соответственно, что демонстрирует потенциал использования выше предложенной методики в диагностике пневмонии [15].

Boesch M. и соавторы выполняли автоматизированную, неинвазивную диагностику пневмонии по анализу кашля в режиме реального времени с помощью смартфона. Всего в исследовании приняли участие 46 пациентов, из которых у 32 (70%) была диагносцирована пневмония COVID-19, а у 14 (30%) — пневмония, не связанная с COVID-19. У госпитализированных пациентов записывали звуки кашеля и оценивали взаимосвязь между частотой кашлевх толчков и активностью клинической картины заболевания. Было установлено, что частота кашля была наиболее высокой в момент госпитализации и постепенно снижалась по мере выздоровления. Также количество кашля возрастало при присоединении бактериальной суперинфекции. Выявлена характерная закономерность ежедневных колебаний частоты кашля: низкая активность в ночное время и два пика кашля в течение дня. Количество кашля в час было тесно связано с клиническими и лабораторными маркерами активности заболевания, что позволяет предположить, что кашель является информативным биомаркером тяжести течения пневмонии [27].

Bianchi C. и др. изучили возможность использования пиковой скорости выдоха при кашле у пациентов с дисфагией для прогнозирования развития аспирационной пневмонии и обнаружили, что у пациентов с ПСВ менее 242 л/мин чаще развивалась пневмония, при этом чувствительность теста составила 77%, а специфичность — 83%. [16].

Выводы. Достижения в области ИИ позволили расширить исследования по автоматизированной диагностике пневмонии и других респираторных заболеваний с помощью спектрального анализа звуков кашля. Детальный анализ звуков кашля позволил определить частотные диапазоны, коррелирующие с определенным респираторным заболеванием.

Результаты исследований последних лет по изучению возможностей диагностики БА, ХОБЛ, COVID-19, ГЭРБ, острого ларинготрахеобронхита, коклюша с использованием в качестве инструмента спектрального анализа звуков кашля подтверждают, что данный метод способен эффективно решать актуальные диагностические задачи, его применение способствует сокращению времени постановки диагноза и своевременному выбору соответствующей лечебной тактики.

About the authors

Andrey Valerievich Budnevsky

N.N. Burdenko Voronezh State Medical University of the Russian Ministry of Health

Author for correspondence.
Email: budnev@list.ru

Doctor of Medical Sciences, Professor, Head of the Department of Faculty Therapy

Russian Federation, 394036, Russia, Voronezh, Studencheskaya Street, 10

Evgeniy Sergeevich Ovsyannikov

N.N. Burdenko Voronezh State Medical University of the Russian Ministry of Health

Email: ovses@yandex.ru

Doctor of Medical Sciences, Associate Professor, Professor of the Department of Faculty Therapy

Russian Federation, 394036, Russia, Voronezh, Studencheskaya Street, 10

Avag Gnuniovich Китоян

N.N. Burdenko Voronezh State Medical University of the Russian Ministry of Health

Email: avkfam@inbox.ru

Postgraduate student of the Faculty Therapy Department

Russian Federation, 394036, Russia, Voronezh, Studencheskaya Street, 10

References