Ссылка для цитирования : Демушкина К. С., Кузьмин А. В. Применение плагина Multi-perspective Process Explorer программы Prom 6.11 для анализа кардиограммы // Изв. вузов. Приборостроение. 2025. Т. 68, № 5. С. 427–437. DOI: 10.17586/0021-3454-2025-68-5-427-437.

Аннотация. Обсуждаются подходы к прогнозированию и диагностике заболеваний сердечно-сосудистой системы. Основным методом исследования является технология анализа процесса — process mining, наиболее эффективно реализованная во фреймворке ProM. Для анализа цифровых данных кардиограммы применяется плагин Multi- perspective Process Explorer, который позволяет сопоставить эталонную модель с журналом событий и предоставляет инструменты для анализа полученных данных. В результате исследований получены модели процессов, отражающие отклонения от эталона, на основе которых пользователь может сделать вывод о длительности кардиоцикла, длительности каждого зубца и комплексов. Результаты исследования подтверждают целесообразность и эффективность использования плагина Multi-perspective Process Explorer для задачи анализа цифровых данных кардиосигнала.

Ключевые слова: ProM 6.11, технология анализа процесса, process mining, кардиосигнал, ЭКГ, сердечно-сосудистая система

Список литературы:

1. Демушкина К. М., Демушкин М. О., Кузьмин А. В. Обзор методов проектирования систем поддержки принятия врачебных решений // Модели, системы, сети в экономике, технике, природе и обществе. 2022. № 2(42). С. 75–89.
2. Свид. о гос. рег. прогр. для ЭВМ № 2016618264 РФ. Программный комплекс поддержки принятия решений на основе нечеткой логики „Эксперт 5. Управление медицинскими материальными потоками с применением когнитивного анализа“ / С. В. Крошилина, А. В. Крошилин, А. Н. Пылькин, С. Ю. Жулева. Опубл. 26.07.2016.
3. Демушкина К. М., Кузьмин А. В. Анализ возможностей инструментов реализации технологии process mining // Изв. Самар. науч. центра РАН. 2023. Т. 25, № 4(114). С. 114–120.
4. Официальный сайт ProM Tools [Электронный ресурс]: https://promtools.org/doku/prom611. html, 12.07.2023.
5. Демушкина К. М. Исследование возможности построения дерева принятия решения при постановке диагноза с использованием ProM // Студент-Наука : Сб. трудов Всерос. науч.-практ. конф., Воронеж, 05–06 дек. 2022 г. Воронеж: ВГТУ, 2022. С. 106–108.
6. Демушкина К. М., Кузьмин А. В. Разработка плагина для работы с цифровыми данными ЭКГ в системе PROM 6.11 // Информационные технологии в науке и образовании. Проблемы и перспективы: Сб. статей по материалам X Всерос. науч.-практ. конф., Пенза, 15 марта 2023 г. Пенза: ПГУ, 2023. С. 167–170.
7. Богатов Н. М., Гук В. Ф. Сравнительный анализ методов распознавания электрокардиограмм // Современные наукоемкие технологии. 2006. № 1 [Электронный ресурс]: https://top-technologies.ru/ru/article/view?id=22342, 29.07.2024.
8. Минина Е. Н. Физиологическая объективизация параметров эталонного кардиоцикла одноканальной ЭКГ с использованием алгебраической модели конструктивной логики // Ученые записки Крым. фед. ун-та им. В. И. Вернадского. Биология. Химия. 2017. Т. 3 (69), № 4. С. 149–165.
9. Yasmin F. Enhancement in Process Mining: Guideline for Process Owner and Process Analyst [Электронный ресурс]: https://essay.utwente.nl/77368/1/Yasmin_MA_EWI.pdf#:~:text=Multi-perspective%20Process%20Explorer%20is%20 a,and%20the%20discovered%20Petri%20Net, 12.07.2024.
10. Yasmin F., Bemthuis R., Elhagaly M., Wijnhoven F., Bukhsh F. A Process Mining Starting Guideline for Process Analysts and Process Owners: A Practical Process Analytics Guide using ProM // DCI Tech. Report Ser. Univ. of Twente. 2020.
11. Harper P. R. A framework for operational modelling of hospital resources // Health Care Management Science. 2002. Vol. 5. P. 165–173.
12. Mannhardt F., Blinde D. Analyzing the trajectories of patients with sepsis using process mining //RADAR+ EMISA 2017, Conf., Essen, Germany. CEUR-WS. org, 2017. P. 72–80.
13. Peiffer-Smadja N. et al. Challenges and issues about organizing a hospital to respond to the COVID-19 outbreak: experience from a French reference centre // Clinical Microbiology and Infection. 2020. Vol. 26, N 6. P. 669–672.
14. Huang Z. et al. On local anomaly detection and analysis for clinical pathways // Artificial Intelligence in Medicine. 2015. Vol. 65, N 3. С. 167–177.