Рвд станок: Оборудование для изготовления РВД, обжимные, отрезные, окорочные станки rvd-stanki.ru — Продажа качественного оборудования для производства РВД

Есть потребность?
Получите лучшую цену

Ротационная сушилка / RVD — паротрубная сушилка и сублимационная сушилка

— это сушилка с косвенной теплопередачей, машина для обработки органических и неорганических гранулированных и порошкообразных материалов. Он сушит (или охлаждает) такие материалы, приводя их в непосредственный контакт с вращающимися клиновидными полыми нагревателями (лопастями) без использования воздуха в качестве теплоносителя.

Лопастная сушилка Process
SSP предназначена для облегчения тщательного перемешивания для оптимизации теплопередачи.
Шнековый питатель используется для подачи влажного материала в систему. Наш процесс косвенно нагревает влажную массу сухим и насыщенным паром. Главный полый вал удерживает лопасти на месте.Пар входит в лопасти и равномерно нагревает их стенки с помощью вращающегося соединения, которое также служит для удаления конденсата.

По мере продвижения влажной массы в системе она выделяет пар и высыхает. Высушенный материал выводится из сушильного барабана через выпускное отверстие.

Пары удаляются из сушилки вместе с некоторыми мелкими частицами, которые собираются в циклонном сепараторе. Затем горячий воздух проходит через мокрый скруббер, чтобы улавливать более мелкие частицы и дымовые газы из осушителя, чтобы выпустить чистый воздух.

SSP может спроектировать и настроить лопастную сушилку для использования с различными источниками тепла, что имеет огромное количество применений:

• осадка
• Фильтровальный кек
• Паста
• Порошок
• Гранулы

• Минимальное техническое обслуживание требуется для порошкообразных, гранулированных и пастообразных материалов.
• Благодаря большой площади теплопередачи достигается высокий коэффициент нагрева. Следовательно, сохраняется эффективная теплопередача.
• Благодаря переменному времени пребывания и контролируемому распределению достигается отличное однородное качество порошка.

• Для установки лопастной сушилки требуется минимум места по сравнению с другими сушилками.
• Малая занимаемая площадь и меньшие потери в стеке
• Без выбросов
• Меньшее энергопотребление, следовательно, общая экономия на каждом рабочем цикле.
• Снижение капитальных затрат.

@Begin (Комментарий) **** Это файл Scribe для спецификации протокола RVD. **** $ Источник: /u2/projects/rvd/doc/tech/RCS/rvd_prot.spec,v $ $ Автор: jvs $ Заголовок $: rvd_prot.spec, v 2.3 86/11/30 13:26:36 jvs Exp $ @End (Комментарий) @device (lptln) @Comment [@device (Imprint10)] @Comment [@device (постскриптум)] @Make [Статья, Форма 1] @Style (Интервал 1) @Style (отступ 0) @Style (Обоснование включено) @Define [ShortDescription = Description, LeftMargin + 32, Indent -32] @Modify (MajorHeading, подчеркивание выключено) @Begin (MajorHeading) Массачусетский Институт Технологий Проект Афина @End (Заголовок) @Begin (MajorHeading) Спецификация протокола удаленного виртуального диска @End (Заголовок) @Modify (заголовок, подчеркивание выключено, заглавная буква False) @Begin (заголовок) Майкл Гринвальд Отредактировано Джим Ван Скивер 28 августа 1986 г. @End (заголовок) @Section [Введение] @SubSection [Мотивация] @Пункт() Протокол удаленного виртуального диска (RVD) обеспечивает возможность динамического присоединять к произвольным компьютерам произвольные диски разного размера.это особенно полезно, когда компьютеры физически удалены или когда пользователь вмешательство нецелесообразно (например, когда локальные диски несъемные, съемные пакеты стоят дорого, или широкий выбор размеры дисков желательны). Протокол RVD допускает либо эксклюзивные, либо совместное использование удаленных устройств. Последний режим полезен как средство с низкими накладными расходами для обмена данными только для чтения между физически удаленные машины. @SubSection [Область] @Пункт() Протокол удаленного виртуального диска просто обеспечивает сетевой доступ к дополнительным дискам.Протокол делает не предоставлять никаких услуг помимо тех, которые предоставляются существующие дисковые накопители. В частности, протокол RVD: @Begin [Itemize] не реализует совместное использование или любую форму хранения объектов или механизм именования, отличный от того, который можно найти на любом диске. не гарантирует надежной записи на диск. не пытается разрешить архитектурный порядок байтов различия между машинами. @End [Itemize] Эта конструкция этого протокола была связана в первую очередь с простота реализации, удобство использования и производительность.@SubSection [Использование] @Пункт() Протокол RVD расположен поверх протокола IP DOD и назначен номер IP-протокола в десятичном (102 восьмеричном) порядке. Этот протокол соответствует третьему уровню сетевого стандарта ISO. Протокол RVD позволяет клиентскому компьютеру связываться с дисководы удаленного сервера, как если бы они были локальными дисками. На стороне клиента протокол используется программным обеспечением подсистемы ввода-вывода, обычно это драйвер устройства для связи с удаленным приводом.Все клиентское программное обеспечение затем будет использовать драйвер клиентского устройства для относитесь к удаленному диску как к другому локальному устройству. На стороне сервера либо процесс приложения, либо добавление операционной поддержка системы может использоваться для установления связи между протоколами запросы и запросы к локальному диску. Уровень, на котором находится сервер реализовано не является частью этой спецификации. Например, в Project Athena мы использовали протокол RVD на PC-RT, различные разновидности VAX и PC-AT.Первые две машины типы, использующие набор портов Unix, а последний — MS-DOS. Серверное программное обеспечение работает как пользовательский процесс BSD4.x, используя сокеты. для доступа к стороне протокола RVD соединения и системе ввода-вывода Unix вызывает (open, close, lseek, read и write) для доступа к локальному диску диски. Затем этот серверный процесс выполняет передачу между протоколом пакеты и дисководы. На стороне клиента как Unix, так и Системы MS-DOS используют драйвер удаленного диска для преобразования стандартного диска читает и записывает запросы протокола.@Новая страница @Section [Спецификация] @Пункт() Протокол RVD используется в сценарии клиент / сервер. Клиент делает запросы, и сервер отвечает. Протокол определяет четыре пары запрос / ответ и ответ с ошибкой. Пары (ответ на запрос): @Begin [Itemize] SPIN-UP / SPIN-ACK: @ \ Клиент запрашивает использование одного из дисков сервера, сервер подтверждает запрос раскрутки клиента. SPIN-DOWN / SPIN-DOWN-ACK: @ \ Клиент отключается от одного из дисков сервера, сервер подтверждает отключение.ЧИТАТЬ / БЛОКИРОВАТЬ: @ \ Клиент запрашивает один или несколько блоков из раскрученного устройства. сервер отвечает запрошенными блоками данных. ЗАПИСАТЬ / ЗАПИСАТЬ-АСК: @ \ Клиент записывает блоки на раскручиваемое устройство, сервер подтверждает один или несколько запросов на запись. ОШИБКА:@\ Сервер сообщает об ошибке протокола при обработке запроса клиента; например, ответ об ошибке будет использоваться, если клиент пропустил обязательное поле в пакете RVD. Этот ответ не используется для ошибки в работе; например, если сбой происходит при записи на физический диск, то этот сбой сообщается в слове состояния ответа WRITE-ACK.@End [Itemize] Диалог запроса / ответа осуществляется путем обмена пакетами между клиент и сервер. Все пакеты RVD состоят из стандартного заголовка за которыми следуют данные или параметры, относящиеся к типу пакета. Описание заголовка пакета RVD а подробные сведения о типе пакета приведены на следующих страницах. @Новая страница[] @SubSection [формат пакета RVD] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ——————————- + —————— ————— + | | / Параметры для конкретного типа / | | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Обобщенный формат пакета RVD] @End [Рисунок] @Begin [Itemize] Тип пакета @ \ @ \ Этот байт определяет один из девяти типов пакетов RVD: @Begin [Формат] @TabClear @TabDivide (5) @ \ SPIN-UP @ \ SPIN-ACK @ \ SPIN-DOWN @ \ SPIN-DOWN-ACK @ \ READ @ \ BLOCK @ \ WRITE @ \ WRITE-ACK @\ОШИБКА @TabClear @End [Формат] Отступ @ \ Эти два байта не используются большинством типов пакетов. РАСКРУТИТЬ и ERROR выделяют первый байт этого поля для своих целей. Версия RVD @ \ Клиент и сервер устанавливают в этом поле номер версии используемый протокол RVD. Если одна из сторон обнаруживает несоответствие между номерами версий возникает ошибка. Если сервер обнаруживает, что он возвращает клиенту пакет ОШИБКИ протокола. Этот пакет будет описывать ошибку несоответствия. Привод@\ Индекс, представляющий номер диска на клиентском компьютере. Он используется клиентом для указания виртуального диска на сервере.Этот индекс является целым числом от нуля до (2 ** 32) -1 и закодирован как 32-битное двоичное целое число. Номера дисков уникальны для данного клиента но нет никакой корреляции между номерами дисков на разных клиентах. Сервер однозначно идентифицирует виртуальный диск по паре клиент-диск. Сервер возвращает указанный номер диска в своем ответе клиенту. Одноразовый номер @ \ 32-битный уникальный идентификатор. Одноразовый номер — это целое число без знака от нуля. и (2 ** 32) -1, закодированный как 32-битное двоичное целое число. Поскольку одноразовый номер — это фиксированный номер диапазона, он будет уникальным только в течение фиксированного периода времени.Предполагается, что он уникален на интервале времени в несколько раз время жизни одного пакета. Одноразовый номер используется для идентификации диалог запроса / ответа между клиентом и сервером. Таким образом, клиент вставляет значение nonce в свой пакет запроса, а сервер вставит тот же одноразовый номер в соответствующий ответный пакет. Индекс@\ Индекс — это подсказка серверу о том, как найти конкретное соединение. Информация. (Соединение — это соединение виртуального диска и клиентского диска.) Индекс не имеет предопределенного значения, и сервер может его использовать. как любой желаемый намек.Единственный клиентский запрос, который не указывать индекс — SPIN-UP. Ответный пакет SPIN-ACK будет содержат, среди прочего, индекс сервера, представляющий соединение, созданное запросом SPIN-UP. Клиент должен возвращать этот индекс с каждым пакет, который отправляется на этот виртуальный диск. @ \ @ \ Если пользователь отправит неверный индекс, сервер все равно найдет информация о подключении. Затем он отправит пакет ERROR с указанием правильный индекс. Сервер по-прежнему будет обрабатывать запрос в обычном режиме.Контрольная сумма @ \ 32-битная контрольная сумма пакета. Контрольная сумма — единственная гарантия надежной передачи данных. Предполагается, что если контрольная сумма верна тогда данные такие же, как на диске. @ \ @ \ Контрольная сумма вычисляется сложение всех 32-битных слов в пакете. Поле контрольной суммы при этом вычислении считается равным нулю. Если пакет не заканчивается на 32-битной границе, тогда вычисление контрольной суммы предполагает, что пакет заполняется нулями. Затем используются младшие 32 бита. в качестве контрольной суммы (32-битная сумма берется по модулю 2 ** 32).@End [Itemize] @Новая страница[] @SubSection [Формат пакета: SPIN-UP] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ————— + ————— + — ————— + | Тип пакета | Режим | Прокладка | Версия RVD | + ————— + ————— + ————— + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | | / Название пакета / | | + ————————————————- ————— + | | / Возможности / | | + ———————————————— + — ————— + | Набивка | Фактор блокировки | + ———————————————— + — ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета SPIN-UP] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: SPIN-UP. Режим@\ Этот байт описывает режим доступа виртуального диска. После того, как виртуальный диск будет запущен в определенном режим любого другого клиента, который хочет использовать тот же диск (даже с другого автомат) должен открываться в таком же режиме. Режим имеет одно из трех значений: @Begin [Описание] ТОЛЬКО ДЛЯ ЧТЕНИЯ @ \ предоставляет клиенту доступ к диску только для чтения. Любой другой клиент могут читать диск, если они также раскрутили его в режиме ТОЛЬКО ДЛЯ ЧТЕНИЯ. ОБЩИЙ@\ разрешает доступ для чтения / записи к диску более чем одному пользователю.ЭКСКЛЮЗИВНЫЙ @ \ дает клиенту доступ для чтения и записи к диску, но блокирует диск, поэтому что никакой другой клиент не может получить доступ к диску, пока он раскручен. @End [Описание] Индекс@\ это единственный тип пакета, в котором не указан индекс. Сервер вернет соответствующий индекс в пакете ответа SPIN-ACK. Этот Затем значение должно быть включено во все будущие пакеты клиентских запросов. Название пакета @ \ Строка ASCII, представляющая имя виртуального диска. пакет, который клиент желает связать с указанным локальным диском.Поле имени пакета представляет собой строку фиксированной длины из тридцати двух символов. Каждый из этих символов представлен восьмибитным байтом. Строка оканчивается нулем, если только длина имени больше или равна тридцати двум символам. В этом случае строка обрезается до тридцати двух байтов. размер поля имени пакета. @Новая страница() Возможность @ \ Это поле, как и название пакета, состоит максимум из тридцати двух символов, строка ASCII с завершающим нулем. Есть отдельные возможности для каждый привод в каждом из режимов раскрутки.Если бы режим был, для Например, ТОЛЬКО ДЛЯ ЧТЕНИЯ, тогда клиент заполнит поле возможностей со строкой возможности ТОЛЬКО ДЛЯ ЧТЕНИЯ для этого диска. Фактор блокировки @ \ Это коэффициент блокировки чтения, максимальное количество блоков, которые клиент может читать за один раз в одном пакете. Точнее, это максимум количество блоков данных по 512 байт, которые клиент примет в БЛОКИРОВАТЬ тип пакета. Если коэффициент блокировки больше максимального количество блоков, которые сервер может отправить, будет изменено в Пакет ответа SPIN-ACK.@End [Itemize] Операция Операция раскрутки устанавливает соединение между серверными виртуальный диск и локальный диск клиента. Например, если клиент MYMACHINE хочет раскрутить удаленный виртуальный диск «Foo» как его локальный диск 3, затем он отправляет на сервер пакет SPIN-UP. Он заполняет тип пакета с SPIN-UP и Mode с действующим режимом. Он заполняет Драйв символом целое число 3. Он также предоставляет возможность для этого режима и помещает строку «Foo» в поле «Имя пакета». После получения пакета SPIN-UP сервер попытается выполнить просьбу.Если все правильно, (диск существует, возможность правильная и т. д.), то сервер связывает виртуальные диск «Foo», с диска 3 от клиента MYMACHINE. Впредь, любая ссылка от клиента MYMACHINE на диск 3 будет относиться к виртуальному диск «Фу». Сервер отвечает клиенту пакетом SPIN-ACK. Если сервер обнаруживает ошибку, он ответит пакетом ERROR. Этот пакет ERROR может быть вызван множеством разных классов ошибки. Во-первых, «реальные» дисковые ошибки — например, физический диск. содержащий «Foo» удаляется, или любая ошибка, которая может возникнуть при доступе к физический диск.Это отличается от типичного случая компьютера. подключен к физическому диску. При доступе к локальному диску ошибка не будет обнаружена до тех пор, пока на диске не будет выполнена операция. Другой тип ошибки — недопустимые значения аргументов, например несуществующий виртуальный диск, неверный пароль или неверная контрольная сумма. Также может быть ошибки несоответствия — диск уже раскручен как диск 3, или у другого клиента диск «Foo» раскручен в конфликтном режиме. Обо всех этих ошибках будет сообщено в ответе ERROR.@Новая страница[] @SubSection [Формат пакета: AUTHSPIN-UP] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ————— + ————— + — ————— + | Тип пакета | Режим | Прокладка | Версия RVD | + ————— + ————— + ————— + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | | / Название пакета / | | + ———————————————— + — ————— + | Набивка | Фактор блокировки | + ———————————————— + — ————— + | | / Аутентификатор / | | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета AUTHSPIN-UP] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: AUTHSPIN-UP. Этот пакет аналогичен SPIN-UP, за исключением того, что аутентификатор Kerberos имеет была заменена на возможность. Этот аутентификатор описан в Технический план Kerberos Стивена П. Миллера и Клиффорда Ноймана. В Сервер RVD использует аутентификатор для проверки имени пользователя. Это имя пользователя затем сравнивают с именами в списке управления доступом для пакета для данного режима и владельцу пакета. Если данный пользователь является пакетом владельца или в списке контроля доступа, то раскрутка будет успешной.@End [Itemize] @Новая страница[] @SubSection [Формат пакета: SPIN-ACK] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | Количество блоков на диске | + ——————————- + —————— ————— + | Взрыв | Длина очереди | + ——————————- + ————— + — ————— + | Набивка | Фактор блокировки | + ———————————————— + — ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета SPIN-ACK] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: SPIN-ACK. Индекс@\ Клиент должен сохранить индекс сервера для использования во всех будущих передачах. Количество блоков @ \ Сервер возвращает размер диска блоками по 512 байт. Клиент не должен отправлять запросы на чтение или запись для блоков за пределами границ привода. Если клиент пытается выйти за пределы запрос сервер проинформирует его, используя статус слово в ответном пакете BLOCK или WRITE-ACK. Пакет ERROR в основном используется для ошибок протокола.Лопаться@\ Это двухбайтовое целое число, которое представляет максимальное количество пакетов. сервер будет обрабатывать за одну передачу. Это значение и значение коэффициента блокировки затем используется клиентом при разделении запросы на чтение и запись. Длина очереди @ \ Это максимальное количество невыполненных запросов, которые сервер будет обрабатывать. для виртуального диска в любой момент. Это значение отличается от размер пакета. Клиент может отправлять несколько пакетов размером пакета пакетов до этого момента количество пакетов равно длине очереди.Клиент затем насыщает сервер для этого диска и должен ждать, пока сервер отклик. Фактор блокировки @ \ Это коэффициент блокировки чтения, максимальное количество блоков, которые клиент может читать за один раз в одном пакете. Значение этого поля не обязательно то же значение, переданное клиентом в пакете SPIN_UP. Если передаваемый коэффициент блокировки больше максимального количество блоков, которые сервер может отправить, будет изменено в Пакет ответа SPIN-ACK. @End [Itemize] Операция Сервер отправляет пакет SPIN-ACK в ответ на действительный SPIN-UP пакет.Это указывает клиенту, что запрос на подключение для виртуального диска сервера на локальный диск клиента прошло успешно. Помимо возврата размера диска и других сведения о соединении, сервер предоставляет значение индекса. Хотя рекомендуется, чтобы клиент использовал это значение индекса во всех будущих запросах сервер может работать с неверным индексом значения. Если сервер получает плохой индекс, то он отправит пользователю пакет ERROR типа BAD-INDEX, но операция по-прежнему будет происходить правильно.Наиболее вероятная причина плохого индекса будет, если клиент выйдет из строя, а затем попытается повторно использовать соединение. По всей вероятности, индекс будет потерян, но пакет BAD-INDEX исправил бы это. Пример помогает объяснить разницу между размером пакета и очередью. длина и коэффициент блокировки. Допустим, клиент должен прочитать сорок блоков и что ответ SPIN-ACK сообщил о коэффициенте блокировки два, размер пакета — пять, длина очереди — десять. Фактор блокировки ограничивает каждый запрос чтения двумя блоками.Таким образом, клиент должен передать два набора из пяти пакетов запроса чтения для первые двадцать блоков, подождите, пока сервер ответит данными, а затем передайте следующий два набора по пять запросов. @Новая страница[] @SubSection [Формат пакета: SPIN-DOWN] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | Возможность | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат SPIN-DOWN пакета] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: SPIN-DOWN. Индекс@\ должен быть индекс, возвращаемый сервером для этого диска в пакет SPIN-ACK. @End [Itemize] Операция Если пользователь хочет замедлить виртуальный диск на своем локальном диске 3, затем он просто отправляет на сервер SPIN-DOWN пакет. Он заполняет Тип пакета с SPIN-DOWN, и он заполняет диск с 32-битное целое число 3. После получения пакета SPIN-DOWN сервер попытается разорвать соединение между клиентом, локальным диском 3, и виртуальный привод.Если это сработало правильно, сервер отправляет SPIN-DOWN-ACK обратно на клиент. Если привод не раскручивался, или были другие ошибка, то сервер отвечает пакетом ERROR. Это невежливо чтобы пользователь считал, что его диск остановился, пока он не получит SPIN-DOWN-ACK с сервера. @Новая страница[] @SubSection [Формат пакета: SPIN-DOWN-ACK] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета SPIN-DOWN-ACK] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: SPIN-DOWN-ACK. @End [Itemize] Операция Это подтверждение успеха клиентского запроса на замедление вращения. Drive, nonce и index имеют те же значения, что указаны клиентом. @Новая страница[] @SubSection [Формат пакета: ЧИТАТЬ] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | Номер начального блока | + ————————————————- ————— + | Количество блоков | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета READ] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: ЧИТАТЬ. Стартовый блок @ \ Номер первого блока, который клиент желает прочитать. Это абсолютное смещение от начала виртуального диска. Это 32-битное целое число в диапазоне от нуля до (2 ** 32) -1. Счетчик блоков @ \ Количество блоков, которые клиент желает прочитать. @End [Itemize] Операция Если клиент хочет читать данные с локального диска затем он отправляет пакет READ с соответствующими значениями. (Этот диск, должно быть, был связанный с виртуальным диском через предыдущий запрос на раскрутку), Поле Drive заполняется номером диска, одноразовым номером, индексом, и поля контрольной суммы инициализируются соответствующим образом, а желаемый блок смещение и количество блоков записываются в пакет.После получения пакета сервер будет искать соединение между локальный диск клиента и виртуальный диск сервера. Если соединение существует, сервер пытается отправить запрошенные данные. клиенту. Если запрос на чтение в пределах диска и физическое чтение прошло успешно, затем сервер отвечает БЛОКОМ пакет. Пакет BLOCK содержит блок данных, номер блока и 32-битное слово состояния. Если сервер обнаруживает ошибку, он все равно отправляет пакет BLOCK, хотя он имеет ненулевое слово состояния.Ошибки могут быть результатом физические ошибки на диске или любые другие вещи, которые могут пойти неправильно на диске. Если данные в пакете действительны, то поле недопустимых данных в слово состояния должно быть нулевым. Поле счетчика в слове состояния установлено количество раз, когда сервер пытался прочитать блок @i [до] это было успешно. (Если первая попытка удалась, то посчитайте равен нулю, если вторая попытка удалась, счет равен единице и так далее). Если счетчик превышает размер поля, то счетчик устанавливается равным максимум в поле.Если начальный блок был недопустимым, то Будет установлено поле адреса плохого блока в слове состояния. Если несколько блоков чтение выходит за пределы диска, тогда только будут возвращены внутренние блоки диска и адрес плохого блока. поле в слове состояния будет установлено. Единственный раз, когда сервер отправляет пакет ERROR в ответ на READ — это неправильный формат READ-пакета. Ошибки протокола вызывают пакеты ERROR, а ошибки диска вызывают ненулевое слово состояния. Обычно пакеты ERROR отправляются для неверных контрольных сумм, неверного индекса, или ноль в поле количества блоков.ЧТЕНИЕ может истечь. Этот протокол не гарантирует доставку пакеты. Предполагается, что большинство пакетов достигнет своего предназначения. пункт назначения, но нет никаких гарантий. Клиент сам решает ПРОЧИТАЙТЕ таймауты так же, как он относился бы к тайм-аутам физического диска. @Новая страница[] @SubSection [Формат пакета: BLOCK] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | Номер блока | + ————————————————- ————— + | Статус диска | + ————————————————- ————— + | | / Данные / | | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета BLOCK] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: БЛОК. Номер блока @ \ Это идентифицирует этот блок на виртуальном диске. Status @ \ — это 32-битное слово состояния, описывающее состояние виртуального диск. Это слово сообщает об ошибках диска. Ошибки протокола сообщаются с пакетом ERROR. Данные@\ Это данные, считанные с виртуального диска. Есть (512 x blocking_factor) байтов данных в этом поле. Контрольная сумма гарантирует надежность передача данных, (протокол не может гарантировать точность диска в протокол передачи данных.) читает. @End [Itemize] Операция Пакет BLOCK — это ответ на запрос READ. Он включает запрошенные данные и достаточно информации, чтобы позволить клиенту определить на какой запрос это ответ. (Обратите внимание, что может быть много невыполненные запросы READ, даже в том случае, если доступ к диску ограничен одним невыполненным запросом — клиент всегда может запросы к более чем одному диску). В случае ошибки сервер заполняет соответствующие биты в статус. Клиент должен проверить поле допустимых данных в статусе как данные могут оставаться действительными даже в случае ненулевого статуса.@Новая страница[] @SubSection [Формат пакета: ЗАПИСАТЬ] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | Номер блока | + ————————————————- ————— + | Всего блоков в запросе | + ————————————————- ————— + | Индекс этого блока в запросе | + ————————————————- ————— + | | / Данные / | | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета WRITE] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: ЗАПИСЬ. Номер блока @ \ Это начальный номер блока для записи. Это целое число который представляет собой абсолютное смещение блока от начала виртуального диска для этого блока данных. Всего блоков @ \ Это общее количество блоков в последовательности запросов на запись. Индекс блокировки @ \ Это номер блока этого запроса. Данные@\ Это данные, которые нужно записать к виртуальному диску, начиная с указанного номера блока. Байты данных упорядочены в пакете. именно так, как они расположены на диске.Биты в байте заказывается в соответствии со спецификацией IP. Размер поля данных определяется путем вычитания размера полей заголовка от общего размера пакета. Пакет размер задается протоколом IP. @End [Itemize] Операция Тип пакета WRITE был разработан для отправки в виде пакета пакеты. Если клиент желает записать данные на виртуальный диск, он создает последовательность пакетов, каждый с одинаковым общим количеством блоков значение, но увеличивая номер блока и индекс блока.Данные затем копируется в поля данных этих последовательных пакетов в Блоки по 1024/512 байтов. После получения этого пакета пакетов WRITE сервер закажет пакеты, скопируйте данные в один непрерывный буфер и выполните запись как одна операция. Сервер отправляет WRITEACK, если запись был успешным, но только для первого пакета в пачке. WRITEACK включает 32-битное слово состояния. В случае ошибки диска будет возвращен WRITEACK с ненулевым словом состояния. Обычно это ошибки того же типа, что и при запросе READ.Кроме того, если вы попытаетесь записать на диск ТОЛЬКО ДЛЯ ЧТЕНИЯ, то Поле no-write-permission устанавливается в слове состояния. Ошибки протокола вызовет отправку пакетов ERROR. Пишет может таймаут. Опять же, ожидается, что клиент будет иметь дело с WRITE timeout точно так же, как он поступил бы с таймаутом диска. @Новая страница[] @SubSection [Формат пакета: ЗАПИСЬ] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ——————————- + — ————— + | Тип пакета | Прокладка | Версия RVD | + ————— + ——————————- + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | Номер блока | + ————————————————- ————— + | Статус диска | + ————————————————- ————— + | Количество блоков для этого ACK | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета WRITEACK] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: ЗАПИСЬ. Номер блока @ \ Это номер блока, который подтверждает сервер. написав. Статус@\ Это 32-битное слово состояния, которое представляет состояние диск и сообщает об ошибках в процедуре записи. Количество блоков @ \ Это количество успешно записанных блоков. @End [Itemize] WRITEACK — это ответ на запрос WRITE. Это сигнализирует о завершение запроса WRITE. WRITEACK не отправляется до тех пор, пока не будет выполнен пакет запросов на запись записано на физический диск.Отправляется только один WRITEACK за пакет. Об ошибках диска сообщается через слово состояния. @Новая страница[] @SubSection [Формат пакета: ОШИБКА] @Begin [Рисунок] @Begin [Дословно] @Begin [Центр] + ————— + ————— + ————— + — ————— + | Тип пакета | Тип ошибки | Прокладка | Версия RVD | + ————— + ————— + ————— + — ————— + | Драйв | + ————————————————- ————— + | Nonce | + ————————————————- ————— + | Индекс | + ————————————————- ————— + | Контрольная сумма | + ————————————————- ————— + | Зарезервировано | + ————————————————- ————— + | | / До RVDDSIZE (512) байт из / / Данные, зависящие от ошибок / | | + ————————————————- ————— + @End [Центр] @End [Дословно] @Caption [Формат пакета ERROR] @End [Рисунок] (См. Раздел Формат пакета RVD для полного описания поля в стандартном заголовке RVD: Тип пакета, Версия RVD, Диск, Одноразовый номер, индекс и контрольная сумма.) Определения полей @Begin [Itemize] Тип пакета: ОШИБКА. Тип ошибки @ \ Байт, представляющий тип ошибки, которую ОШИБКА пакет сообщает. @End [Itemize] Пакеты ERROR отправляются, когда сервер хочет сообщить пользователю, что произошла какая-то ошибка. Обычно они отправляются, когда ошибка была в протокол или какая-то другая проблема высокого уровня с виртуальным диском система. Ошибки, которые примерно эквивалентны тем, которые диск обычно возвращается в 32-битном слове состояния, которое является частью BLOCK и WRITEACK.@Новая страница[] @SubSection [Константы протокола RVD] @Begin [Дословно] RVDVERSION 4 / * Текущая версия протокола * / / * * Номер IP-протокола * / РВДПРОТО 66 / * Типы пакетов * / RVDSPIN 1 / * пакет SPIN-UP * / RVDSDOWN 2 / * пакет SPIN-DOWN * / RVDREAD 3 / * ЧИТАТЬ пакет * / RVDWRITE 4 / * ЗАПИСАТЬ пакет * / RVDAUTHSPIN 8 / * пакет AUTHSPIN-UP * / RVDSPACK 17 / * Подтверждение для SPIN-UP * / RVDERROR 18 / * Пакет ОШИБКИ * / RVDACK 19 / * Подтверждение для SPIN-DOWN * / RVDBLOCK 20 / * Блок данных * / RVDWACK 21 / * Подтверждение записи * / / * * Маски слова состояния * / RVDSTVAL 0001 / * Если 0, то данные действительные * / RVDSTCNT 0036 / * Количество попыток на внешней стороне — 1 * / RVDSTADR 0040 / * Плохой адрес блока * / RVDSTWRL 0100 / * Попытка записи на диск только для чтения * / / * * Режимы открытия * / RVDMRO 0001 / * Режим только для чтения * / RVDMSHR 0002 / * Общий режим * / RVDMEXC 0004 / * Эксклюзивный режим * / / * * Типы ошибок * / RVDENOER 0000 / * Нет ошибки * / RVDEND 0001 / * Несуществующий диск * / RVDEBPWD 0002 / * Неверный пароль для режима * / RVDEOMD 0003 / * Уже открыт в другом режиме * / RVDECKSM 0004 / * Неверная контрольная сумма * / RVDEIDX 0005 / * Коррекция индекса * / RVDEPACK 0006 / * Несуществующий пакет дисков * / RVDESPN 0007 / * Диск уже раскручен * / RVDEBMD 0010 / * Плохой режим * / RVDEPKT 0011 / * Неизвестный тип пакета * / RVDENAH 0012 / * Неактивный хост * / RVDEXMD 0013 / * Пакет был запущен в ЭКСКЛЮЗИВНОМ режиме * / RVDEZBL 0014 / * Запрошено нулевое количество блоков * / RVDETBL 0015 / * Запрошено слишком много блоков * / RVDEPNM 0016 / * Блок физически не установлен * / RVDETCG 0017 / * Слишком много соединений для этого сервера * / RVDETGH 0020 / * Слишком много соединений для этого хоста * / RVDESNA 0021 / * Сервер в данный момент не активен * / RVDEIDA 0022 / * Идентичный пакет уже сформирован в этом диск, в требуемом режиме * / RVDERQU 0023 / * Запрошенный режим недоступен.* / RVDETIM 0064 / * Тайм-аут * / RVDEBVER 0065 / * Неверная версия * / @End [Дословно]

Рейтинги дверей / Дверь Rogue Valley

РЕЙТИНГИ DP

ПОЖАРНАЯ ДВЕРЬ

ЗАКАЗ И ОГРАНИЧЕНИЯ ОБОРУДОВАНИЯ

• Скрытые вертикальные стержни не допускаются.
• Скрытые болты заподлицо не допускаются.
• Верхние доводчики скрытого монтажа не допускаются.
• Использование нескольких точек (Hoppe или W&F) не допускается.
• Разрешены цилиндрические и врезные защелки и ригели.
• Допускаются торцевые вертикальные стержни.
• Разрешены торцевые болты с накатанной головкой.
• Допускаются торцевые доводчики.
• Днища автоматических дверей допускаются шириной до 1 дюйма и глубиной 1-3 / 4 дюйма. Hager
• Модель 730s была протестирована и рекомендована.
• Разрешены смотровые отверстия.
• Проволочная погоня не допускается.

ОБРАБОТКА И МАРКИРОВКА

ТЕСТИРОВАНИЕ И РЕЙТИНГ

ЭНЕРГЕТИЧЕСКИЕ ХАРАКТЕРИСТИКИ / NFRC

ПОЧЕМУ MEMPHIS НЕТ В СЕТИ WWE, RVD НИКОГДА НЕ ИМЕЕТ НАЗВАНИЕ ОРИГИНАЛА ECW, МАШИНЫ И ДРУГОЕ

ПОЧЕМУ MEMPHIS НЕТ В СЕТИ WWE, RVD НИКОГДА НЕ ИМЕЕТ НАЗВАНИЕ ОРИГИНАЛА ECW, МАШИНЫ И МНОГОЕ ДРУГОЕ

На кого Сабу указывает, когда делает жест своей торговой марки? Я решил, что это его дядя (Р.И. шейх), но сделал это задолго до своей безвременной кончины.

Отчасти это дань уважения Первому Шейху, но когда он начал выступать, основная причина, по которой Сабу указал, заключалась в том, что он был дикарем, которого поразили огни над рингом.

Что делает трюк успешным?

Если уловка переходит в продажу билетов / PPV / товаров, в моих глазах это успех, даже если стойкие фанаты ненавидят это.

Почему оригинальный ECW никогда не ставил титул чемпиона мира на RVD?

План всегда заключался в том, чтобы Ван Дам продолжал гоняться за титулом чемпиона ECW World, но ECW выжидала, ожидая, пока компания получит национальный временной интервал, надеясь, что это зажжет их продукт.К сожалению, сразу после того, как ECW бросил большой угол между RVD и тогдашним чемпионом мира Майком Awesome, Ван Дам получил травму, и Awesome быстро покинул компанию. К тому времени, когда Ван Дам вернулся, у него и ECW возникли ссоры из-за финансовых проблем, и это было началом конца. Он получил это в версии WWE.

Почему Memphis Wrestling сейчас не в сети WWE? Какой загадочный ответ?

Тайна владения библиотекой Memphis Wrestling, вероятно, имеет несколько ответов.WMC в Мемфисе, вероятно, является владельцем большей части библиотеки, которая работала на их канале, хотя были ли эти кадры вообще заархивированы, неизвестно. Было не принято хранить много старых лент; фактически, в течение этого периода они часто использовались повторно из-за сокращения финансовых затрат. Часть библиотеки могла быть потеряна из-за бюрократии, когда компания была продана инвесторам по имени «Селкеры», что привело к серьезному беспорядку в суде. Джерри Джарретт однажды сказал мне в интервью, что не верит, что сохранил право собственности после того, как продал промоушен Селкерам.Никогда не было успешной попытки точно отследить то, что есть, и объединить это под одним владельцем (хотя в какой-то момент Джерри Лоулер пытался это сделать), поэтому, когда вы видите кадры, появляющиеся под эгидой WWE, они либо заключили сделку на этот конкретный отснятый материал или отснятый материал, который попал в другую библиотеку, которую они приобрели, например, переключатель названия Lawler-Curt Hennig AWA. Скорее всего, все это никогда не будет объединено под одним владельцем. Я предполагаю, что если и когда он появится в Сети, он будет в отредактированном виде.

Я прочитал в вашей исторической колонке, что Хоган сражался как Машина Халка в середине 80-х. Почему это было? Разве он не был чемпионом WWE и Хулкамания в то время? Кем были другие Машины, кроме Андре?

Да, но он отработал несколько матчей в качестве «Машины Халка», играя с командой Машин в качестве трюка для домашнего шоу. Они никогда не скрывали, что это Хоган. Родди Пайпер выступал в нескольких домашних шоу, как «Машина Пайпер», а Джордж Стил — «Машина для животных».«Супермашиной был Билл Иди. Большой машиной был Блэкджек Маллиган.

Если вам нравится сайт PWInsider.com, посетите раздел PWInsider Elite без рекламы, который включает эксклюзивные обновления аудио, новости, наши признанные критиками подкасты, интервью и многое другое, нажав здесь!

Рейтинг 5 самых крутых и безумных борцовских приемов Роба Ван Дама | Отчет Bleacher

0 из 7

Роб Ван Дам со времен своей карьеры в ECW всегда выделялся на ринге.

У него очень уникальный стиль борьбы. Он летучая, рискованная, пинающая машина — тот тип суперзвезд, который каждую ночь выкладывается на 110 процентов. РВД готов поставить на кон свое тело ради развлечения фанатов.

На протяжении многих лет он удивлял поклонников рестлинга тем, что он может делать в квадратном круге и за его пределами.

Мы рассмотрим некоторые из самых крутых и безумных движений, которые он когда-либо выполнял, за исключением движений, которые он выполнял только в одном или двух матчах своей карьеры.

1 из 7

Прежде чем я перейду к основному списку, стоит упомянуть несколько хорошо известных ходов Роба Ван Дама.

Rolling Thunder : Один из фирменных приемов RVD — Rolling Thunder. Пока его противник лежит на циновке, он начинает с одной стороны кольца и катится к своему противнику. Затем он вскакивает на ноги и переворачивается на своего противника, приземляясь ему на спину.

Хотя это не так уж и мощно, это знаковый прием в его репертуаре.Rolling Thunder обязательно появится в каждом матче RVD.

Переворот обезьяны : Переворот обезьяны — еще один ход, сделанный только RVD.

Когда его соперник находится в углу, он перекатывается и хватает его за шею, когда его ноги находятся на бедрах соперника. Затем он падает назад и переворачивает своего противника ногами, и тот летит через ринг, приземляясь на спину.

Это еще один забавный ход, позволяющий наблюдать за легкостью выполнения RVD.

2 из 7

Роб Ван Дам всегда был новатором со стулом.

Одним из движений, который всегда заставлял толпу вставать на ноги, был Chair Surf.

РВД посадит своего оппонента в угол. Затем он бегал, держась за стул, а затем ронял стул своему сопернику в лицо.

Его также видели пинками стула о другое оружие, например, лестницу, которое держит его противник.

Если он не участвует в матче Extreme Rules, вряд ли мы увидим, как RVD сделает этот ход в WWE.

3 из 7

Если и есть какое-либо движение, демонстрирующее атлетизм и гибкость RVD, так это лунный штурм на двух ногах.

Он перепрыгивает через поверженного противника, хватаясь за верхнюю веревку. Затем он поднимается и ставит ногу по обе стороны от верхнего талрепа. Используя этот удар, он переворачивается и совершает лунный штурм.

Эта версия лунного штурма не такая мощная, как стандартная, но все же выполняет свою работу.

Уникальный стиль RVD с очень небольшими вариациями среди суперзвезд WWE — долгожданная смена ритма.

4 из 7

Второй маневр кресла РВД появляется в списке.На этот раз это Van Daminator.

Ван Дам выполнил это перемещение несколькими способами. Один из способов — он бросает своему противнику стальной стул, и они его ловят. Второй способ — противник самостоятельно берет стул и пытается им ударить по РВД.

Результат всегда один и тот же. Он быстро выполняет удар пяткой, отправляя стул противнику в лицо.

Это движение может произойти из ниоткуда (при правильных условиях), и звук стула поднимает толпу на ноги.

5 из 7

Это один ход RVD, который не нуждается в описании, но я все равно его даю.

Он берет типичный всплеск лягушки и переносит его на другой уровень.

В отличие от обычного лягушачьего всплеска, его противнику не нужно находиться перпендикулярно углу. Из-за своего атлетизма он может развернуться в воздухе, чтобы приземлиться на сбитой суперзвезде, независимо от его положения на ринге.

RVD, как известно, перепрыгивает три четверти кольца, чтобы достичь своего противника.

Учитывая его участие в матче по лестнице «Деньги в банке», можно ожидать, что он попытается выполнить «Пятизвездочный всплеск лягушки» с вершины лестницы.

6 из 7

Как и Van Daminator, RVD выполняет это движение двумя разными способами.

Один из способов — посадить соперника в угол. Он хватает стул и взбирается на верхнюю веревку через ринг. Затем он прыгает и швыряет стул противнику в лицо.

Второй способ — втиснуть стул между веревками перед лицом соперника.Он взбирается по канатам и прыгает в другой угол, пиная стул.

Есть редкий случай, когда ему помогает друг, который держит стул на месте, пока РВД прыгает из угла в угол. Также известно, что он использовал другое оружие, кроме стула.

7 из 7

RVD, как говорится в его музыкальной теме, является единственным в своем роде. Я очень жду того, что он делает в «Деньги в банке», тем более что я буду там.

В WWE может быть только пара знаменитостей, и он разрушает монотонность других суперзвезд своим смелым стилем.

Обязательно поделитесь своим любимым движением RVD в разделе комментариев.

Машинное обучение для прогнозирования легочной гипертензии

Аннотация

Фон

Машинное обучение (ML) — мощный инструмент для выявления и структурирования нескольких информативных переменных для задач прогнозирования. Здесь мы исследовали, как алгоритмы ML могут помочь в прогнозировании эхокардиографической легочной гипертензии (ЛГ), где текущие рекомендации рекомендуют интегрировать несколько эхокардиографических параметров.

Методы

В нашей базе данных 90 пациентов с инвазивно определенным давлением в легочной артерии (ДЛА) с соответствующими эхокардиографическими оценками ДЛА, полученными в течение 24 часов, мы обучили и применили пять алгоритмов машинного обучения (случайный лес деревьев классификации, случайный лес деревьев регрессии, логистика со штрафными лассо. регрессии, усиленных классификационных деревьев, опорных векторных машин) с использованием 10-кратной 3-кратной схемы перекрестной проверки (CV).

Результаты

ML достигли высокой точности предсказания: поддержка векторных машин (AUC 0.83; 95% ДИ 0,73–0,93), усиленные деревья классификации (AUC 0,80; 95% ДИ 0,68–0,92), логистическая регрессия со штрафными лассо (AUC 0,78; 95% ДИ 0,67–0,89), случайный лес деревьев классификации (AUC 0,85; 95% ДИ 0,75–0,95), случайный лес деревьев регрессии (AUC 0,87; 95% ДИ 0,78–0,96). В отличие от лучших из нескольких традиционных формул (Aduen et al.), Этот алгоритм ML основан на нескольких эхокардиографических признаках и выборе признаков, при этом расчетное давление в правом предсердии (RAP) имеет второстепенное значение.

Выводы

Используя ML, мы смогли предсказать легочную гипертензию на основе более широкого набора эхокардиографических данных, мало полагаясь на расчетный RAP по сравнению с существующей формулой с не худшими показателями. Благодаря концептуальным преимуществам более широкого и беспристрастного отбора и взвешивания данных наш подход машинного обучения подходит для помощи на высоком уровне в прогнозировании PH.

Образец цитирования: Leha A, Hellenkamp K, Unsöld B, Mushemi-Blake S, Shah AM, Hasenfuß G, et al.(2019) Подход машинного обучения для прогнозирования легочной гипертензии. PLoS ONE 14 (10): e0224453. https://doi.org/10.1371/journal.pone.0224453

Редактор: Роберт Эрман, Государственный университет Уэйна, США

Поступила: 2 апреля 2019 г .; Принята к печати: 14 октября 2019 г .; Опубликовано: 25 октября 2019 г.

Авторские права: © 2019 Leha et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные находятся в рукописи и ее файлах с вспомогательной информацией. По запросу, дополнительные данные хранятся, как указано в рукописи, в репозиториях.

Финансирование: Авторы не получали специального финансирования на эту работу.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Сокращения: ACC, точность; AR, аортальная регургитация; В ВИДЕ, стеноз аорты; AUC, площадь под кривой ROC; РЕЗЮМЕ, перекрестная проверка; ESC, Европейское общество кардиологов; FAMD, факторный анализ смешанных данных; ML, машинное обучение; МИСТЕР, митральная регургитация; РС, митральный стеноз; ЧПС, отрицательная прогностическая ценность; PAP, давление в легочной артерии; PAPm, среднее давление в легочной артерии; PAPsys, систолическое давление в легочной артерии; PAT, время легочного (клапанного) разгона; PH, легочная гипертензия; PPV, положительная прогностическая ценность; РА, правое предсердие; РЭП, давление в правом предсердии; RHC, катетеризация правых отделов сердца; РПЦ, характеристика оператора приемника; RV, правый желудочек; РВД, диаметр правого желудочка; SVM, Машина опорных векторов; TAPSE, систолическая экскурсия плоскости трехстворчатого кольца; TR, трехстворчатая регургитация; TRPm, Средний градиент RV-RA; TRV, скорость трикуспидальной регургитации; TRVmax, максимальная скорость трехстворчатой ​​регургитации; ТС, стеноз трехстворчатого клапана

Введение

В более широкой области науки об искусственном интеллекте термин машинное обучение (ML) относится к усовершенствованным алгоритмам с функциями контролируемого или даже неконтролируемого принятия решения проблем [1,2].Такие алгоритмы необходимо «обучать» с помощью данных, которые аннотированы для интересующей переменной, чтобы получить математическую модель для более общего применения. Затем эта модель может быть обобщена для решения задач аннотации схожих данных с неизвестной аннотацией. Хотя эта концепция существует уже много десятилетий, недавние концептуальные достижения и значительное увеличение вычислительной мощности предполагают, что ML может быть на грани того, чтобы стать ценным клиническим инструментом [3–5]. Часто клинические задачи требуют интеграции множества переменных для взвешивания для оценки вероятности диагноза или результатов.Принятие решений с помощью машинного обучения теоретически должно иметь преимущество перед решениями, основанными только на опыте или рассуждениях, из-за его способности обрабатывать информацию с меньшей предвзятостью, а также измеримой, сопоставимой и постоянной производительности [6]. Однако применение более совершенных алгоритмов машинного обучения для диагностики сердечно-сосудистых заболеваний только появляется [7]. В кардиологии эхокардиографическая оценка вероятности диагноза может идеально подходить для подхода с использованием машинного обучения, поскольку исследователь должен интеллектуально интегрировать большой объем данных от человека.Более того, вычислительная обработка данных уже является интегрированной технической частью эхокардиографического исследования, что способствует его раннему внедрению [8,9].

Среднее давление в легочной артерии (PAPm) ≥ 25 мм рт. Ст., Измеренное при катетеризации правых отделов сердца (RHC), определяет легочную гипертензию (PH). Эхокардиографическая оценка вероятности легочной гипертензии является важной клинической проблемой, так как требуется установить достаточную предтестовую вероятность, чтобы контролировать риски и ресурсы инвазивного исследования RHC.Чтобы оценить вероятность ЛГ, можно достичь приближения ДЛА с помощью эхокардиографии. Это выполняется путем вычисления разницы давлений между RA и RV по скорости трикуспидальной регургитации (TRV) (с использованием упрощенного уравнения Бернулли) и путем добавления к этому значению давления в правом предсердии (RAP). Однако европейские руководящие принципы рекомендуют рассматривать TRV вместо оценки PAP. Это связано с опасениями, что полученные значения, в частности оценка RAP, преувеличивают ошибку.Вместо этого оценка вероятности основана на рассмотрении категориальных значений TRVmax (пороговое значение 2,8 м / с и 3,4 м / с) и наличия любого одного дополнительного признака для ЛГ из набора нескольких эхокардиографических признаков. Хотя мы недавно продемонстрировали, что ЛГ можно предсказать с высокой точностью на основе эхокардиографической оценки RAP / PAP в конкретных условиях опытных исследователей, мы также поддерживаем ограничительную рекомендацию относительно оценки RAP, как указано в руководящих принципах, но с учетом более общей применимости .Таким образом, подход, позволяющий учитывать широкий набор эхокардиографических признаков с меньшим акцентом на РАП, кажется более надежным. К сожалению, нет систематической научной оценки предлагаемого подхода к руководству. Таким образом, мы стремились создать алгоритм эхокардиографического прогнозирования ЛГ, который: 1) основан на ML, чтобы гарантировать объективную несмещенную генерацию, 2) включает относительно широкий, но обычно получаемый набор параметров для достижения чувствительности и ограничения зависимости от очень мало и проблематичных параметров, таких как оценка RAP, избегая при этом длительных или сложных экзаменов 3) дает значимые веса информативного vs.менее информативные признаки и 4) достигает того же или более высокого уровня чувствительности, сохраняя при этом общую прогностическую эффективность для наличия PH (то есть аналогичную AUC в анализе ROC) по сравнению с наиболее эффективным в настоящее время алгоритмом для оценки PAP в опытных руках. Мы представляем разработку и внутреннюю проверку модели машинного обучения для диагностики ЛГ на основе эхокардиографических измерений.

Методы

Расширенный раздел методов включен в онлайн-приложение (Приложение S1).

Исследуемая популяция

В данной статье представлены результаты ретроспективного исследования эхокардиографических исследований и результаты ПКЗ, проведенного в Клинике кардиологии и пульмонологии, Университетский медицинский центр Геттингена; Больница Королевского колледжа, Лондон; и кафедра внутренней медицины II Регенсбургского университета в период с 2011 по 2016 год [10]. Исследование проводилось как поиск в базе данных, ограниченный данными эхокардиографии и RHC, одобренными местными комитетами по этике и в соответствии с измененной Хельсинкской декларацией.Перед доступом к данным все данные были полностью анонимизированы. Критериями включения были (1.) инвазивно определенное давление в легочной артерии (ДЛА) в течение 24 часов после эхокардиографического исследования и (2.) достаточное качество данных, определяемое как отсутствие не более 40% соответствующей информации.

Переменные факторов риска

В качестве переменных факторов риска использовались основные характеристики пациента: возраст, пол, ИМТ и площадь поверхности тела (ППТ) в сочетании с 21 эхокардиографическим измерением.Переменные RVD определены, как подробно описано в Rudski et al. [11]. Набор переменных, в частности, позволяет рассчитать риск PH с использованием нескольких установленных методов. Большинство переменных показывают некоторые пропущенные значения (Таблица 1). Ни одна из переменных не была удалена из-за пропущенных значений. Для получения объективных оценок эффективности на основе перекрестной проверки (CV) предварительное вменение не производилось, но обработка отсутствующих значений проводилась как часть CV.

Результатов

Наличие или отсутствие ЛГ было предопределенным результатом этого анализа и в соответствии с рекомендациями Европейского общества кардиологов 2015 года по диагностике и лечению ЛГ было определено как PAPm ≥ 25 мм рт.ст. по оценке RHC в покое [12].Для методов регрессии в качестве альтернативы используется прямое моделирование самого измерения PAPm.

Алгоритмы машинного обучения

Были оценены пять алгоритмов машинного обучения: машина опорных векторов (SVM [13]) логистическая регрессия со штрафными лассо [14], усиленные модели дерева классификации с использованием алгоритма Куинлана C5.0 [15], случайный лес деревьев классификации и случайный лес деревьев регрессии. [16]. Технические подробности приведены в приложении (Приложение S1). Были соблюдены руководящие принципы прозрачной отчетности многомерной модели прогнозирования для индивидуального прогноза или диагноза (TRIPOD) (Приложение S1).

Статистический анализ

Описательные значения были вычислены для всех рассматриваемых переменных. Факторный анализ смешанных данных (FAMD [17]) использовался для извлечения компонентов, объясняющих большую часть дисперсии. Переменные с установленными порогами разделения на высокие и низкие были дихотомизированы для оценки машинного обучения. Было построено 10-кратное повторение 3-кратного CV, что привело к 3-кратному размеру 28 в каждом повторении (S3 Рис.). Затем алгоритмы машинного обучения обучались по очереди на двух разделах и оценивались на оставшемся разделе.Было выбрано небольшое количество складок, чтобы получить большие наборы тестов, которые позволяют проводить разумное вменение в пределах каждой складки. Для достижения одинакового распределения во всех обучающих и тестовых наборах применялась схема стратифицированной выборки. В CV и тренировочный набор, и тестовый набор были рассчитаны отдельно, чтобы избежать систематической ошибки в оценке производительности.

Методы случайного леса, а также усиленные деревья классификации могут обрабатывать пропущенные значения внутренне. Перед применением других алгоритмов пропущенные значения были вычислены с использованием итеративного алгоритма FAMD [18].Сообщается о показателях производительности, особенно о площади под кривой характеристики оператора приемника (ROC) (AUC), усредненной по 10 повторениям. Доверительные интервалы для AUC рассчитывались из CV с использованием метода LeDell et al. [19] конкретно касается структуры резюме. Важность переменной для леса регрессионного дерева была рассчитана с использованием важности перестановочной переменной Бреймана-Катлера (16). Все анализы проводились с использованием среды статистического программирования R (версия 3.4.3, [20]).

Результаты

Характеристики исследуемой популяции

Набор данных включал 90 пациентов, из которых 68 (75,6%) имели инвазивно подтвержденную ЛГ с использованием рекомендованного критерия PAPm ≥25 мм рт. Ст., А у 22 (24,4%) ЛГ не было выявлено при инвазивном измерении. Шесть пациентов были исключены из анализа из-за высокой степени пропущенных значений. Пациенты с подтвержденной ЛГ были значительно старше, чем пациенты без нее (68 ± 14 против 54 ± 19 лет; p <0,01).Как и ожидалось, несколько эхокардиографических измерений (RVD1, RVD2, TAPSE, RAP, TRVmax, TRVm и TRPm) показывают значительную разницу между двумя группами пациентов (Таблица 1).

Переменные TRVmax, TRVm и TRPm образуют группу сильно коррелированных переменных (коэффициент корреляции между 0,94 и 0,99). Переменные RVD (RVD1, RVD2, RVD3 и увеличение RVD) образуют другую группу положительно коррелированных переменных; хотя корреляция с RVD3 недостаточно сильна, чтобы оставаться значимой после поправки на множественное тестирование.Обе группы слегка положительно коррелируют с RVD2, показывая самый сильный сигнал корреляции с первой группой. Все парные корреляции были рассчитаны, и переменные были сгруппированы (рис. S1 и S2).

Кластеризация на основе корреляции (рис. 1A) и факторный анализ смешанных данных (FAMD) (рис. 1B – 1D) показывают некоторое разделение между пациентами с подтвержденной ЛГ и пациентами без подтвержденной ЛГ. Первое измерение в FAMD объясняет 15,6% дисперсии и несет в себе некоторую разделяющую тенденцию.Самый сильный сигнал к этому разделению связан с переменными TRVm, TRVmax и TRPm (рис. 1C).

Рис. 1. Обзор данных.

(A) Тепловая карта 27 переменных (столбцов) по 90 пациентам (строки). Переменные изучены. И пациенты, и переменные переупорядочиваются с помощью иерархической кластеризации. Цветная полоса справа показывает пациентов с PH (розовый) и без PH (синий). (B) — (D) Результаты факторного анализа смешанных данных (FAMD). (B) Первые два измерения, объясняющие наибольшую часть дисперсии данных.Каждая точка представляет одного пациента, пациенты с ЛГ показаны розовым цветом, пациенты без подтвержденной ЛГ показаны синим цветом. (C) Вклад каждой из переменных в первые два измерения FAMD. (D) Процент отклонения по первым пяти параметрам в FAMD.

https://doi.org/10.1371/journal.pone.0224453.g001

Точность прогноза

Показатели эффективности прогнозирования, оцененные в рамках CV для алгоритмов машинного обучения, а также по установленной формуле Aduen et al.[21] продемонстрировали высокую точность (табл. 2). Для методов ML показаны средние значения по CV-повторам. Все методы дают значения AUC> 0,78, и все доверительные интервалы в значительной степени перекрываются. Ни один алгоритм не работает значительно хуже, чем Aduen et al. (наименьшее значение p 0,08 для логистической регрессии согласно критерию значимости Делонга для различий в кривых ROC). Однако методы классификации группируются на несколько более низких уровнях (значения AUC 0,80–0,85), в то время как случайный лес деревьев регрессии обеспечивает эффективность классификации, аналогичную эффективности Aduen et al.(AUC 0,87 в обоих случаях). Хотя Aduen et al. уравновешивает чувствительность (0,86) и специфичность (0,86), случайный лес деревьев регрессии подчеркивает чувствительность (0,89) над специфичностью (0,67) (рис. 2; для отдельных кривых ROC S4, рис.). Этот акцент на чувствительности, а не на специфичности присутствует во всех обученных методах машинного обучения и связан с дисбалансом, присутствующим в исследуемой когорте. Кривые прецизионного отзыва для прогнозирования PH дают аналогичную картину (S5, рис.). Комбинация Aduen et al.со случайным лесом регрессионных деревьев достигает немного большей AUC 0,89 (95% ДИ 0,81–0,98). Интересно, что акцент чувствительности (0,95) над специфичностью (0,52) еще больше.

Рис 2. Классификационные характеристики.

Случайный лес деревьев регрессии показывает производительность, сравнимую с лучшими из нескольких известных методов прогнозирования PH Aduen et al. (A) Площадь под кривой ROC (AUC) для всех методов с расчетным доверительным интервалом 95%. (B) Консенсусные ROC-кривые пяти рассматриваемых алгоритмов машинного обучения, а также ROC-кривая метода Aduen et al.(светло-синий).

https://doi.org/10.1371/journal.pone.0224453.g002

Случайный лес регрессионных деревьев моделирует PAPm, так что можно сравнивать прогнозы модели с инвазивно измеренными значениями. Смоделированные значения коррелируют с инвазивно измеренными значениями на более низких уровнях для метода, полученного с помощью машинного обучения, по сравнению с Aduen et al. с коэффициентами корреляции Пирсона 0,63 для случайного леса и 0,70 для Aduen et al. Комбинированный метод снова достигает той же корреляции с коэффициентом корреляции 0.69 (рис. 3A). Смещение в случайном лесу деревьев регрессии наименьшее, в то время как Aduen et al. в среднем занижают измеренное PAPm на 5 мм рт. С другой стороны, случайный лес, а также комбинированный метод демонстрируют регрессию к среднему значению (S6 рис.).

Рис. 3. Самый эффективный метод машинного обучения: случайный лес деревьев регрессии.

Случайный лес регрессионных деревьев показал лучшие результаты среди 5 рассматриваемых методов машинного обучения и достиг уровней производительности, сопоставимых с прогнозом Aduen et al., лучший из нескольких известных методов прогнозирования. (A) Инвазивно измеренное PAPm (ось y) по сравнению с прогнозами (ось x). Отображаются прогнозы по случайному лесу деревьев регрессии (синий), прогнозы по комбинации случайного леса деревьев регрессии и метода Aduen et al. (фиолетовый), и прогнозы по методу Aduen et al. (розовый). Линии показывают линейную посадку с полосами уверенности (серые оттенки). На графике показаны прогнозы от первого повторения CI. Текстовая аннотация дает коэффициенты корреляции Пирсона с 95% доверительными интервалами.Для метода ML это средние значения по всем повторам CV. (B) Переменная важность для случайного леса деревьев регрессии.

https://doi.org/10.1371/journal.pone.0224453.g003

Рейтинг переменных машинного обучения

Aduen et al. рассчитывается как сумма TRPm и RAP и доказал свою эффективность среди нескольких изученных установленных методов прогнозирования. Поскольку случайный лес деревьев регрессии обеспечивает сопоставимые уровни эффективности классификации, мы спросили, какие переменные он преимущественно использует.Перестановка обеспечивает явную меру важности переменных в случайном лесу. Для каждой переменной увеличение ошибки прогноза усредняется по всем деревьям в лесу, когда значения этой переменной меняются местами. Значения RAP показывают лишь небольшую важность переменных для случайного леса деревьев регрессии (рис. 3B). Вместо этого прогнозы основаны в основном на TRVm, TRVmax и RVD2. TRVm оценивается как наиболее важная переменная, а RVD2 входит в число наиболее важных переменных также для всех других алгоритмов, за исключением логистической регрессии со штрафными лассо (S7 Рис).

Обсуждение

Хотя только двух эхокардиографических измерений достаточно для оценки PAP с высокой точностью в опытных руках, европейские руководящие принципы предпочитают рассмотрение нескольких признаков, а не PAP из-за опасений относительно усиления ошибки [12]. Чтобы создать алгоритм, который решает эту задачу, мы исследовали несколько методов ML на предмет их производительности, поскольку ML идеально подходит для интеграции нескольких параметров. На рис. 4 представлен обзор группы пациентов, собранных данных и обработки (рис. 4).Подавляющее большинство когорты составляли пациенты из группы 2 ВОЗ (из-за болезни левого сердца). Возможное применение прогноза PH в этой когорте — оценка риска, например в контексте интервенционных или хирургических вмешательств.

Рис. 4. Обзор процедуры и основные результаты.

Набор данных включает измерения 68 пациентов с подтвержденной ЛГ и 22 пациентов без ЛГ. Были измерены четыре социально-демографические и 21 эхокардиографическая переменные. Шесть пациентов были исключены из-за высокой степени пропуска.В качестве ссылки на формулу Aduen et al. была оценена. Были применены пять методов ML, которые оценивались с использованием 10-кратной схемы 3-кратного CV. Два метода машинного обучения требовали вменения в качестве этапа предварительной обработки в каждом сегменте резюме. Прогнозы случайного леса регрессионных деревьев были дополнительно объединены с предсказаниями Aduen et al.

https://doi.org/10.1371/journal.pone.0224453.g004

Прогнозирование вероятности легочной гипертензии на основе эхокардиографии является рутинной клинической задачей, но на практике оценка вероятности и, в частности, ПАП все еще затруднена, часто что приводит к неточным оценкам и неправильному диагнозу.В более раннем анализе мы стремились определить лучший из различных существующих алгоритмов и нашли относительно простую формулу, впервые описанную Адуеном и др.: PAPm = TRPm + RAP показал наилучшие результаты и с высокой точностью в конкретных условиях опытных экзаменаторов [10]. В этой формуле RAP был информативным, то есть включение увеличивало точность прогноза (по сравнению с одним TRPm). Однако оценка RAP в обычных условиях — нетривиальная задача, и в текущих рекомендациях она подвергается критике за возможность увеличения погрешности [12].Более того, из-за небольшого количества параметров формула может игнорировать некоторые типичные особенности ЛГ, которые можно легко обнаружить при рутинном эхокардиографическом исследовании. Это говорит о том, что значимая информация может быть потеряна и что результат очень подвержен ошибочным измерениям одного из двух параметров, например. в менее опытных руках. ML обеспечивает беспристрастный подход к получению прогнозов с возможностью распознавания неизвестных взаимодействий и помощи в значимом выборе функций. Машинное обучение не имеет принципиальных преимуществ перед опытными экзаменаторами, которые благодаря своему опыту интегрируют несколько параметров с высокой точностью без статистических рассуждений.Скорее, он предлагает современное решение для стандартизации и упрощения рассмотрения, интеграции и обоснования на основе нескольких параметров [22]. Таким образом, мы исследовали ML на предмет его способности помогать в определении вероятности PH. С намерением включить ML в будущие эхокардиографические устройства, наша цель состояла в том, чтобы решить типичные проблемы в снижении вероятности ЛГ во время рутинной эхокардиографии.

Мы обнаружили, что: 1) метод случайной лесной ML на основе регрессии идентифицирует пациентов с ЛГ (подтверждено RHC в течение 24 часов) с очень высокой точностью.2) Анализ важности признаков показал, что этот алгоритм ML в значительной степени не зависел от предполагаемого RAP, в то же время он был способен интегрировать различные эхокардиографические характеристики PH и, таким образом, управлять недостающими значениями. 3) Изученные методы бинарной классификации достигают несколько (незначительно) более низких уровней дискриминации (оцениваемых по AUC). 4) Как традиционные формулы, так и алгоритмы машинного обучения могут быть объединены для дальнейшего повышения чувствительности, хотя и за счет специфичности.

RAP считается параметром, подверженным ошибкам, и поэтому не рекомендуется руководящими принципами ESC [12] из-за его динамического изменения в зависимости от потребления жидкости, требования субкостального обзора, устойчивого к глубокому дыханию, пациента, который соблюдает дыхание команда и трудности измерения диаметра полой вены при движении печени на вдохе. Хотя эти проблемы могут быть решены у большинства пациентов опытными экспертами, избегая Aduen et al.может привести к еще более надежным результатам в условиях менее опытных экзаменаторов. Поскольку мы определили, что Aduen et al. Представляют собой наиболее эффективный установленный метод в более раннем анализе, набор данных ограничен набором пациентов, у которых применялся метод Aduen et al. было возможно. Таким образом, набор данных ограничен пациентами, у которых был достигнут хороший вид подреберья и соблюдение респираторных команд для расчета RAP. Следовательно, в этой ситуации ML предлагает, по крайней мере, мощную альтернативу Aduen et al., путем выбора дополнительных параметров без потери точности. Кроме того, машинное обучение благоприятно направлено на желание включить как можно больше информации, учитывая клиническую реальность некоторых недостающих значений. Из-за этих концептуальных преимуществ весьма вероятно, что преимущества ML могут быть больше у пациентов с менее идеальными акустическими окнами.

За исключением RAP и TRVmax, в нашей когорте мы имели дело с некоторой степенью отсутствующих данных. Мы ожидали, что производительность подходов машинного обучения увеличится, если для обучения будут доступны более полные данные.Если мы предварительно импутируем и оценим производительность, мы получим значение AUC 0,93. Хотя это, вероятно, переоценивает эффективность классификации, это дает основание полагать, что даже лучшая классификация может быть возможна с большим количеством данных. Интересно, что чувствительность увеличивается, а специфичность снижается по сравнению с Aduen et al. Это можно даже усилить, комбинируя Aduen et al с ML. Более высокая специфичность Aduen et al. однако сочетается с более низкой отрицательной прогностической ценностью, в то время как для предлагаемого метода ML NPV и PPV сбалансированы.Хотя согласно прогнозу ML, больше пациентов без ЛГ будут подвергнуты RHC, мы считаем, что специфичность лучше всего подтверждается RHC (а не эхокардиографией). RHC эффективно ограничивает количество пациентов (без ЛГ), которые могут быть ложно подвергнуты терапии на основе эхокардиографического прогноза, но при применении ML меньшее количество пациентов с истинной PH будет исключено из RHC и, следовательно, из лечения, и уверенность в правильном исключении этих пациентов будет выше по сравнению с применением формулы Aduen et al.

Наше исследование имеет некоторые ограничения. Анализ сосредоточен на различении ЛГ от отсутствия ЛГ, как это определено с помощью бинарной точки отсечения при 25 мм рт. Ст., Которая не учитывает пограничный рН (20–24 мм рт. Основой проектов машинного обучения остается высококачественный сбор данных и аннотации. Вот почему набор данных ограничен 90 пациентами из трех учреждений с максимальным интервалом всего 24 часа между эхокардиографией и инвазивным измерением золотого стандарта.Следовательно, небольшой размер выборки является ограничением этой когорты. Несмотря на это ограничение, наша когорта по-прежнему остается самой большой по сравнению с ранее опубликованными когортами, сравнивающими эхокардиографическое и инвазивное определение, и в этих исследованиях применялись менее строгие критерии включения, такие как Chemla et al. (n = 31) [23], Friedberg et al. (n = 17) [24], Syyed et al. (n = 65) [25], Dabestani et al. (n = 39) [26], Granstam et al. (n = 29) [27], Kitabatake et al. (n = 33) [28]. С другой стороны, набор данных относительно невелик для обучения некоторых моделей машинного обучения.Тем не менее, ML очень успешно применяется в аналогичных медицинских учреждениях и в аналогичных размерах выборки [22,29,30]. Более того, небольшая задержка (<24 ч) между эхокардиографией и инвазивным измерением в нашей когорте уменьшает размер выборки, но повышает точность прогнозирования, подчеркивая, что качество аннотации может компенсировать небольшие размеры выборки в проектах машинного обучения. Когорта содержит только данные пациентов, которые позволяют рассчитать Aduen et al. для сравнения с этим алгоритмом. Это повышает вероятность того, что ML может работать лучше в когорте с отсутствующими значениями скорости RAP или TR.Однако на данном этапе ясно, что ни один алгоритм машинного обучения убедительно не превзошел простую формулу Адуена, и необходимо ли изучить концептуальные преимущества алгоритмов машинного обучения для замены существующих подходов в реальной когорте, которая на порядок больше. . К сожалению, насколько нам известно, такая когорта в настоящее время недоступна.

Чтобы еще больше противодействовать ограниченному размеру набора данных и риску переобучения нашей экспериментальной установки, мы использовали некоторые экспертные знания: мы преобразовали в двоичную форму некоторые переменные, используя установленные пороговые значения, мы использовали предварительно выбранные переменные и удалили пациентов с высокой степенью недостающих значений.Однако по сравнению с выбранным алгоритмом машинного обучения другие компоненты экспериментальной установки оказали незначительное влияние. Для целей моделирования мы также включили непрерывные версии бинаризованных переменных, все переменные вместо отфильтрованного набора и всех пациентов вместо только тех, у которых степень пропущенных значений ниже. Хотя представленная установка дает наилучшую производительность классификации, наименьшая AUC, наблюдаемая для случайного леса регрессионных деревьев, составила 0,82 (95% ДИ 0.71–0,93), что свидетельствует о высоком уровне устойчивости. Тем не менее, хотя перекрестная проверка компенсирует отсутствие отдельной проверочной когорты, мы по-прежнему считаем, что проспективная оценка модели в большой когорте должна быть следующим шагом, который вызовет ожидаемый сдвиг парадигмы в принятии клинических решений для ЛГ. Следует отметить, что на сегодняшний день этого не удалось достичь для предложенного алгоритма ESC и многих традиционных формул.

Использование подходов машинного обучения также предоставляет средства для изучения и сравнения важности различных переменных — не только по отдельности, но и их влияния в рамках многомерного моделирования.Мы видели, что рядом с TRV, RVD2 также очень информативен. Таким образом, ML помогает понять, какой из нескольких параметров связан с получением информации в конкретной настройке. Это также стало результатом недавно проведенного проекта машинного обучения с большим набором данных, раскрывающего важную информацию о прогностической эффективности различных эхокардиографических переменных [31]. Когда большие когорты недоступны, наше исследование демонстрирует, что машинное обучение можно различать в меньших наборах данных. Таким образом, в ближайшем будущем ML может стать основным компонентом принятия клинических решений в эхокардиографии [32].

Заключение

Поздняя или пропущенная диагностика ЛГ может иметь пагубные последствия. Поскольку алгоритмы машинного обучения можно легко интегрировать в эхокардиографические аппараты, мы исследовали значение статистики на основе машинного обучения в сложном клиническом прогнозе ЛГ. Лучший алгоритм машинного обучения для прогнозирования PH был одинаково точен по сравнению с лучшей традиционной формулой для оценки вероятности PH, уже предлагая надежную альтернативу с несколькими концептуальными преимуществами. Комбинация обоих подходов еще больше повысила точность прогнозов и, в частности, чувствительность.Таким образом, наш алгоритм ML может дополнять или заменять формулу Aduen et al. и, безусловно, может заменить его в случаях, когда невозможно надежно определить ПДП. Хотя набор обучающих данных уникален с точки зрения точности измерения PAP, учитывая максимум 24 часа между эхокардиографией и инвазивным измерением, обучающий набор для ML невелик. Таким образом, при условии, что наши результаты могут быть подтверждены на более крупной независимой когорте, преимущества толерантности к пропущенным значениям, его слабая зависимость от RAP и производительности конкурентной классификации делают наш подход ML разумной альтернативой для прогнозирования вероятности PH.

Список литературы

1. 1. Епископ СМ. Распознавание образов и машинное обучение. Нью-Йорк: Спрингер; 2006. xx, 738 с. п.
2. 2. Таджикский AJ. Машинное обучение для эхокардиографической визуализации: начало еще одного невероятного путешествия. Журнал Американского колледжа кардиологии. 2016 29 ноября; 68 (21): 2296–8. pmid: 27884248.
3. 3. Сенгупта П.П., Хуанг Ю.М., Бансал М., Ашрафи А., Фишер М., Шамир К. и др. Алгоритм когнитивного машинного обучения для визуализации сердца: экспериментальное исследование для дифференциации констриктивного перикардита от рестриктивной кардиомиопатии.Кровообращение Визуализация сердечно-сосудистой системы. 2016 июн; 9 (6). pmid: 27266599. Pubmed Central PMCID: 5321667.
4. 4. Джонсон Н.П., Тот Г.Г., Лай Д., Чжу Х., Акар Г., Агостони П. и др. Прогностическая ценность фракционного резерва кровотока: связь физиологической тяжести с клиническими исходами. Журнал Американского колледжа кардиологии. 2014, 21 октября; 64 (16): 1641–54. pmid: 25323250.
5. 5. Henglin M, Stein G, Hushcha PV, Snoek J, Wiltschko AB, Cheng S. Подходы к машинному обучению в визуализации сердечно-сосудистой системы.Кровообращение Визуализация сердечно-сосудистой системы. 2017 Октябрь; 10 (10). pmid: 28956772. Pubmed Central PMCID: 5718356.
6. 6. Маццанти М., Ширка Э., Джерго Х., Хасими Э. Визуализация, данные о состоянии здоровья и искусственный интеллект: обман или надежда? Текущие кардиологические отчеты. 2018 10 мая; 20 (6): 48. pmid: 29749590.
7. 7. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Искусственный интеллект в прецизионной сердечно-сосудистой медицине. Журнал Американского колледжа кардиологии. 30 мая 2017 г .; 69 (21): 2657–64.pmid: 28545640.
8. 8. Ганди С., Мосле В., Шен Дж., Чоу СМ. Автоматизация, машинное обучение и искусственный интеллект в эхокардиографии: дивный новый мир. Эхокардиография. 5 июля 2018 г. pmid: 29974498.
9. 9. Цанг В., Салго И.С., Медведофски Д., Такеучи М., Пратер Д., Вайнерт Л. и др. Трансторакальная трехмерная эхокардиографическая количественная оценка левой камеры сердца с использованием автоматизированного алгоритма адаптивной аналитики. JACC Кардиоваскулярная визуализация. Июль 2016; 9 (7): 769–82. pmid: 27318718.
10. 10. Hellenkamp K, Unsold B, Mushemi-Blake S, Shah AM, Friede T., Hasenfuss G, et al. Эхокардиографическая оценка среднего давления в легочной артерии: сравнение различных подходов к определению вероятности легочной гипертензии. Журнал Американского общества эхокардиографии: официальное издание Американского общества эхокардиографии. 2018 Янв; 31 (1): 89–98. pmid: 29174340.
11. 11. Рудски Л.Г., Лай В.В., Афилало Дж., Хуа Л., Хандшумахер М.Д., Чандрасекаран К. и др.Рекомендации по эхокардиографической оценке правых отделов сердца у взрослых: отчет Американского общества эхокардиографии, одобренный Европейской ассоциацией эхокардиографии, зарегистрированным отделением Европейского общества кардиологов и Канадским обществом эхокардиографии. Журнал Американского общества эхокардиографии: официальное издание Американского общества эхокардиографии. Июль 2010 г .; 23 (7): 685–713; викторина 86–8. pmid: 20620859.
12. 12. Гали Н., Гумберт М., Вашьери Дж. Л., Гиббс С., Ланг И., Торбицки А. и др.Рекомендации ESC / ERS по диагностике и лечению легочной гипертензии, 2015 г .: Объединенная рабочая группа по диагностике и лечению легочной гипертензии Европейского общества кардиологов (ESC) и Европейского респираторного общества (ERS): одобрено: Европейской ассоциацией Детская и врожденная кардиология (AEPC), Международное общество трансплантации сердца и легких (ISHLT). Европейский сердечный журнал. 2016, 1 января; 37 (1): 67–119. pmid: 26320113.
13. 13. Чанг YC.Максимизация меры типа ROC за счет линейной комбинации маркеров, когда золотая ссылка является непрерывной. Статистика в медицине. 2013 20 мая; 32 (11): 1893–903. pmid: 22972679.
14. 14. Фридман Дж. Х., Хасти Т., Тибширани Р. Пути регуляризации для обобщенных линейных моделей через координатный спуск. 2010. 2010-02-02; 33 (1): 22. Epub 2010-02-02.
15. 15. Куинлан-младший. C4.5: программы для машинного обучения: Morgan Kaufmann Publishers Inc .; 1993. 302 с.
16. 16.Брейман Л. Случайные леса. Машинное обучение. 01 октября 2001 г.; 45 (1): 5–32.
17. 17. Паж Ж. Анализируйте factorielle de données mixtes. Revue de Statistique Appliquée. 2004. 52 (4): 93–111.
18. 18. Audigier V, Fran, # 231, Husson o, Josse J. Метод главных компонентов для вменения пропущенных значений для смешанных данных. Adv Data Anal Classif. 2016; 10 (1): 5–26.
19. 19. ЛеДелл Э., Петерсен М., Ван дер Лаан М. Вычислительно эффективные доверительные интервалы для перекрестно проверенной площади под оценками кривой ROC.Электронный журнал статистики. 2015; 9 (1): 1583–607. Pubmed Central PMCID: pmid: 26279737.
20. 20. Основная команда разработчиков R. Язык и среда для статистических вычислений Доступны в Интернете по адресу http://www.R-project.org/2018.
21. 21. Aduen JF, Castello R, Lozano MM, Hepler GN, Keller CA, Alvarez F, et al. Альтернативный эхокардиографический метод оценки среднего давления в легочной артерии: диагностические и клинические последствия. Журнал Американского общества эхокардиографии: официальное издание Американского общества эхокардиографии.Июль 2009; 22 (7): 814–9. pmid: 19505794.
22. 22. Нарула С., Шамир К., Салем Омар А.М., Дадли Дж. Т., Сенгупта П.П. Алгоритмы машинного обучения для автоматизации морфологической и функциональной оценки в 2D-эхокардиографии. Журнал Американского колледжа кардиологии. 2016 29 ноября; 68 (21): 2287–95. pmid: 27884247.
23. 23. Chemla D, Castelain V, Humbert M, Hebert JL, Simonneau G, Lecarpentier Y, et al. Новая формула для прогнозирования среднего давления в легочной артерии с использованием систолического давления в легочной артерии.Грудь. 2004 Октябрь; 126 (4): 1313–7. pmid: 15486398.
24. 24. Фридберг MK, Файнштейн JA, Rosenthal DN. Новый эхокардиографический допплеровский метод для оценки давления в легочной артерии. Журнал Американского общества эхокардиографии: официальное издание Американского общества эхокардиографии. 2006 Май; 19 (5): 559–62. pmid: 16644441.
25. 25. Сайед Р., Ривз Дж. Т., валлийский Д., Рейсайд Д., Джонсон М.К., Пикок А.Дж. Взаимосвязь между компонентами давления в легочной артерии остается постоянной при любых состояниях, как при здоровье, так и при болезни.Грудь. Март 2008 г., 133 (3): 633–9. pmid: 17989160.
26. 26. Дабестани А., Махан Дж., Гардин Дж. М., Такенака К., Берн С., Олфи А. и др. Оценка давления и сопротивления легочной артерии с помощью импульсной допплеровской эхокардиографии. Am J Cardiol. 1 марта 1987 г., 59 (6): 662–8. pmid: 3825910.
27. 27. Гранстам С.О., Бьорклунд Э, Викстром Дж., Роос М.В. Использование времени эхокардиографического ускорения легких и оценки сосудистого сопротивления для оценки возможной легочной гипертензии.Сердечно-сосудистое УЗИ. 2013; 11: 7. pmid: 23445525. Pubmed Central PMCID: 3600025.
28. 28. Китабатаке А., Иноуэ М., Асао М., Масуяма Т., Танучи Дж., Морита Т. и др. Неинвазивная оценка легочной гипертензии с помощью импульсной допплерографии. Тираж. 1983 август; 68 (2): 302–9. pmid: 6861308.
29. 29. Табассиан М., Сандерджи И., Эрдей Т., Санчес-Мартинес С., Деджованни А., Марино П. и др. Диагностика сердечной недостаточности с сохранением фракции выброса: машинное обучение пространственно-временных вариаций деформации левого желудочка.Журнал Американского общества эхокардиографии: официальное издание Американского общества эхокардиографии. 2018 23 августа. Pmid: 30146187.
30. 30. Санчес-Мартинес С., Дюшато Н., Эрдей Т., Кунст Дж., Аахус С., Деджованни А. и др. Анализ машинного обучения функции левого желудочка для характеристики сердечной недостаточности с сохранением фракции выброса. Кровообращение Визуализация сердечно-сосудистой системы. 2018 апр; 11 (4): e007138. pmid: 29661795.
31. 31. Samad MD, Ulloa A, Wehner GJ, Jing L, Hartzel D, Good CW и др.Прогнозирование выживаемости на основе больших наборов данных эхокардиографии и электронных медицинских карт: оптимизация с помощью машинного обучения. JACC Кардиоваскулярная визуализация. 2018 июн 9. pmid: 29909114.
32. 32. Гольдштейн Б.А., Навар А.М., Картер Р.Э. Выход за рамки методов регрессии в прогнозировании сердечно-сосудистых рисков: применение машинного обучения для решения аналитических задач. Европейский сердечный журнал. 2017 г. 14 июня; 38 (23): 1805–14. pmid: 27436868. Pubmed Central PMCID: 5837244.