Введение

Болезни органов дыхания, по данным официальной статистики, на протяжении нескольких лет стабильно входят в число лидирующих в структуре общей заболеваемости [1]. Наиболее часто встречающимся симптомом заболевания бронхолегочной системы является кашель. Также кашель можно назвать самой популярной причиной, по которой пациенты обращаются за медицинской помощью [1, 2]. В России распространенность хронического кашля составляет 14,8% [1]. В структуре заболеваемости взрослого населения нашей страны болезни органов дыхания занимают 1-е место и составляют 470,6 случая на 1 тыс. населения. В числе этих цифр хронический бронхит занимает немалую часть, а именно 29,7 случая на 1 тыс. населения [3, 4].

Ассоциация врачей общей практики РФ определяет кашель как форсированный экспираторный маневр, происходящий обычно при закрытых голосовых связках, который сопровождается характерными звуками [1].

Известно, что основным симптомом хронического бронхита является кашель разной интенсивности, периодичности и характера (сухой или влажный) [5].

Кашель при хроническом бронхите развивается постепенно. Чаще всего беспокоит сухой кашель в утренние часы, затем появляется слизистая мокрота. Далее частота кашля увеличивается, и данный симптом может беспокоить пациента в течения суток. Сырая и холодная погода, как правило, усугубляет проявление болезни. В конечном итоге кашель продолжается на протяжении большинства дней в период не менее 3 мес в течение 2 лет и более и с годами становится постоянным [3].

Если рассматривать кашель с точки зрения биомеханики, то можно выделить три стадии или фазы: 1-я стадия — открытие голосовой щели [6]; 2-я стадия — сжатие голосовой щели [6—8]; 3-я стадия — раскрытие голосовой щели и быстрый выход воздуха из легких [5, 9].

Попытки объективизировать кашель были предприняты еще в прошлом веке [10]. Был разработан способ, который определяет чувствительность кашлевых рецепторов с помощью ингаляции триггеров (лимонной кислоты, брадикинина, капсацина), приводящих к кашлю [11, 12]. Однако этот метод не получил широкого клинического применения из-за большого совпадения показателей между здоровыми пациентами и больными, страдающими хроническим кашлем.

На сегодняшний день методы диагностики заболеваний, ведущим симптомом которых является кашель, можно условно разделить на три группы. Это опросники, тщательный сбор анамнеза и осмотр пациента, а также инструментальные методы исследования. Эти методы основаны на субъективных ощущениях пациента и не всегда могут быть ключевым способом обследования, а скорее носят вспомогательный характер [13—15].

Наиболее доступным методом инструментальной диагностики причин кашля является спирометрия, в том числе с бронходилатационным тестом. Для достоверности спирометрии необходимо соблюдать критерии качества, которыми пациенты зачастую пренебрегают, в связи с чем нельзя расценивать это исследование как объективное в полной мере.

Бронходилатационный тест, который чаще всего назначают в качестве дифференциальной диагностики хронической обструктивной болезни легких (ХОБЛ) и бронхиальной астмы, также нельзя считать достоверным в 100% случаев, поскольку не всегда у пациентов с бронхиальной астмой имеется значимая обратимость бронхиальной обструкции, а у 20—25% пациентов, страдающих ХОБЛ, наоборот, может наблюдается значимая обратимость [16].

Таким образом, до сих пор в клинической практике нет точных методов диагностики этого синдрома.

Цель работы — анализ данных литературы о современных подходах к диагностике кашля.

Материал и методы

Проанализированы научные публикации из баз данных PubMed, eLibrary с глубиной поиска более 30 лет, посвященные методам диагностики кашля.

Результаты

Кашель проявляется внезапным выбросом воздуха из дыхательных путей и сопровождается характерным звуком. И самым информативным и важным физиологическим показателем кашля является звук. Именно звук можно рассматривать в качестве информативного диагностического параметра при многих заболеваниях и других состояниях, связанных с кашлем [13, 14].

В 1960-х годах впервые начали использовать запись звука кашля в качестве способа исследования. Запись происходила на микрофон и кассетное записывающее устройство. Количество кашлевых толчков считали ручным способом при прослушивании полученной записи [17—19].

Позднее применяли метод магнитофонной записи звуков кашля. Для этого использовали микрофон, который прикрепляли к одежде пациента или на стену палаты. Запись звука кашля передавалась на персональный компьютер, с которым был соединен микрофон через конвертер. Иногда запись производили с помощью кимографа, который был соединен с кроватью пациента. Данная конструкция предполагала и подсчет кашлевых толчков. Метод имел недостатки. Во-первых, он требовал очень громоздкого оборудования, в связи с чем не подходил для исследования в амбулаторных условиях. Во-вторых, при его применении ошибочно регистрировались и другие звуки помимо кашля [20].

Для анализа звуков одним из важнейших критериев является спектр сигнала [21]. Это результат разложения на более простые ортогональные функции. В качестве метода разложения обычно используют преобразование Фурье [21].

В 1955 г. на базе быстрого преобразования Фурье впервые был разработан спектральный анализ дыхательных шумов [22].

Анализ результатов разных исследований указывает на то, что спектральные свойства дыхательных шумов действительно отражают патологические изменения в легких, поэтому метод актуален, т.к. иногда разные врачи могут слышать звуки по-своему и в некоторых случаях некорректно интерпретировать результат.

Систему для спектрального анализа звуков кашля разработали в 1990 г. L. Toop и соавт., однако оборудование было слишком большое и тяжеловесное.

В 1993 г. на кафедре факультетской терапии ВГМИ им. Н.Н. Бурденко профессором В.М. Провоторовым и инженерами ОКБМ г. Воронежа был разработан туссограф ИКТ-1. Устройство подсчитывало число кашлевых толчков, их интенсивность и распределение за время проведения исследования. Сам туссограф состоял из двух блоков. Первый блок — накопитель сигналов, который крепился к поясу пациента и фиксировал кашлевые толчки, поступающие от микрофона и датчика. Второй блок — стационарный индикатор, который анализировал данные собранного материала и предоставлял результат в виде гистограммы кашля, цифровых значений и числа максимальных по амплитуде кашлевых толчков. Полученный график кашля назвали туссограммой, а сам метод — туссографией.

Спектральный анализ звука кашля представляет собой исследование спектрально-временных характеристик звуков кашля. Этот способ изучает продолжительность кашля в целом и его стадий по отдельности [23].

Имеется ряд исследований, направленных на анализ звука кашля, которые проводили среди детей, больных пневмонией. В ходе этих исследований был создан метод классификации и сегментации кашля [24].

В первых исследованиях анализа звука кашля использовали ручной отбор, а в исследованиях, которые были проведены U.R. Abeyratne и соавт. в 2013 г. и K. Kosasih и соавт. в 2015 г. [25, 26], применяли нейронные сети для разработки автоматизированного анализатора кашля. Однако, во-первых, сами звуки кашля приходилось отбирать вручную, что помешало полной автоматизации процесса по извлечению необходимых признаков заболевания. Во-вторых, количество материала, обработанного в ходе исследования, оказалось недостаточным для того, чтобы сделать четкие выводы о целесообразности применении данного метода [24].

В 2019 г. P. Porter и соавт. [27] и P. Moschovis и соавт. [28] проводили исследования с большим объемом материала. Но, как и в исследованиях 2013 и 2015 гг., авторы использовали традиционные способы сегментации и классификации кашля, что не позволило добиться полной автоматизации процесса [24].

В исследовании 2022 г. S. Liao и соавт. и 2023 г. R.V. Sharan и соавт. [29, 30] анализ звука кашля проводили с помощью нейронных сетей. Однако из-за отсутствия шумоподавления эти методы могли некорректно работать при фоновом шуме и посторонних звуках, присутствующих при записи кашля [29, 30].

R.V. Sharan и соавт. в 2024 г. выполнили исследование звука кашля детей с пневмонией и предложили полностью автоматизировать метод обнаружения детской пневмонии, при которой используются только звуковые характеристики кашля. Авторы применили нейронные сетевые методы шумоподавления звуков кашля, сегментации звуков кашля и классификации звуков кашля. Предлагаемый способ выявления детской пневмонии с использованием автоматизированного анализа звука кашля может быть реализован на смартфонах [24].

В 2024 г. S. Ghrabli и соавт. проанализировали звуки кашля больных COVID-19 [31]. Это исследование было направлено на выявление разных спектральных особенностей звуковых сигналов кашля, которые могут помочь в диагностике респираторных заболеваний. Оценка звуков кашля включала расчет распределения плотности мощности кашля. Для более детального анализа характеристик спектрального распределения мощности сигналов кашля, возникающих при различных респираторных заболеваниях, были использованы сложные алгоритмы машинного обучения LDA (Linear discriminant analysis) и KNN (K-nearest neighbors). Для сегментации кашля применяли метод конечных разностей во временной области и машинного обучения. Процесс сегментации был проверен посредством итеративной настройки параметров с выбором наиболее эффективного алгоритмического изменения для подавления посторонних звуков и шума. Эта работа дополнила предыдущие исследования анализа звуков кашля, в которых были применены нейронные сети. В отличие от предыдущих исследований в этой работе использовали классические классификаторы машинного обучения и уникальную идентификацию определенных диапазонов частот в спектре плотности мощности сигналов кашля для диагностики заболеваний. Это методологическое расхождение добавило новое видение анализа звука кашля и подтвердило, что кашель является важным биомаркером в диагностике респираторных заболеваний [31].

В настоящее время разработано несколько приборов для мониторирования кашля.

LCM (Leicester Cough Monitor) представляет собой автоматизированный звуковой амбулаторный анализатор кашля, состоящий из портативного цифрового записывающего устройства и микрофона, который был разработан S.S. Birring и соавт. в 2008 г. Чувствительность и специфичность LCM составляли 91% и 99% соответственно [32]. В настоящее время система LCM может записывать последовательные данные в течение более 24 ч (до 4 сут) и применяется для записи кашля при бронхиальной астме, заболеваниях голосовых связок, ХОБЛ в стадии обострения, бронхоэктатической болезни, туберкулезе, а также для оценки противокашлевой эффективности различных нейромодуляторов, таких как габапентин, прегабалин [33].

VitaloJAK — полуавтоматическое устройство мониторинга кашля, которое использовали для регистрации и измерения кашля в ряде клинических исследований, включая оценку противокашлевой эффективности некоторых препаратов при ХОБЛ.

The Hull Automatic Cough Counter (HACC) был разработан для автоматического распознавания и анализа кашлевых и некашлевых звуков. Около 20% ложноположительных результатов указывали на неспособность отличать звук кашля от посторонних звуков. При дальнейшем исследовании НАСС постоянно пропускал звук кашля — примерно в 15% случаев, поэтому было принято решение использовать совмещенную систему: HACC/LCM. Усредненные показатели системы HACC/LCM при обострениях ХОБЛ были ниже, чем при использовании только LCM при хроническом кашле [33, 34].

The Cayetano Cough Monitor (CayeCoM) — полуавтоматическая система обнаружения кашля, разработанная для записи кашля больных туберкулезом. Чувствительность этого метода составила 75,6% (4 ложных срабатывания в час), а специфичность — 99,6% [33, 34].

В большинстве случаев анализ кашля с помощью устройств проводили в течение 24 ч. K. Lee и соавт. доказали, что результативность 4-часового мониторирования кашля имеет выраженное соотношение с 24-часовым мониторированием. Это, безусловно, повысит практичность и удобность применения данного метода [20].

В настоящих реалиях огромное внимание уделяется мобильным технологиям для регистрации и автоматической обработки звуков кашля. Во время пандемии COVID-19 появилось много исследований на эту тему.

Так, H. Barcelo и соавт. предложили эффективную и энергосберегающую систему регистрации звуков кашля на базе смартфона, отличающую кашель от шумов с чувствительностью 88,94% и специфичностью 98,64%. D.F. Claxton и соавт. разработали алгоритм на базе смартфона, который выявляет наличие обострения ХОБЛ с чувствительностью 82,6% и специфичностью 91,0%. В другом исследовании система TussisWatch также на базе смартфона доказала свою эффективность в самостоятельном обнаружении эпизодов кашля для раннего выявления ХОБЛ или застойной сердечной недостаточности [35].

Заключение

В заключение следует отметить, что объективизировать кашель достаточно трудно. Именно в этом и состоит сложность диагностики, дифференциальной диагностики, а в дальнейшем и выбора лечения. Неверно поставленный диагноз ведет к прогрессированию заболевания, развитию осложнений и снижению качества жизни пациентов.

На протяжении нескольких лет в России с помощью спектрального анализа звука кашля были успешно проведены исследования таких заболеваний, как бронхиальная астма, гастроэзофагеальная рефлюксная болезнь, COVID-19. На основании данных этих исследований можно сделать вывод, что метод спектрального анализа звука кашля действительно позволяет разрешить задачи, которые стоят перед врачом сегодня [36]. Благодаря этому методу диагностики значительно снизится время для установления точного диагноза, что, в свою очередь, приведет к уменьшению случаев неверно выбранной тактики лечения.

Участие авторов:

Концепция работы — Будневский А.В., Авдеев С.Н.

Сбор и обработка материала — Овсянников Е.С., Белякова А.В.

Написание текста — Будневский А.В., Авдеев С.Н., Овсянников Е.С., Белякова А.В.

Редактирование — Будневский А.В., Авдеев С.Н., Овсянников Е.С., Белякова А.В.

Participation of the authors:

Concept of work — Budnevsky A.V., Avdeev S.N.

Collection and processing of material — Ovsyannikov E.S., Belyakova A.V.

Writing of text — Budnevsky A.V., Avdeev S.N., Ovsyannikov E.S., Belyakova A.V.

Editing — Budnevsky A.V., Avdeev S.N., Ovsyannikov E.S., Belyakova A.V.

Авторы заявляют об отсутствии конфликта интересов.