Tıkayıcı miyokard enfarktüsünün tanımlanması ve lokalizasyonu için bir derin öğrenme EKG modeli

Neden kalp krizi için önemli

Bir kişi kalp krizi geçirdiğinde, tedavi edilmeyen her dakika kalp kası kaybına yol açabilir. Hekimler genellikle kimin acil ameliyata gitmesi gerektiğine karar vermek için hızlı bir kalp kaydı olan EKG’ye ve kan testlerine güvenir. Ancak bu araçlar sıkça tehlikeli tıkanıkları atlayabilir veya aslında acil girişim gerektirmeyen kişileri işaretleyebilir. Bu çalışma, yapay zekânın EKG’leri okuyarak ciddi tıkanıkları daha doğru şekilde saptayabileceğini ve hatta yerini belirleyebileceğini gösteriyor; bu da doğru hastaların yaşam kurtarıcı tedaviye daha hızlı ulaştırılmasına yardımcı olabilir.

Kalpte tıkalı boruları aramak

Tüm kalp krizleri aynı değildir. Bazıları, yazarların tıkayıcı miyokard enfarktüsü olarak adlandırdığı, tamamen veya neredeyse tamamen tıkalı bir koroner arter nedeniyle oluşur. Bunlar, arterin yeniden açılması için en acil müdahaleye ihtiyaç duyan hastalardır. Sorun şu ki, standart kılavuz EKG’de ST elevasyonu adı verilen bir desene odaklanır; bu desen tehlikeli vakaların yalnızca bir kısmında görülür ve başka durumlar tarafından da oluşturulabilir. Sonuç olarak bazı hastalar atlanır, bazıları ise gereksiz invaziv prosedürlere maruz kalır. Araştırmacılar, ham EKG sinyaline bakıp hem akut tıkanıklığın varlığını hem de ana kalp arterlerinden hangisinin etkilendiğini tanıyabilecek bir bilgisayar modeli geliştirmeyi amaçladılar.

Yüzbinlerce EKG ile bir model eğitmek

Ekip, acil ziyaretleri, EKG kayıtlarını ve kalp kateterizasyon prosedürlerinin ayrıntılı sonuçlarını ilişkilendiren İsveç Acil Servis Veritabanı verilerini kullandı. 2005 ile 2016 yılları arasında Stockholm bölgesindeki acil servislere başvuran yaklaşık 226.000 yetişkin hastadan 540.000’den fazla EKG topladılar. Her kalp krizi vakası için anjiyografi yapan hekimler, taze komple bir tıkanıklık olup olmadığını ve sorumlu ana damarın hangisi olduğunu zaten belirlemişti. Araştırmacılar, bu nesnel prosedür bulgularını doğru gerçek (ground truth) olarak kullanarak, sinyallerdeki karmaşık desenleri tanıyabilen bir tür sinir ağı olan derin öğrenme modelini, EKG’leri tıkalı ve tıkalı olmayan kalp krizleri ile sorumlu damarı içeren birden çok kategoriye sınıflandıracak şekilde eğittiler.

Modelin tehlikeyi tespit etmedeki başarısı

İsveç’te ayrılmış test verilerinde model, akut tıkanıklıkları diğer hastalardan ayırmada çok güçlü bir yetenek gösterdi. Performans ölçüsü olan C istatistiği, tıkayıcı miyokard enfarktüsünü saptamada en az 0,95 ve tıkayıcı olmayan miyokard enfarktüsünde en az 0,87’ye ulaştı. Yüzde 5 gibi düşük bir yanlış alarm oranında model tıkayıcı vakaların yaklaşık %87’sini doğru şekilde tanımladı. Ayrıca üç ana koroner arterden hangisinin tıkalı olduğunu söylemede de iyi performans gösterdi; yine de insan uzmanlar için bile zor olan iki belirli damar konumunu ayırmak zorlu kaldı. Farklı yaşlar, cinsiyetler, EKG cihazı tipleri ve takvim yılları arasında performans genel olarak benzer kaldı; biraz daha iyi doğruluk ise daha genç hastalarda ve belirli kronik kalp iletim problemleri olmayanlarda görüldü.

Modeli diğer ülkelerde test etmek

Araç İsveç dışındaysa da işe yarayıp yaramayacağını görmek için yazarlar modeli Avrupa ve Brezilya’dan üç ek EKG koleksiyonunda test ettiler. Anjiyografiye dayalı etiketlerin bulunduğu Brezilya acil kohortunda model, özellikle klasik ST elevasyonu gösteren vakalar için, hâlâ tıkayıcı miyokard enfarktüslerini kontrol grubundan iyi şekilde ayırdı. Yalnızca ST elevasyonu ile seyreden kalp krizi ve yaygın bir iletim bloğu gibi daha geniş etiketlerin bulunduğu iki büyük veritabanında da model güçlü performans gösterdi. Öyle ki, bu veri setlerinden birinde ST elevasyonlu kalp krizlerini tahmin etmede İsveç modeli, bizzat o yerel insan atanmış etiketler üzerinde eğitilmiş başka bir modeli geride bıraktı; bu da kateterizasyon gibi nesnel sonuçlarla eğitmenin sistemin altta yatan hastalığı daha derin kavramasını sağlayabileceğini düşündürüyor.

Bu hastalar için ne anlama gelebilir

Bu çalışma, bir bilgisayar modelinin sıradan EKG’leri ve yaş ile cinsiyet gibi temel bilgileri kullanarak hangi hastaların taze bir şekilde tıkalı koroner artere sahip olma olasılığının yüksek olduğunu ve tıkanıklığın nerede olduğunu hızla tespit edebileceğini gösteriyor. Yöntem kan testlerine veya hekimlerin ince EKG desenleri üzerindeki uzlaşmasına dayanmadığından, ilk tıbbi kontak ile arterin yeniden açılması arasındaki süreyi kısaltabilir ve gereksiz acil prosedürleri azaltabilir. Yazarlar, aracın rutin bakımda kullanılmadan önce hasta sonuçlarını izleyen klinik denemelerde test edilmesi gerektiğini vurguluyor; ancak bu, akıllı EKG analizinin doğru kişilerin doğru zamanda kateter laboratuvarına ulaşmasını sağlamaya yardımcı olacağı bir geleceğe işaret ediyor.

Atıf: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Anahtar kelimeler: elektrokardiyogram, derin öğrenme, miyokard enfarktüsü, koroner tıkanıklık, medikal yapay zeka