Kişiselleştirilmiş kalp tedavileri için yapay zekâ destekli yaklaşımlar: EKG verilerinden çıkarımlar

Daha akıllı kalp testlerinin önemi

Doktorlar kalbi etkileyen ilaçlar reçete ederken tedavinin güvenli olduğunu teyit etmek için elektrokardiyogram (EKG) kullanır. Ancak birçok ilaç, gözle fark edilmesi zor ince izler bırakır. Bu çalışma, yapay zekânın EKG izlerini daha hassas şekilde okuyarak hangi ilacın veya ilaç kombinasyonunun kalbi etkilediğini ayırt etmeye nasıl yardımcı olabileceğini ve böylece daha kişiselleştirilmiş ve güvenli kardiyak bakıma kapı aralayabileceğini araştırıyor.

Kalp atışlarındaki gizli ilaç etkilerini aramak

Araştırmacılar uzun zamandır devam eden bir güvenlik sorununa odaklandı: bazı ilaçlar kalbin elektriksel ritmini bozabilir ve tehlikeli düzensiz atım riskini artırabilir. Geleneksel olarak hekimler tek bir ana EKG ölçüsünü, QT intervalini izler; ancak bu tek ölçüt çoğu zaman önemli ayrıntıları kaçırır. Farklı ilaçlar ve ilaç kombinasyonları, kalp atışının çeşitli bölümlerini karmaşık şekillerde değiştirebilir. Ekip, bilgisayar modellerinin bu kalıpları veriden öğrenip EKG’leri oluşturdukları tedaviye göre güvenilir şekilde sınıflandırıp sınıflandıramayacağını sordu.

EKG sinyallerinden zengin bir resim oluşturmak

Bunu ele almak için çalışma, 22 sağlıklı gönüllünün yer aldığı sıkı kontrol edilen bir çalışmadan alınan halka açık bir veritabanını kullandı. Her katılımcıya bilinen kalp ritmi ilaçları tek başına, diğer ilaçlarla kombinasyon halinde ve plasebo dahil olmak üzere birkaç ilaç rejimi verildi. Her dozlama dönemi için standart 12 derivasyonlu EKG’ler ve kan örnekleri kaydedildi. Ham dalga formlarını doğrudan bilgisayara vermek yerine ekip önce sinyalleri temizledi ve ardından her kalp atımını tanımlayan ayrıntılı bir özellik seti çıkardı: elektriksel uyarının kalpten geçme süresi, kalp atımları arasındaki toparlanma sırasında T dalgasının yükselme ve düşme biçimi ve atımlar arasındaki zaman değişkenliği gibi özellikler.

Tedavi parmak izlerini tanımak için yapay zekâyı eğitmek

Bu özellikleri kullanarak yazarlar üç popüler makine öğrenimi modelini eğitti ve karşılaştırdı. İkisi, Random Forest ve XGBoost, birçok basit karar kuralının birlikte çalıştığı ağaç tabanlı yöntemlerdir; üçüncüsü, Destek Vektör Makinasi (SVM), daha geleneksel bir sınıflandırıcıdır. Modellerden her EKG segmentini on olası tedavi kodundan birine ataması istendi. Titiz ayarlama ve çapraz doğrulama sonrası XGBoost yaklaşık %98 doğruluğa ulaştı, Random Forest ise yaklaşık %97 ile onu takip etti; Destek Vektör Makinasi ise çok daha geride kaldı. En iyi modeller yalnızca doğru tahmin yapmakla kalmadı, tüm tedavi gruplarında güvenilir performans gösterdi.

Modeller kalp atımı hakkında ne diyor?

Ham skorların ötesinde ekip, ağaç tabanlı modeller için hangi EKG özelliklerinin en önemli olduğunu inceledi. Her iki yaklaşım da tekrar tekrar QRS kompleksinin süresini, PR intervalini ve T dalgasının yüksekliği ve şekli gibi birkaç T dalgası özelliğini tedaviye dair en güçlü ipuçları olarak öne çıkardı. Bu bulgular, EKG’nin bu bölümlerinin elektriksel sinyallerin kalp içindeki yayılımını ve alt karıncıkların atımlar arasında nasıl resetlendiğini yansıttığına dair klinik bilgiyle iyi örtüşüyor; bu süreçler birçok ilaçtan etkilenir. Aynı işlem hattı farklı ilaçları içeren ayrı bir veritabanında test edildiğinde, yeniden eğitilmeye gerek kalmadan yine güçlü bir performans gösterdi; bu da öğrenilen kuralların tek bir çalışmaya bağlı olmadığını düşündürüyor.

Gelecekteki bakım için ne ifade ediyor?

Basitçe söylemek gerekirse, bu çalışma yapay zekânın farklı ilaçların kalp üzerindeki birleşik, ince etkisini yakalayan bir EKG okuma biçimini öğrenebileceğini gösteriyor. Hekimler bir ya da iki manuel ölçüme dayanmak yerine bir gün bu tür modelleri kullanarak birçok EKG özelliğini aynı anda tarayabilir ve ilaca karşı kalbi riskli tepki veren hastaları hızla işaretleyebilir. Çalışmanın daha büyük ve çeşitliliği daha yüksek hasta gruplarında genişletilmesi gerekse de, her kişiye yalnızca etkili değil aynı zamanda kalbi için daha güvenli bir rejim sağlayacak şekilde kardiyak tedavileri ince ayarlamak için veri odaklı araçların kullanılmasına sağlam bir temel oluşturuyor.

Atıf: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

Anahtar kelimeler: elektrokardiyogram, makine öğrenimi, ilaç güvenliği, kardiyak aritmi, kişiselleştirilmiş tıp