MEETI: Sinyaller, Görüntüler, Özellikler ve Yorumlarla MIMIC‑IV‑ECG’den Çok Modlu bir EKG Veri Seti

Kalp sağlığı ve günlük bakım için neden önemli

Her yıl milyonlarca kişinin kalbinin elektriksel aktivitesi, elektrokardiyogram veya EKG olarak adlandırılan kıvrımlı çizgiler şeklinde kaydedilir. Bu testler, doktorların tehlikeli ritim bozukluklarını ve diğer kalp rahatsızlıklarını saptamasına yardımcı olur, ancak okumak zaman alır ve yıllarca eğitim gerektirir. Aynı zamanda yapay zekâ, röntgenleri okumak ve tıbbi notları özetlemek gibi görevlerde dikkat çekici ilerleme kaydetti; buna karşın EKG’ler için benzer ilerleme daha yavaş oldu. Bu makale, bilgisayarların hem doktorların hem de hastaların anlayacağı şekilde EKG’leri “anlamasını” sağlayacak çoklu bakış açılarını—sinyaller, görüntüler, sayılar ve açıklamalar—bir araya getiren yeni bir EKG veri seti olan MEETI’yi tanıtıyor.

Kalp atışının yeni, hepsi bir arada görünümü

Geleneksel EKG veritabanları genellikle yalnızca tek bir bilgi türü sunar: ham elektrik sinyali, grafiği andıran bir EKG görüntüsü veya kısa yazılı bir rapor. MEETI (MIMIC‑IV‑Ext ECG‑Text‑Image kısaltması), her EKG için dört bileşeni dikkatle hizalayan ilk büyük açık kaynak kaynağıdır: 12 derivasyondan alınan orijinal 10 saniyelik sinyal, hastanedeki çıktı baskısını taklit eden yüksek çözünürlüklü bir görüntü, atım atım ölçümlerinden oluşan hassas bir set ve modern bir dil modeli tarafından oluşturulmuş ayrıntılı yazılı yorum. Tüm bunlar, büyük bir ABD tıp merkezinden gelen MIMIC‑IV‑ECG koleksiyonunun üzerine inşa edilmiştir; koleksiyon 160.000’den fazla hastaya ait üç çeyrek milyondan fazla EKG kaydını kapsar. Paylaşılan tanımlayıcılarla bu parçaları birbirine bağlayarak MEETI, her EKG’yi zengin, çok katmanlı bir kalp aktivitesi portresine dönüştürüyor.

Ekibi sinyalleri zengin verilere nasıl dönüştürdü

MEETI’yi oluşturmak için yazarlar önce yaklaşık 800.000 EKG kaydını indirip kontrol ederek her birinin uygun şekilde anonimleştirildiğini ve teknik olarak sağlam olduğunu doğruladılar. Açık kaynak araçlar kullanarak her 12‑lead sinyali, kardiyologların güvendiği ince ayrıntıları koruyarak standart bir klinik düzende yüksek çözünürlükte görüntülediler. Ardından her EKG’yi, her kalp atımının tanınmış P, QRS ve T bölümlerini otomatik olarak tespit eden bir araç takımı olan FeatureDB’den geçirdiler. Buradan sistem, kalp hızı, atımlar arasındaki süre, kalp atımının farklı parçalarının süresi ve belirli dalgaların yüksekliği veya kısalığı gibi temel ölçümleri hesaplıyor. Bu sayılar her derivasyon için her atımda saklanarak bir kişinin 10 saniye içindeki kalp atış davranışına alışılmadık derecede ayrıntılı bir bakış sunuyor.

Dil modellerine kalp ritimleri hakkında konuşmayı öğretmek

Kısa insan yazımı EKG raporları genellikle belirsizdir ve bir teşhisin iz grafikteki ölçülebilir özelliklerle nasıl ilişkili olduğunu açıklama fırsatlarını kaçırır. Bu boşluğu doldurmak için ekip, son derece yetkin bir dil modeli için dikkatle tasarlanmış istemler (prompt) hazırladı; böylece model uzun biçimli, klinik olarak temelli yorumlar üretebildi. Her EKG için model hem orijinal klinisyen raporunu hem de QRS sürelerinin çoklu atımlar boyunca olduğu gibi çıkarılmış parametreleri alır ve uzmanların sonuçlarına sadık kalması, ölçümleri delil olarak kullanması talimatını alır. Kardiyologlar bu sürecin tasarımına ve gözden geçirilmesine yardımcı oldu; örnek vakalarda ortaya çıkan açıklamaların orijinal raporlarla aynı bulguları yakaladığı ve somut sayıları içerecek şekilde birleştiği doğrulandı. Ortaya çıkan metin, grafikte gözle görüleni nesnel, tekrarlanabilir ölçümlerle bağlayan bir açıklamadır.

Kaynağın içeriği ve nasıl kullanılabileceği

MEETI, araştırmacıların bir hastanın klasöründen tüm çalışmalarına, her çalışmadan da eşleşen görüntüye, sinyallere, atım düzeyi parametrelerine ve dil modeli açıklamasına kolayca ulaşabilmesini sağlayacak şekilde düzenlenmiştir. Tüm veri seti genelindeki özet istatistikler, atımlar arasındaki ortalama süre veya QRS kompleksinin uzunluğu gibi temel ölçümlerin beklenen klinik aralıklar içinde olduğunu ve neredeyse hiçbir eksik değeri olmadığını göstererek veri setinin kalite ve bütünlüğünü vurgular. Yazarlar veriyi yüklemek, görüntüleri ve metinleri okumak için örnek kod sağlamakta ve parametre çıkarımı ile görüntü oluşturma için kullanılan tüm betikleri açık kaynak araçlar olarak yayımlamaktadır. Bu yapı, araştırmacıların dalga biçimlerini, görüntüleri ve dili birlikte analiz eden modeller eğitmesine ve otomatik ritim sınıflandırmasından stajyerler ve hastalar için anlaşılır raporlar üretmeye kadar uzanan soruları keşfetmesine olanak verir.

Geleceğin kalp‑odaklı yapay zekâsı için anlamı

Yazarlar, MEETI’nin EKG’ler için yararlı, güvenilir yapay zekâ geliştirmedeki önemli bir darboğazı ortadan kaldırdığını sonuç olarak belirtir. Ham sinyalleri, klinik tarzı görüntüleri, ince ayrıntılı ölçümleri ve zengin açıklamaları tek, herkese açık bir kaynakta birleştirerek veri seti, bir izlemeyi yalnızca “normal” veya “anormal” olarak etiketlemenin ötesinde sistemler eğitmeyi mümkün kılar. Gelecekteki modellerden, dalga formundaki belirli değişikliklerin bir teşhidi nasıl desteklediğini sorgulamak veya hangi atımların ve derivasyonların sonuçları yönlendirdiğini göstermek istenebilir. Hastalar için bu, nihayetinde daha açık raporlar ve ince sorunların daha erken tespiti anlamına gelebilir; klinisyenler içinse yalnızca uzman performansıyla eşleşen değil, aynı zamanda kendilerini açıklayabilen araçlar sunar. Kısacası MEETI, kalp atışını aynı anda gören, ölçen ve açıklayan bir sonraki nesil kalp‑odaklı yapay zekânın temelini atıyor.

Atıf: Zhang, D., Lan, X., Geng, S. et al. MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations. Sci Data 13, 527 (2026). https://doi.org/10.1038/s41597-026-06796-1

Anahtar kelimeler: elektrokardiyogram veri seti, çok modlu tıbbi yapay zekâ, kardiyovasküler tanısal yöntemler, EKG yorumlama, tıbbi makine öğrenmesi