Kalp durması için erken tahmin amacıyla zaman serisi elektrokardiyografi (EKG) verileri

Kalp atış verilerinizin hayatınızı nasıl kurtarabileceği

Her bir kalp atışı elektriksel bir iz bırakır; bu iz elektrokardiyogramın (EKG) tanıdık zikzak çizgilerinde yakalanır. Bu çalışma, modern yapay zekânın bu izleri gerçek zamanlı olarak okuyarak bir kişinin kalp durmasına veya kalp krizine doğru ilerlediğini doktorlara kriz olmadan önce bildirebileceğini gösteriyor. Araştırmacılar farklı bilgisayar model türlerini karşılaştırarak hastanelerin ve hatta taşınabilir cihazların sürekli EKG izlemesini dünyanın önde gelen katillerinden biri için erken uyarı sistemine nasıl dönüştürebileceğini inceliyor.

Kalp atışındaki tehlikeyi anlamak

Kardiyovasküler hastalıklar tıkalı atardamarlardan kalp krizlerine, ritim bozukluklarından zayıf kalp kasına kadar birçok sorunu kapsar. Bu durumların birçoğu ortak bir yol izler: kalbin elektrik sistemi bozulur ve ani, ölümcül bir durma riski artar. Bir EKG bu elektriksel aktiviteyi zaman serisi olarak kaydeder—saniye saniye ortaya çıkan atışlar. Dalga şekillerinin ve aralıklarının biçimindeki ince değişiklikler aritmileri, kalp krizinin belirtilerini veya iletim yollarındaki hasarı semptomlar belirgin olmadan çok önce ortaya çıkarabilir. Sorun, bu desenlerin karmaşık olması ve genellikle gürültülü verilerin içinde gömülü olmasıdır; bu da yoğun klinik ortamlarda insanların bunları hızlı ve tutarlı biçimde tespit etmesini zorlaştırır.

Bilgisayarların kalp sinyallerinden öğrendiği iki yol

Yazarlar EKG zaman serilerinden öğrenen iki geniş yapay zekâ ailesine odaklanıyor. Geleneksel makine öğrenimi her kalp atışını önce ortalama seviyeler, değişkenlik ve sinyalin ne kadar sivri veya dengesiz olduğuna dair ölçümler gibi sayısal özellikler kümesine dönüştürür. İnsan uzmanlar bu özellikleri tasarlar ve seçer; Random Forest, Gradient Boosting, Destek Vektör Makineleri ve basit sinir ağları gibi algoritmalar normal ile anormal atışları ayırt etmeyi öğrenir. Buna karşılık derin öğrenme büyük ölçüde manuel özellik tasarımını atlar. Konvolüsyonel sinir ağları (CNN'ler) ve ilgili mimariler ham EKG sinyallerini veya EKG görüntülerini doğrudan işler, zaman ve frekans boyunca faydalı desenleri otomatik olarak keşfeder. Bu uçtan uca yaklaşım genellikle daha yüksek doğruluk sağlar, ancak daha büyük veri setleri, daha fazla hesaplama ve yorumlanması daha zor olabilen modeller gerektirir.

Çalışma yapay zekâyı nasıl teste soktu

Bu yaklaşımları adil biçimde karşılaştırmak için ekip, iki iyi bilinen EKG koleksiyonundan yararlandı ve on binlerce normal ve anormal atışı büyük ama dengesiz bir veri kümesinde birleştirdi; sağlıklı atışlar hastalıklı olanlardan kabaca üç kat daha fazlaydı. Derin öğrenme hattı için atışlar standartlaştırılmış görüntülere dönüştürüldü ve aşırı uyumdan kaçınmak için veri artırma, sınıf ağırlıklandırma ve erken durdurma ile bir CNN eğitildi. Makine öğrenimi hattında ise ham zaman serisi formu korundu, zengin bir istatistiksel özellik seti mühendislik yapıldı, veriler standardize edildi, boyut indirgeme araştırıldı ve her model ızgara arama ile beş katlı çapraz doğrulama kullanılarak ayarlandı. Ayrıca eğitim süresi ve bellek kullanımı kaydedildi ki hangi yöntemin kaynak kısıtlı klinik koşullarda uygulanabilir olduğunu anlayabilsinler.

Modeller veride ne keşfetti

Her iki model ailesi de tehlikeli kalp aktivitelerini ayırt etmede dikkat çekici derecede başarılı oldu, ancak derin öğrenme biraz önde çıktı. CNN, görüntü tabanlı görevde yaklaşık %99,9 doğruluğa ulaştı; oysa en iyi makine öğrenimi modeli olan Random Forest, özellik tabanlı zaman serisi verisinde yaklaşık %99,1 doğruluk sağladı. Gradient Boosting, Destek Vektör Makineleri ve basit çok katmanlı algılayıcı gibi diğer yöntemler de güçlü performans gösterdi. Karışıklık matrisleri, alıcı işletim karakteristik (ROC) eğrileri ve hassasiyet‑geri çağırma eğrilerinin analizleri, ağaç tabanlı yöntemlerin ve CNN'in yanlış alarmlarla klinisyenleri boğmadan anormal atışları tespit etmede özellikle güçlü olduğunu gösterdi. Aynı zamanda CNN en çok hesaplama gücü ve bellek talep ederken, daha basit modeller daha hızlı eğitildi ve hasta yanı başı monitörlerinde veya düşük maliyetli cihazlarda çalıştırılması daha kolay olurdu.

Karar kutusunu daha güvenilir kılmak

Tıptaki temel endişelerden biri yalnızca bir algoritmanın doğru olup olmadığı değil, doktorların kararlarını neyin yönlendirdiğini anlayabilmesidir. Bunu ele almak için araştırmacılar her iki model ailesine açıklanabilir‑YB araçları uyguladı. Özellik tabanlı modeller için hangi EKG istatistiklerinin en çok etki ettiğini görmek amacıyla SHAP adlı bir yöntem kullanıldı; kalp hızı değişkenliği ölçümleri, ana kalp atışı zirvesinin (QRS kompleksi) şekli ve oksijen arzıyla ilişkili segmentler (ST bölümü) en önemli katkı sağlayıcılar olarak öne çıktı. CNN içinse bir görselleştirme tekniği ağın çıktısını etkileyen EKG görüntüsünün tam bölgelerini vurguladı; yine dalga formunun klinik olarak anlamlı kısımlarına odaklanıldı. Bu içgörüler, modellerin verinin tesadüfi tuhaflıkları yerine gerçek fizyolojiye odaklandığı konusunda klinisyenlere güven veriyor.

Hastalar ve bakım ekipleri için anlamı

Basitçe söylemek gerekirse, bu çalışma bilgisayarların kalbinizi gerçek zamanlı izleyip olağanüstü güvenilirlikle tehlikeyi işaret edebileceğini; böylece doktorlara kalp durmasını önlemek veya kalp hasarını sınırlamak için hayati bir öncelik verebileceğini gösteriyor. Derin öğrenme modelleri en yüksek doğruluğu sunuyor ancak daha fazla veri, hesaplama gücü ve modern, çeşitli hasta gruplarında dikkatli doğrulama gerektiriyor. Daha basit makine öğrenimi modelleri çalıştırması ve açıklaması daha kolay olduğundan daha küçük hastaneler ve giyilebilir cihazlar için çekici. Bu yaklaşımlar birlikte, sürekli EKG izlemesinin şeffaf yapay zekâ ile yönlendirilen, ani ve hayatı tehdit eden kalp olaylarına karşı rutin bir güvenlik ağı haline geldiği bir geleceğe işaret ediyor.

Atıf: Umair, M.K., Waheed, R., Abrar, M.F. et al. Time series electrocardiography (ECG) data for early prediction of cardiac arrest. Sci Rep 16, 9761 (2026). https://doi.org/10.1038/s41598-026-35788-9

Anahtar kelimeler: kalp durması tahmini, EKG zaman serisi, derin öğrenme kardiyoloji, makine öğrenimi sağlık hizmetleri, kardiyolojide yapay zeka