EKG, EMG, kan basıncı ve solunum sinyallerinden inme riskinin önemli öngörücülerini ortaya çıkaran açıklanabilir çok modlu yaklaşım

Neden solunum ve kalp sinyalleri inme için önemlidir

İnme hızla ortaya çıkar, ancak genellikle yıllar içinde sessizce gelişir. Hekimler yüksek kan basıncı, kalp ritim bozuklukları ve yaşam tarzı alışkanlıklarının riski artırdığını bilir; yine de kimin gerçekten tehlikede olduğunu öngörmek zor kalır. Bu çalışma, özellikle vücudumuzun karbondioksiti nasıl yönettiğinin, inme riski hakkında gizli ipuçları taşıdığını gösteriyor. Solunum, kalp, kas ve kan basıncı sinyallerini açıklanabilir bir yapay zeka (AI) modeliyle birleştirerek yazarlar yüksek riskli hastaları tespit etmenin yeni yollarını ortaya koyuyor ve bir algoritmanın kararının nedenini klinisyenlerin anlamasına yardımcı oluyor.

Vücudun sessiz sinyallerini dinlemek

Maliyetli ve sürekli izlemeye uygun olmayan beyin görüntülemeleri yerine araştırmacılar, bazıları iskemik inme geçirmiş ve bazıları geçirmemiş 64 gönüllüden alınan basit elektriksel ve basınç ölçümlerine yöneldi. Otururken ve sonra ayağa kalkarken yedi sinyal kaydedildi: kalp aktivitesi (iki EKG kanalı), bacak kası aktivitesi (iki EMG kanalı), parmak manşonundan kan basıncı ve ağızda iki solunum sinyali – ekshalasyon havasındaki karbondioksit ve hava akım hızı. Bu ölçümler, hastane başucu monitörleri veya gelişmiş giyilebilir cihazlar tarafından toplanabilecek türden olduğundan, yaklaşım düzenli kontroller için pratik olabilir.

Ham dalgaları bilgisayarın okuyabileceği desenlere dönüştürmek

Ekip her kişinin 10 dakikalık kaydını birbirini kısmen örtüşen birçok 14 saniyelik dilime böldü; bu, birkaç nefes ve tekrarlayan kalp atışlarını yakalamak için yeterliydi. Her dilim için ortalamalar, değişkenlik, sinyallerin sıfırı ne sıklıkla geçtiği ve enerjinin farklı frekanslara nasıl dağıldığı gibi geniş bir yelpazede basit sayısal betimleyiciler hesapladılar. Bu özellikler, tam dalga formlarını saklamadan her sinyalin “tarzını” özetleyerek hesaplama maliyetini ve gürültüyü azaltır. Yedi sinyalden elde edilen tüm özellikler daha sonra o kişinin vücudunun o kısa dönemde nasıl davrandığını temsil eden tek bir örneği tanımlamak için üst üste kondu.

Daha derin ağlardan daha iyi performans gösteren basit bir beyin esinli model

Yazarlar derin ve karmaşık bir sinir ağı kullanmak yerine çok basit bir modeli seçti: tek katmanlı bir perceptron. Bu model tüm sayısal özellikleri alır, her birini öğrenilmiş bir ağırlıkla çarpar, toplar ve sonucu bir sıkıştırma fonksiyonundan geçirerek „inme” veya „inme yok” olasılığı üretir. Basit olmasına rağmen, bu model yaklaşık %85–88 doğruluk elde etti ve aynı veride test edilirken tekrarlı ve evrişimli sinir ağları, topluluk echo state ağları ve popüler makine öğrenimi sınıflandırıcıları gibi daha sofistike yöntemleri geride bıraktı. Kritik olarak, solunum sinyalleri (karbondioksit ve hava akımı) çıkarıldığında doğruluk yaklaşık %59’a düştü; bu istatistiksel olarak anlamlı bir düşüştü ve solunum verilerinin diğer sinyallerin tek başına yakalayamadığı önemli bilgileri kattığını gösterdi.

Siyah kutuyu açmak: gerçekten hangi sinyaller önemli

Hekimler siyah kutu AI’a doğal olarak temkinlidir, bu yüzden ekip modelin en çok hangi özelliklere dayandığını görmek için üç açıklama aracını — SHAP, LIME ve Anchors — kullandı. Üçü de özellikle karbondioksite dayanan solunum özelliklerini tahminlerin ana sürükleyicileri olarak gösterdi. Oyun teorisine dayanan bir açıklayıcı olan SHAP, ekshalasyon karbondioksitinin ortalama düzeyini, onun değişkenliğini ve ortalama kan basıncını bir örneğin inme hastasından geldiğini belirlemede en üst üç katkıda bulunan olarak sıraladı. Yüksek ortalama karbondioksit ve yüksek kan basıncı modelin „inme” yönünde karar vermesine eğilim gösterirken, daha düzensiz karbondioksit desenleri daha düşük riski işaret ediyordu. Hangi açıklayıcıya daha çok güvenileceğini değerlendirmek için yazarlar özel bir test kullandılar: her yöntemin adlandırdığı en üst özellikleri kaldırıp model performansının ne kadar kötüleştiğine baktılar. SHAP en büyük düşüşe neden oldu ve bu da onu en güvenilir yorumlayıcı yaptı.

Hastalar ve klinisyenler için bunun anlamı

Uzman olmayanlar için çıkarım basit: nasıl nefes aldığınız ve karbondioksiti ne kadar iyi uzaklaştırdığınız, kan basıncı veya kalp atışı kadar inme riski hakkında bilgi verebilir. Bu çalışma, solunum gazlarını, kan basıncını, kalp ve kas sinyallerini yakalayan rutin monitörlerin basit, şeffaf AI ile bağlanarak bir inmeye yol açmadan çok önce daha sıkı izlenmesi gereken kişileri işaretleyebileceğini öneriyor. Model hem doğru hem de açıklanabilir olduğu için klinisyenler risk tahminini yönlendiren hasta fizyolojisinin hangi yönlerini gördüklerini görebilir; bu da güveni ve hedefe yönelik tedaviyi destekler. Daha büyük çalışmalar hâlâ gereklidir, ancak sonuçlar karbondioksite bağlı solunum ölçümlerini inme önleme için umut vadeden yeni belirteçler olarak öne çıkarıyor.

Atıf: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Anahtar kelimeler: inme riski, solunum sinyalleri, karbondioksit, açıklanabilir AI, EKG ve kan basıncı