Sürdürülebilir ve yorumlanabilir kalp hastalığı tahmini: biyomedikal sağlık uygulamaları için klinik karar destek yaklaşımı

Neden Daha Akıllı Kalp Kontrolleri Önemli

Kalp hastalıkları dünya çapında bir numaralı ölüm nedenidir, fakat birçok kişi risk altında olduğunu hâlâ ciddi bir olay—örneğin bir kalp krizi—yaşayana kadar öğrenememektedir. Doktorlar zaten yaş, kan basıncı, kolesterol ve temel test sonuçları gibi basit ölçümler topluyor; ancak bu bilgileri hızlı ve güvenilir bir evet/hayır yanıtına dönüştürmek zordur. Bu çalışma, bu rutin sayılardan öğrenebilen, kimlerin kalp hastalığı olma olasılığını çok yüksek doğrulukla tahmin edebilen ve en önemlisi, doktorların anlayabileceği biçimde kararını açıklayabilen yeni bir bilgisayar modelini inceliyor.

Artan Kalp Hastalığı Yükü

Her yıl kardiyovasküler hastalıklar dünya genelinde yaklaşık 18 milyon can alıyor. Bu can kayıplarının birçoğu, yüksek riskli hastalar daha erken tespit edilip tedavi edilse önlenebilirdi. Geleneksel tanı testleri invasif, maliyetli veya sınırdaki vakalar için yeterince doğru olmayabilir. Aynı zamanda hastaneler artık yaş ve cinsiyetten kan basıncı, kolesterol ve temel kalp test okumalarına kadar büyük miktarda dijital hasta verisi saklıyor. Bu bilgi selini net, güvenilir risk tahminlerine dönüştürmek modern tıbbın en büyük fırsatlarından—ve en büyük zorluklarından—biri haline geldi.

Siyah Kutulardan Şeffaf Yardımcılara

Son yıllarda yapay zeka, insanların kaçırabileceği tıbbi verilerdeki ince desenleri tespit etme konusunda umut verdi. Ancak birçok güçlü model ‘‘siyah kutu’’ gibi davranır: doğru olabilirler ama belirli bir karara nasıl vardıklarını kolayca açıklayamazlar. Bu şeffaflık eksikliği, doktorların teşhis ve tedavi seçimlerini gerekçelendirmesi gereken tıpta bir sorundur. Yazarlar bu boşluğu, tek boyutlu konvolüsyonel sinir ağına (1D CNN) dayanan bir kalp hastalığı tahmin sistemi tasarlayarak ele alıyor. Uzmanların hangi özelliklere bakılacağını elle seçmesini gerektiren eski yöntemlerin aksine, bu ağ standart hasta ölçümlerinde faydalı desenleri otomatik olarak keşfediyor ve yine de sınırlı hesaplama kaynaklarına sahip klinikler için yeterince verimli olacak şekilde tasarlanmış.

Modelin Rutin Kontrollerden Öğrenme Yöntemi

Araştırmacılar sistemlerini, içinde yaş, cinsiyet, kan basıncı, kolesterol düzeyi, göğüs ağrısı tipi ve temel kalp testleri gibi yaygın toplanan 14 öğe bulunan 303 hasta kaydından oluşan yaygın bir kalp hastalığı veri kümesi üzerinde eğittiler. Verileri dikkatle hazırladılar: sayısal değerler tek bir ölçümün öğrenme sürecine baskın çıkmaması için standartlaştırıldı ve göğüs ağrısı tipi gibi kategoriler sayısal forma dönüştürüldü. Nispeten küçük veri kümesinden en iyi şekilde yararlanmak ve gerçek klinik ölçümlerin doğal gürültüsünü taklit etmek için ekip eğitim verilerine küçük miktarda rastgele varyasyon ekledi. Ardından bu kayıtları iki ana desen algılama katmanına ve bu desenleri nihai ‘hastalık’ veya ‘hastalık yok’ tahminine birleştiren katmanlara sahip kompakt bir 1D CNN mimarisine verdiler.

Sayıları Güvenilir Açıklamalara Dönüştürmek

Performans tek başına klinik ortamda yeterli değildir, bu yüzden yazarlar modellerini LIME ve SHAP olarak bilinen iki açıklama tekniğiyle eşleştirdiler. Bu yöntemler eğitilmiş ağı sorgulayarak her bir giriş faktörünün bireysel bir hasta için tahmini ‘hastalık’ veya ‘hastalık yok’ yönüne ne kadar ittiğini tahmin eder. Pratikte bu, sistemin doktora yalnızca bir hastanın yüksek riskli olduğunu söylemekle kalmayıp, örneğin sonucun esas olarak cinsiyet, daralmış damar sayısı ve talasemi adı verilen bir kan bozukluğunun birleşimiyle yönlendirildiğini de bildirebileceği anlamına gelir. Vurgulanan bu özellikler, kalp hastalığı riskine dair yerleşik tıbbi bilgilerle örtüşüyor; bu da klinisyenlerin modeli ne zaman güvenilir bulmaları gerektiğini ve ne zaman sorgulamaları gerektiğini değerlendirmesine yardımcı oluyor.

Günlük Kliniklere Ulaşabilecek Sonuçlar

Model daha önce hiç görmediği test verilerinde 100 hastadan yaklaşık 98’inin kalp hastalığı durumunu doğru sınıflandırdı, hastalık vakalarını etiketlemede mükemmel hassasiyete ulaştı (bu örnekte yanlış alarm üretmedi) ve genel olarak hasta ile sağlıklı kalpleri ayırmada neredeyse kusursuz bir yetenek gösterdi. Aynı derecede önemli olarak, sistem hafif ağırlıklıydı: standart bulut donanımında birkaç dakikada eğitildi ve cevapları saniyenin kesirinde üretti; bu da özel süper bilgisayarlar yerine sıradan hastane bilgisayarlarında çalışabileceğini düşündürüyor. Çalışma tek bir tarihsel veri kümesine dayandığı ve hastaneler ile popülasyonlar arasında daha geniş testlere ihtiyaç duyacağı halde, rutin kontrol verilerinin şeffaf yapay zeka ile birleşerek doktorlara, özellikle kaynak kısıtlı sağlık ortamlarında, kalp hastalığını daha erken yakalamaya yardımcı olacak güvenilir bir “ikinci görüş” sağlayabileceği bir geleceğe işaret ediyor.

Atıf: Kehkashan, T., Abdelhaq, M., Al-Shamayleh, A.S. et al. Sustainable and interpretable heart disease prediction: a clinical decision support approach for biomedical healthcare applications. Sci Rep 16, 7213 (2026). https://doi.org/10.1038/s41598-026-37840-0

Anahtar kelimeler: kalp hastalığı tahmini, açıklanabilir yapay zeka, klinik karar desteği, konvolüsyonel sinir ağları, tıbbi veri analitiği