Konjenital kalp hastalığında çok modlu veri entegrasyonu ve geometrik öğrenme ile kardiyopulmoner egzersiz testi sonuçlarının tahmini

Bu kalp çalışması neden önemli

Doğuştan kalp kusurlarıyla doğan kişiler için çocukluktan yetişkinliğe uzanan yaşam genellikle belirsizlik içerir: Kalbim günlük yaşam, egzersiz veya büyük ameliyatlarla başa çıkabilecek mi? Bu çalışma, rutin bakım sırasında zaten toplanan bilgiler—kalp izleri ve klinik yazışmalar—modern hesaplama teknikleriyle birleştirilip analiz edilerek, yorucu bir teste her zaman ihtiyaç duymadan bir hastanın kalp ve akciğerlerinin egzersiz sırasındaki performansını öngörüp öngöremeyeceğini araştırıyor.

Nefes ve kalp atışından formu anlamak

Doktorlar, bir kişinin ne kadar oksijen kullanabildiğini ve karbondioksiti ne kadar verimli dışarı attığını görmek için sıklıkla koşu bandı veya bisiklet üzerinde yapılan özel bir sınav olan kardiyopulmoner egzersiz testini kullanırlar. Bu ölçümler, özellikle konjenital kalp hastalığıyla yaşayan yetişkinlerde genel kondisyon ve gelecekteki sağlık riski hakkında güçlü bir anlık görüntü sunar. Ancak test zaman alıcıdır, özel donanım gerektirir ve her hasta veya her hastane için erişilebilir değildir.

Dağınık hasta bilgilerini bir araya getirmek

Araştırmacılar, İskoçya’daki bir uzman merkezde izlenen 436 konjenital kalp hastalıklı yetişkinden çeşitli türde bilgiler topladı. Dört binin üzerinde standart 12‑lead elektrokardiyogramı—kalbin elektriksel aktivitesinin kısa kayıtları—dijitalleştirdiler ve yazılı klinik mektupları ile egzersiz raporlarını yapılandırılmış, bilgisayar tarafından okunabilir forma dönüştürdüler. Bu metin belgelerinden her kişinin teşhisleri, kalp ameliyatları ve ilaçları hakkında anahtar ayrıntıları kimlik bilgilerini ayıklayarak çıkardılar. Egzersiz testi yapılmış 258 hasta için, sağkalımı öngördüğü bilinen iki temel ölçüte odaklandılar: pik oksijen alımı ve karbondioksitin temizlenmesi için gereken solunum miktarı.

Kaba kuvvet yerine geometriyle desen bulmak

Konjenital kalp hastalığı nispeten nadir ve büyük çeşitlilik gösterdiğinden, ekip birçok modern yapay zeka sisteminin eğitildiği devasa veri kümelerine güvenemedi. Bunun yerine her EKG’yi, farklı derivasyonlardaki sinyallerin birlikte nasıl değiştiğinin bir özeti—kalbin elektriksel deseninin matematiksel bir parmak izi—olarak temsil ettiler. Bu parmak izleri kovaryans matrisleri biçimini alır ve yazarlar bunları Riemann geometrisi adı verilen matematiğin bir dalından araçlarla analiz ettiler. Pratikte bu, kalp sinyalleri arasındaki benzerlikleri daha duyarlı ölçmelerine ve mevcut hastaların desenlerini düzgünce “karıştırarak” gerçekçi yeni sentetik örnekler yaratmalarına olanak verdi; bu da bilgisayar modelinin küçük ve dengesiz örneklemden öğrenmesine yardımcı oldu.

Daha iyi tahminler için sözcükleri ve dalgaları harmanlamak

Çalışma, bu verilerden egzersiz performansını tahmin etmede birkaç yaklaşımı karşılaştırdı. Sadece rutin çıktılarda rapor edilen standart aralık ve hız değerleri gibi temel EKG ölçümlerini kullanan modeller zayıf performans gösterdi. Araştırmacılar daha zengin EKG parmak izlerini modele verdiğinde tahmin doğruluğu belirgin şekilde iyileşti. En büyük kazanımlar ise bu EKG parmak izlerini klinik mektuplardan çıkarılan bilgilerle birleştirdiklerinde gerçekleşti; böylece model hem kalbin elektrik davranışını hem de kişinin sahip olduğu durumları, geçirdiği ameliyatları ve ilaçlarını “biliyor” oldu. Bu veri füzyonu ve geometrik tabanlı veri çoğaltma ile bilgisayarın pik oksijen alımı tahminleri gerçek test sonuçlarıyla orta düzeyde korelasyon gösterdi ve daha basit yöntemlerden hem sürekli tahminde hem de hastaları risk bantlarına ayırmada üstün performans sergiledi.

Hastalar ve bakım ekipleri için anlamı

Bu çalışma henüz egzersiz testinin yerini almıyor ve yazarlar sınıflandırma doğruluklarının doğrudan klinik karar verme için hâlâ çok mütevazı olduğunu kabul ediyor. Ancak sonuçlar, verinin yapısını gözeten ve hem kalp izlerini hem de anlatısal klinik bilgiyi kullanan özenle tasarlanmış modellerin konjenital kalp hastalığı olan bir kişinin fiziksel eforla ne kadar iyi başa çıkabileceğini anlamlı biçimde öngörebildiğini gösteriyor. Gelecekte, daha büyük ve daha çeşitli veri kümeleriyle benzer araçlar, semptomlar belirginleşmeden önce kondisyonu düşen hastaları işaretlemeye, ameliyat veya yaşam tarzı değişiklikleriyle ilgili kararlara destek sağlamaya ve tam egzersiz testi imkânı olmayan hastanelere gelişmiş risk değerlendirmesini genişletmeye yardımcı olabilir.

Atıf: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Anahtar kelimeler: konjenital kalp hastalığı, kardiyopulmoner egzersiz testi, elektrokardiyogram, makine öğrenimi, risk tahmini