Kümeleme ve regresiyon tabanlı model ile kalp hastalığının erken tahmini için performans analizi

Kalp sorunlarını erken yakalamanın önemi

Kalp hastalıkları genellikle yıllarca sessizce ilerler ve belirgin belirtiler ortaya çıktığında zarar çoktan oluşmuş olabilir. Bu çalışma, günlük kullanılan vücut sensörleri ile akıllı veri analizinin bir araya gelerek uyarı işaretlerini daha erken tespit edebileceğini, böylece hekimler ve hastaların müdahale için daha fazla zamanı olacağını araştırıyor. Sağlık verilerine iki farklı açıdan yaklaşarak, araştırmacılar klinik uygulamalarda kullanımı zorlaştırmadan tahminleri daha doğru hale getirmeyi hedefliyor.

Vücut sensörlerinden akıllı uyarılara

Çalışma, cilt üzerine yerleştirilen küçük sensörlerin kalp hızı, kan basıncı ve kalbin elektriksel aktivitesi gibi sinyalleri izlediği kablosuz vücut alan ağları bağlamında yürütülüyor. Bu sensörler ölçümleri bir mobil cihaza gönderir; cihaz da bunları analiz için bir sağlık merkezine iletir. Temel fikir, bu sayı akımlarının bir krize yol açmadan önce gelişen kalp problemlerine işaret eden desenleri açığa çıkarabileceği. Yazarlar göğüs ağrısı tipi, kan basıncı, kolesterol, kan şekeri, egzersizle tetiklenen göğüs rahatsızlığı ve elektrokardiyogramda gözlenen değişiklikler dahil olmak üzere 12 önemli özelliğin yer aldığı iyi bilinen bir kalp hastalığı veri kümesine odaklanıyorlar.

Hastaların verilerinde gizli grupları bulmak

Bütün hasta kayıtlarını doğrudan tek bir tahmin formülüne sokmak yerine ekip önce benzer hastaları gruplayıyor. Ölçümlerinin benzerliğine göre kişileri kümelere ayıran K-ortalamalar adlı bir yöntem kullanıyorlar; yaşın merkezi bir rol oynadığı belirtiliyor. Örneğin, hastalar çok yüksek kan basıncı, yüksek kolesterol veya belirli kalp testi desenlerine sahip doğal gruplara ayrılabiliyor. Bu gruplayıcı adım, hangi ölçüm kombinasyonlarının özellikle endişe verici olduğunu ortaya koymaya yardım ediyor. Ayrıca, kan basıncının 150’nin üzerinde, kolesterolün 300’ün üzerinde veya kalp grafilerindeki belirli değişikliklerin çok daha yüksek riskle ilişkilendirildiği aralıkları açığa çıkarıyor.

Makinelere risk değerlendirmesi öğretmek

Veriler gruplanıp hazır hale getirildikten sonra araştırmacılar geçmiş vakalardan öğrenen çeşitli makine öğrenimi yöntemlerini uygulayarak yeni bir hastanın önemli kalp hastalığına sahip olma olasılığını tahmin ediyor. Karar ağaçları, k-en yakın komşu, destek vektör makineleri, lojistik regresyon, Naïve Bayes ve rastgele ormanlar gibi farklı yaklaşımlar karşılaştırılıyor. Hibrit tasarımlarında her yeni hasta önce en yakın kümeye atanıyor; ardından o hasta tipine özgü olarak eğitilmiş bir rastgele orman modeli nihai risk tahmini yapıyor. Veriler dikkatle temizleniyor, ölçekleniyor ve eğitim ile test setlerine ayrılıyor; sınıf dengesizliği (sağlıklı hasta sayısının hasta sayısından fazla olması) modellerin çoğunluk grubuna karşı önyargı geliştirmesini önleyecek şekilde ele alınıyor.

Hibrit modelin performansı ne kadar iyi

Başarıyı değerlendirmek için çalışma yalnızca genel doğruluğa bakmıyor; modelin hasta olanları doğru şekilde tespit etme sıklığı (duyarlılık), sağlıklı olanları doğru şekilde güvenceye alma (özgüllük) ve her iki hedefi dengeleme (F1 skoru ve ROC–AUC) gibi ölçütlere de bakıyor. Benzer verileri kullanan önceki çalışmalarda doğruluk genellikle yaklaşık %85’te tıkanıyor ve bu daha ince ölçütleri iyileştirmek zor oluyordu. Burada, kümeleme ile rastgele ormanı birleştiren yaklaşım yaklaşık %91 doğruluğa ulaşıyor; duyarlılık güçlü ve özgüllük çok yüksek. Bu modelin güven aralıkları daha basit yöntemlerinkilerle örtüşmüyor, bu da iyileşmenin tesadüfe dayalı olma olasılığını azaltıyor. Aynı zamanda hesaplama süresi milisaniyelerden saniyelere kadar pratik bir aralıkta kalıyor; bu da gerçek zamanlı veya gerçek zaman yakınındaki izleme sistemleri için uygun.

Hastalar ve hekimler için anlamı

Gündelik ifadeyle çalışma, bilgisayarların önce hastaları anlamlı gruplara ayırmasına, ardından özel tahmin kurallarını uygulamasına izin vermenin kalp hastalığının erken tespitini keskinleştirebileceğini gösteriyor. Yöntem, giyilebilir sensörlerin arka planda sessizce veri topladığı sürekli izleme düzenleri için özellikle umut verici görünüyor. Sonuçlar tam klinik kayıtlardan ziyade sınırlı, yapılandırılmış bir veri kümesinden elde edilmiş olmakla birlikte ve yazarlar olası önyargılar konusunda ihtiyatlı davranıyor olsa da mesaj net: mevcut ölçümlerin daha akıllı kullanımı hekimlere daha güvenilir bir erken uyarı sistemi sağlayabilir. Daha fazla çalışma ve daha büyük, daha zengin veri kümeleri ile bu tür hibrit analizler ham sensör okumalarını zamanında, kişiselleştirilmiş uyarılara dönüştürerek kalp krizleri ve diğer ciddi olayları meydana gelmeden önce önlemeye yardımcı olabilir.

Atıf: Tolani, M., AlZahrani, Y., Suman, G. et al. Clustering-cum-regression based model and performance analysis for early prediction of heart disease. Sci Rep 16, 9494 (2026). https://doi.org/10.1038/s41598-026-40626-z

Anahtar kelimeler: kalp hastalığı tahmini, giyilebilir sağlık sensörleri, makine öğrenimi, tıbbi veri kümeleme, rastgele orman modeli