12 derivasyonlu EKG’lerden çoklu etiketli aritmi tespiti için SHAP açıklamalarıyla ortak CNN-Bi-LSTM-transformer mimarisi

Neden kalp ritmi taramaları herkes için önemli

Kalp ritmi problemleri veya aritmiler ani kalp ölümünün önde gelen nedenlerinden biridir; buna rağmen bunları saptamak için en yaygın kullanılan test olan 12 derivasyonlu elektrokardiyogram (EKG) hâlâ zaman baskısı altındaki insan uzmanlara büyük ölçüde dayanıyor. Bu çalışma, standart EKG’leri aynı anda birçok farklı ritim sorununa karşı tarayabilen, bulgularını doktorların anlayacağı şekilde açıklayabilen ve giyilebilir cihazlara veya tele-tıp platformlarına sığacak kadar hızlı çalışan bir yapay zeka sistemi sunuyor. Hastalar için bu, tehlikeli ritimler konusunda daha erken uyarı anlamına gelebilir; klinisyenler için ise yalnızca sorunu işaret etmekle kalmayıp nedenini de gösteren yorulmak bilmez bir yardımcı vaat ediyor.

Kalbi birçok kulakla dinlemek

12 derivasyonlu EKG, göğüs ve uzuvlardaki elektrotlar aracılığıyla kalbin elektriksel aktivitesini birden çok bakış açısından yakalar. Her kalp atışı, sinyallerin kalp odacıkları boyunca nasıl ilerlediğini ortaya koyan karakteristik bir dalga deseni üretir. Bu desenlerdeki küçük bozulmalar zararsız değişkenliklerden yaşamı tehdit eden düzensizliklere kadar çeşitli durumları işaret edebilir. Birçok derivasyonda ve uzun kayıtlarda bu ince değişiklikleri yorumlamak zorlayıcıdır ve insan okumaları uzmanlar arasında farklılık gösterebilir. Aynı zamanda modern bakım, hastanelerde, evde ve giyilebilir cihazlarda sürekli izlemeye giderek daha fazla dayanıyor; bu da klinisyenlerin gözle gerçekçi şekilde inceleyebileceğinden daha fazla veri üretiyor.

Karmaşık kalp sinyallerini okumayı dijital bir asistana öğretmek

Araştırmacılar, ham 12 derivasyonlu EKG segmentlerini girdi olarak alan ve 27 klinik olarak önemli ritim ve ileti bozukluğunu tanımayı öğrenen bir derin öğrenme modeli inşa ettiler. Öncelikle, büyük PhysioNet/Computing in Cardiology 2020 koleksiyonundan 43.000’den fazla uzman etiketli kaydı ön işlediler. Farklı hastanelerden gelen sinyaller farklı örnekleme hızları içeriyordu ve gürültü, eksik değerler ve ara sıra aykırı gözlemler barındırıyordu. Ekip tüm EKG’leri ortak bir hıza yeniden örnekledi, temel sapmayı ve elektriksel girişimi kaldırdı, istatistiksel olarak sağlam kurallarla boşlukları doldurdu ve veriyi üst üste binen dört saniyelik pencerelere böldü. Bu pencere uzunluğu, temel ritim desenlerini yakalamak için yeterince uzun, aynı zamanda gerçek zamanlı analiz için kısa ve verimli kaldı.

Katmanlı modelin mekan, zaman ve bağlamı görmesi

Sistemin çekirdeği, birbirini tamamlayan üç sinir ağı modülünden oluşan bir zincirdir. Konvolüsyonel katmanlar desen algılayıcıları olarak görev yapar; her bir EKG derivasyonunda keskin tepeler, genişlemiş kompleksler veya bozulmuş segmentler gibi şekilleri tarar. Ardından, çift yönlü uzun-kısa süreli bellek (Bi-LSTM) katmanları bu özelliklerin zaman içinde nasıl evrildiğini izler; düzensiz aralıkları ve atışlar arasındaki geçişleri yakalamak için ritmi ileri ve geri izlerler. Son olarak, bir transformer bloğu, tüm derivasyonlar arasında uzak ama ilişkili sinyal parçalarına odaklanabilen bir dikkat mekanizması uygular; örtüşen durumları gösterebilecek bağlantılar kurar. Bu katmanlar birlikte her kısa EKG penceresini, ağın 27 aritmi ve ileti kategorisinin her birinin varlığını çoklu etiketli şekilde tahmin ettiği kompakt bir temsil haline dönüştürür.

Anlamlı vurgularla 'kara kutuyu' açmak

Sistemin kararlarını anlaşılır kılmak için yazarlar, EKG’nin hangi bölümünün belirli bir tahmine ne kadar katkıda bulunduğunu hesaplayan SHAP adlı bir tekniği entegre ettiler. Eğitim sonrasında, modelin her vaka için dayandığı belirli dalga segmentlerini ve derivasyonları vurgulayan görsel "önem haritaları" üretmek üzere SHAP kullandılar. Bu haritalar sıklıkla standart kardiyoloji akıl yürütmesiyle örtüştü: örneğin, sistem atriyal fibrilasyonu tanımlarken kaybolmuş P dalgalarını ve düzensiz atım aralıklarını, erken ventriküler atımları tanırken genişlemiş QRS komplekslerini ve telafi edici duraklamaları vurguladı. Bu uyum, yapay zekanın yalnızca desenleri ezberlemediğini, insan uzmanların kullandığı aynı fizyolojik ipuçlarına odaklandığını düşündürüyor.

Gerçek dünya performansı ve gelecek vaadi

Bağımsız bir hasta test grubunda model, ritimleri yaklaşık %91 civarında genel doğrulukla doğru sınıflandırdı ve hem yaygın hem de nadir durumlarda gerçek sorunları yakalamak ile yanlış alarmlardan kaçınmak arasında iyi bir denge korudu. Ventriküler erken atımlar ve atriyal fibrilasyon gibi tehlikeli aritmiler için anormal ile normali ayırt etme yeteneği son derece yüksekti. Dikkate değer şekilde, tam model iki megabayttan daha az yer kaplıyor ve bir EKG penceresini on milisaniyenin altında analiz edebiliyor; bu da başucu monitörleri, ambulatuvar kaydediciler veya hatta akıllı giyilebilir cihazlarda konuşlandırmaya uygun olduğunu gösteriyor. Basitçe söylemek gerekirse, bu çalışma, kompakt ve açıklanabilir bir yapay zekanın, klinisyenlere net görsel gerekçeler sunarken daha güvenli ve erişilebilir kalp izlemenin yolunu açarak standart EKG’leri geniş bir kalp ritmi sorun yelpazesinde okumaya yardımcı olabileceğini gösteriyor.

Atıf: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

Anahtar kelimeler: elektrokardiyogram, kalp ritim bozukluğu, derin öğrenme, açıklanabilir yapay zeka, kardiyak izleme