Sınırlı kaynaklarla paralel hibrit modeller kullanarak güvenilir EKG sınıflandırması

Neden daha akıllı kalp kontrolleri önemli

Kalp ritmi sorunları uyarı vermeden ortaya çıkabilir ve felç, kalp yetmezliği veya ani kardiyak duruma yol açabilir. Doktorlar bu tehlikeleri erken tespit etmek için elektro kardiyogramlara (EKG) güvenir, ancak binlerce kalp atımını gözüyle veya geleneksel bilgisayar araçlarıyla okumak yavaş ve hata yapmaya elverişlidir. Güçlü yapay zekâ sistemleri yardımcı olabilir, ancak genellikle pahalı donanım gerektirir ve çoğu zaman bir kara kutu gibi davranır. Bu çalışma, hem giyilebilir cihazlere uygun ölçüde hafif hem de her karar için ne kadar emin olduğunu gösterebilecek kadar şeffaf yeni bir EKG okuma yöntemini sunar.

Büyük kalp riskleri, sınırlı araçlar

Kardiyovasküler hastalıklar her yıl dünya çapında yaklaşık 20 milyon kişinin ölümüne neden oluyor ve düzensiz kalp ritimleri, yani aritmiler, bunun önemli bir nedeni. EKG, kalbin elektriksel aktivitesini kaydeden basit, düşük maliyetli bir test olup semptomlar ortaya çıkmadan çok önce bu ritim sorunlarını açığa çıkarabilir. Tarihsel olarak klinisyenler veya kural tabanlı programlar EKG izlerini elle analiz edip karakteristik tepe ve çukurları işaretleyerek klasik algoritmalara elle seçilmiş sayılar girdiler. Bu işlemler zaman alıcıydı, uzman dikkatine ihtiyaç duyuyordu ve sinyaller gürültülü veya alışılmadık olduğunda çabuk başarısız olma eğilimindeydi; bu da tehlikeli ölçüde atlanmış veya yanlış tanılar için alan bırakıyordu.

Derin öğrenme çok ağır olduğunda

Derin öğrenme, sinir ağlarının ham sinyallerden doğrudan desenleri öğrenmesine ve bazı durumlarda aritmileri tespit etmede kardiyologlarla yarışmasına olanak tanıyarak EKG analizini değiştirdi. Ancak büyük konvolüsyonel ağlar ve dönüştürücü (transformer) tabanlı sistemler gibi en yüksek performanslı modeller hesaplama açısından açgözlüdür. Bunlar güçlü sunuculara sahip büyük hastanelerde iyi çalışır, ancak pil ile çalışan giyilebilir cihazlarda, temel klinik bilgisayarlarda veya kırsal ortamlarda konuşlandırılması zordur. Dahası, bu karmaşık sistemler hâlâ kendinden emin hatalar yapabilir ve nadiren herhangi bir tahminin ne kadar güvenilir olduğunu doktora bildirir. Alanda hem verimli hem de güvenilirliğe açıkça odaklanan yöntemler eksikti.

Paralel çalışan küçük modeller takımı

Yazarlar, tek bir dev modele güvenmek yerine üç küçük, hızlı sinir ağını birleştirerek bu takasları ele alan Paralel Hibrit Model (PHM) öneriyor. Üç bileşenin her biri—EfficientNet, SequentialNet ve klasik LeNet‑5’in varyantları—aynı kısa EKG kesitini paralel olarak analiz ediyor. MIT‑BIH Aritmi Veritabanı’ndan alınan bu kesitler tek bir kalp atımını ve çevresel bağlamı yakalıyor. Atımlar hizalanıp normalleştirildikten sonra her ağ beş kalp atımı tipi için kendi olasılık setini çıkarıyor: normal ve dört kategoride anormal ritim.

Model kendi yargısını nasıl tartar

PHM, basitçe çoğunluk oylaması yapmak yerine ağırlıklı yumuşak oylama şeması kullanıyor. Eğitim sırasında biraz daha doğru olduğu görülen ağlara görüş fark ettiğinde orantılı olarak daha fazla etki veriliyor. Sistem ayrıca tıbbi YZ için sıra dışı bir fikir getiriyor: güvenilirlik bölgeleri. Üç ağ da gerçek etiketle hemfikir olduğunda karar Doğru Karar Bölgesi’ne girer. Hepsi hemfikir olup yanlışsa, bu Durumsal Yanlış Sınıflandırma Bölgesi’ne düşer. Birbirleriyle anlaşamadıklarında, durum Aksak Karar Bölgesi’ne girer ve burada ağırlıklı oylama mekanizması çatışmayı çözer. Vakaların her bölgeye ne sıklıkla düştüğünü izleyerek, klinisyenler sistemin ne sıklıkla oybirliğiyle, tereddütlü veya topluca hatalı olduğunu sayısal olarak net biçimde görebilirler.

Cebinize sığan performans

MIT‑BIH veritabanından 100.000’den fazla kalp atımı üzerinde PHM, yüzde 98.46 genel doğruluk elde etti—bu, bireysel üyelerinden herhangi birinden biraz daha iyi ve çok daha büyük modellerle rekabet edebilir düzeyde. Özellikle nadir ama klinik olarak önemli aritmilerde iyi performans gösterdi; bu, dengesiz veriyle eğitilmiş otomatik sistemlerin yaygın bir zayıflığıdır. Aynı zamanda tüm ansambl yalnızca yaklaşık 200.000 ayarlanabilir parametre kullanıyor ve mütevazı donanımda bir kalp atımını saniyenin birkaç yüzde birinde sınıflandırabiliyor. Giyilebilirlerde kullanılanlara benzer küçük tek kartlı bilgisayarda yapılan testler böyle gerçek zamanlı çalışmanın düşük enerji kullanımıyla mümkün olduğunu doğruladı.

Hastalar ve klinisyenler için anlamı

Uzman olmayanlar için ana mesaj, bu çalışmanın otomatik kalp ritmi analizini bileğinizde veya göğsünüzde takabileceğiniz cihazlara, hatta büyük hastanelerden uzak ortamlara daha da yaklaştırdığıdır. Üç basit modeli dikkatle harmanlayıp ne sıklıkla hemfikir olduklarını açıkça ölçerek PHM hem güçlü bir doğruluk hem de yerleşik bir güven duygusu sunuyor. Doktorlar tehlikeli ritimler hakkında hızlı uyarılar almakla kalmayıp sistemin sağlam zeminde mi yoksa daha kuşkulu bir bölgede mi olduğunu da görebiliyor. Bu hız, verimlilik ve şeffaflık birleşimi, YZ destekli EKG taramalarını daha güvenli ve daha yaygın erişilebilir kılabilir; potansiyel olarak yaşamı tehdit eden aritmileri daha erken yakalayarak dünya çapında hasta sonuçlarını iyileştirebilir.

Atıf: Alyahya, S., Malik, A.N., Amir, M. et al. Reliable ECG classification using parallel hybrid models with limited resources. Sci Rep 16, 11762 (2026). https://doi.org/10.1038/s41598-026-41370-0

Anahtar kelimeler: EKG aritmi tespiti, giyilebilir kalp izleme, hafif derin öğrenme, ansambl sinir ağları, tıbbi YZ güvenilirliği