HEAL: yapay zekâ tabanlı gerçek zamanlı asker izleme ve durum tahmini için sağlık geliştirilmiş uyarlanabilir LoRaWAN

Uzaktan asker sağlığını izlemenin önemi

Günümüz çatışma alanlarında askerler doktorlardan uzak, iletişimin kesintili olduğu ve pillerin günlerce dayanması gerektiği zorlu arazilerde görev yapabilir. Bu çalışma, giyilebilir sağlık sensörlerinin, düşük güçlü radyo bağlantılarının ve yapay zekânın birlikte çalışarak askerlerin hayati belirtilerini sessiz ve sürekli şekilde izlemesini nasıl sağlayabileceğini inceliyor. Amaç, kablosuz bağlantının güvensiz olduğu durumlarda bile sıcaklık stresini, düşük oksijen düzeyini veya diğer sorunların erken uyarı işaretlerini tespit edip zamanında sağlık personelini uyarmaktır.

Akıllı üniformalar ve uzak cankurtaran hatları

Tıbbi Nesnelerin İnterneti alanındaki son gelişmeler, kalp atış hızı, sıcaklık, kan oksijeni gibi verileri izleyen sensörleri üniformalara, bilekliklere veya göğüs bantlarına yerleştirmeyi mümkün kıldı. Önceki sistemler genellikle bir üs yakınında iyi çalışan Bluetooth veya Wi‑Fi gibi kısa menzilli bağlantılara dayanıyordu; fakat tepeler, ormanlar veya hareketli konvoylar söz konusu olduğunda bu bağlantılar zorlanır. Bu makale, küçük veri paketlerini yüzlerce metre veya kilometrelerce uzaklığa gönderebilen, uzun menzilli ve düşük güçlü bir radyo teknolojisi olan LoRaWAN’a odaklanıyor. Zorluk ise bu radyo bağlantısının paketleri düşürebilmesi, gecikmeler yaratabilmesi ve gönderilebilecek veri miktarını sınırlayabilmesidir; bunların tümü, düzenli ve temiz okumalar bekleyen yapay zekâ modellerini yanıltabilir.

HEAL adında bir çerçeve

Yazarlar, giyilebilir sensörleri, bir LoRaWAN ağını ve yapay zekâ modellerini tek bir uçtan uca sisteme bağlayan Health-Enhanced Adaptive LoRaWAN (HEAL) çerçevesini tanıtıyor. Her asker, seçilmiş hayati belirtileri bir LoRaWAN geçidine gönderen küçük sensörler taşır; bu veriler merkezi bir sunucuya gelir ve yapay zekâ kısa zaman pencerelerini inceleyerek durumu İyi, Uyarıcı veya Kritik olarak sınıflandırır. Burada “uyarlanabilir” terimi, veriler geç ulaştığında, ara sıra eksik olduğunda veya idealden daha az ölçüm bulunduğunda bile doğruluğunu koruyacak şekilde yapay zekânın seçilip ayarlandığı anlamına gelir; bu, düşük güçlü saha ağlarında gerçekte olan durumları yansıtır.

Yapay zekâyı hayati belirtileri okumaya öğretmek

Yapay zekâyı eğitmek ve test etmek için araştırmacılar gerçek çatışma verileri yerine büyük bir kamuya açık hayati belirti veri seti kullandılar. Veri setinde sağlık etiketleri bulunmadığı için, her kaydı kalp atış hızı, sıcaklık, oksijen düzeyi, kan basıncı, solunum hızı ve kan şekeri kombinasyonlarına göre İyi, Uyarıcı veya Kritik olarak atamak üzere birkaç büyük dil modelinden otomatik “etiketleme yardımcısı” olarak davranmaları istendi. Güvenlik için tıbbi yönergelere dayanan basit kural tabanlı bir şema bu etiketleri kontrol etmek için kullanıldı. Ekip, her sağlık sınıfının iyi temsil edilmesini sağlamak üzere verileri temizleyip dengeledi; ardından LSTM ve GRU gibi hayati belirti zaman serilerini işleyen 13 farklı derin öğrenme modelini eğitip karşılaştırdı. Üç çekirdek sinyalin (kalp atış hızı, sıcaklık ve oksijen düzeyi) kısa pencerelerini analiz eden çift yönlü bir LSTM modeli yaklaşık %94 doğruluk ve %95 makro F1 skoru elde etti; bu da yaygın ve nadir sağlık durumlarını güvenilir şekilde ele aldığı anlamına geliyor.

Kırılgan bir radyo bağlantısına yapay zekâ yerleştirmek

Sonraki aşamada HEAL, paketlerin askerler ile bir geçit arasındaki hareket sırasında nasıl yol aldığına, çarpıştığına veya kaybolduğuna ilişkin detayları taklit eden ayrıntılı bir LoRaWAN simülatörü içinde test edildi. En iyi yapay zekâ modeli, hangi paketlerin ulaştığını alan ve gerçek zamanlı sağlık tahminleri üreten simüle uygulama sunucusuna dağıtıldı. Çalışma, askerler ile geçit arasındaki mesafeyi (200 ila 1000 metre) ve menzil ile güvenilirlik arasında hava süresi (airtime) karşılığında değişim yapan radyo yayılma faktörünü varye etti. İyi koşullar altında, 200–400 metre gibi orta mesafelerde ve daha düşük yayılma faktörlerinde ağ paketlerin %91’ine kadarını teslim ederken yapay zekâ yaklaşık %93 doğruluğa ulaştı. Daha uzun menzillerde veya daha yüksek yayılma faktörlerinde paket teslimi ve verim düştü, başarılı mesaj başına enerji yükseldi; bu da menzil, güvenilirlik ve pil ömrü arasında net bir ödünleşim olduğunu vurguluyor.

Laboratuvar modellerinden gerçek görevleri

Araştırmacılar ayrıca modellerinin temiz laboratuvar verilerinden paket kaybını ve düzensiz zamanlamayı yansıtan daha zorlu simüle saha verilerine ne kadar iyi aktığını incelediler. Modeller doğrudan uygulandığında doğruluk oranı %70’lerin ortalarına düştü, ancak LoRaWAN tarzı veriler üzerinde dikkatli ince ayar yapıldığında performans %92’nin üzerine geri geldi. Bu, yapay zekânın gerçek dağıtımlarda güvenilir çalışması için iletişim farkındalıklı örneklerle eğitilmesinin kritik olduğunu gösteriyor; yalnızca kontrollü veri setlerinde değil.

Gelecekte asker bakımına etkisi

Basitçe söylemek gerekirse, bu çalışma düşük güçlü giyilebilir cihazlar ve uzun menzilli kablosuz bağlantılarla askerlerin sağlığını sürekli izlemenin gerçekçi olarak mümkün olabileceğini; yeter ki yapay zekâ ve ağ birlikte tasarlansın, öneriyor. İyi seçilmiş bir yapay zekâ modeli, iyi etiketlenmiş verilerle eğitilip radyo kanalının tuhaflıklarına uyarlanırsa, bazı okumalar eksik olsa bile bir askerin durumunun İyi’den Uyarıcı veya Kritik’e kaydığını hâlâ tanıyabilir. HEAL, zamanında sağlık bilgisine ihtiyaç duyulan askeri birlikler, afet müdahale ekipleri veya uzak bölge çalışanları için bant genişliği, enerji ve bağlantı kısıtlarıyla dengeleme gerektiren gelecekteki sistemlere rehberlik edebilecek bir yol haritası sunuyor.

Atıf: Alghamdi, A., Alotaibi, R. & Alahmadi, H. HEAL: health-enhanced adaptive LoRaWAN for AI-based real-time soldier monitoring and status prediction. Sci Rep 16, 15213 (2026). https://doi.org/10.1038/s41598-026-44274-1

Anahtar kelimeler: asker sağlık izlemesi, LoRaWAN, giyilebilir sensörler, yapay zekâ sağlık tahmini, Tıbbi Nesnelerin İnterneti