Yapay zeka tabanlı EKG verisi kurtarma ve kardiyovasküler hastalık sınıflandırması (CEDRC-network)

Kalp Sinyallerinin Temizlenmesi Neden Önemli

Her kalp atışı, hekimlerin sorunları erken tespit etmek için okuduğu elektriksel bir iz bırakır. Ancak gerçek hastane ortamlarında bu elektrokardiyogram (EKG) izleri, hastaların hareket etmesi, elektrotların kayması veya cihaz arızaları nedeniyle sıkça gürültülü ya da eksik olur. Bu çalışma, CEDRC‑Net adında akıllı bir bilgisayar sistemi sunuyor; sistem gürültülü EKG’leri otomatik olarak temizliyor, eksik parçaları dolduruyor ve ardından birkaç yaygın kalp ritmi sorununu sınıflandırmaya yardım ediyor. Kusurlu kayıtları atmak yerine kullanılabilir hâle getirerek yaklaşım, çok sayıda hasta için daha hızlı ve daha güvenilir kardiyovasküler bakım sağlamayı destekleyebilir.

Gerçek Hastane Verilerinden Daha Akıllı Bir İşlem Hattına

Araştırmacılar sistemlerini büyük MIMIC‑IV‑ECG koleksiyonu üzerinde kurup test ettiler: yaklaşık 160.000 hastadan elde edilen 800.000 civarındaki on saniyelik, 12‑lead EKG kaydı ve bunlara bağlı klinik kayıtlar. Tek bir kapalı “kara kutu” tasarlamak yerine süreci, bir insan uzmanın yapacağı şekilde aşamalara böldüler: önce sinyali temizle, sonra hasarlı parçaları onar, ardından hastalık desenlerine bak. Bu modüler tasarım her aşamanın ne yaptığını kontrol etmeyi ve sistemi farklı hastane ortamlarına veya ekipmana uyarlamayı kolaylaştırıyor.

Hikâyeyi Kaybetmeden Sinyali Temizlemek

İlk aşama günlük EKG’lerdeki en temel sorunlardan biri olan gürültü ile uğraşıyor. Kas seğirmeleri, gevşeyen kablolar veya diğer cihazlar kalp fonksiyonu hakkında bilgi taşıyan hassas dalgaları bozabiliyor. Bunu ele almak için ekip Zaman­sal Konvolüsyonel Gürültü Giderici Otokodlayıcı (Temporal Convolutional Denoising Autoencoder, TCDAE) kullanıyor. Basitçe söylemek gerekirse, bu model normal EKG dalgalarının nasıl görünmesi gerektiğini öğreniyor ve ardından girdideki karışık sinyalleri, keskin QRS sivri uçları ve daha geniş P ile T dalgaları gibi önemli şekilleri korumaya çalışarak daha temiz sürümlere dönüştürüyor. Orijinal ve temizlenmiş sinyalleri karşılaştıran testler düşük hata ve güçlü benzerlik gösterdi; bu da modelin önemli tıbbi ayrıntıları silmeden önemli ölçüde gürültüyü kaldırdığı anlamına geliyor.

Gelişmiş Öngörüyle Boşlukları Doldurmak

Gerçek EKG’ler sadece gürültülü değil; elektrotların düşmesi veya kayıtların kesintiye uğraması durumunda eksik parçalar da içerebiliyor. Bunu incelemek için yazarlar eksik segmentleri üç düzeyde—%10, %30 ve %50—simüle edip tam izi yeniden inşa etmeye çalıştılar. Modern yapay zekâ araçlarının iki ailesini karşılaştırdılar. Varyasyonel Otokodlayıcılar (VAE’ler) bir sinyali gizli bir koda sıkıştırıp sonra yeniden inşa ederek çalışırken, Zamanlı Füzyon Transformatörleri (Temporal Fusion Transformers, TFT’ler) zaman serilerine özgü olup dikkat mekanizmaları kullanarak bir dizide en bilgi verici parçalara odaklanıyor. Her ikisi de verinin yarısı kaybolduğunda bile gerçekçi dalga formları geri getirebildi; ancak TFT’ler çok daha hassastı: yeniden yapılandırma hataları VAE’lere göre yaklaşık beş ila on kat daha küçüktü ve bu da normalleştirilmiş EKG genliğinden yalnızca yaklaşık %1–2 sapmaya denk geliyordu.

Onarılan Sinyalleri Kalp Hastalığı Kararlarına Dönüştürmek

EKG’ler temizlenip onarıldıktan sonra pratik soru şuydu: bu daha iyi sinyaller gerçekten hastalığı tespit etmeye yardımcı oluyor mu? Yazarlar, atışlar arasındaki zamanlama ve kilit dalgaların süresi ve yönelimi gibi tıbben anlamlı özellikleri çıkardı ve bunları Destek Vektör Makineleri, Rastgele Orman, Gradyan Artırma ve XGBoost dahil olmak üzere çeşitli standart makine öğrenmesi sınıflandırıcılarına verdiler. Amaç normal sinüs ritmi, atriyal fibrilasyon, sinüs bradikardisi ve taşikardi gibi ritimleri ayırt etmekti. Hem tamamen sağlam hem de yapay olarak zarar görmüş kayıtlar üzerinde, TFT tarafından yeniden yapılandırılmış sinyallerden türetilen özellikler, VAE yeniden yapılandırmalarından türetilenlere kıyasla tutarlı biçimde daha yüksek doğruluk, kesinlik ve F1‑skoru sağladı. Birkaç durumda, TFT‑ile zenginleştirilmiş sinyaller kullanan modeller yaklaşık %98–98,4 doğruluk seviyelerine ulaştı.

Hastalar ve Klinikler İçin Anlamı

Hastalar için ana çıkarım, kusurlu EKG’lerin artık belirsiz yanıtlar anlamına gelmek zorunda olmamasıdır. CEDRC‑Net, gürültü giderme, akıllı boşluk doldurma ve tanı sınıflandırma araçlarını birleştirmenin kusurlu kayıtları bile güvenilir tanısal girdilere dönüştürebileceğini gösteriyor. Çalışma ayrıca TFT gibi transformatör tabanlı yöntemlerin, kalp sorunlarını ortaya çıkaran ince zamanlama örüntülerini korumada özellikle güçlü olduğunu ve daha geleneksel üretici modellere göre üstün performans gösterdiğini kanıtlıyor. Farklı kliniklerde benimsenip doğrulanırsa, bu tür bir işlem hattı kardiyologların iş yükünü azaltabilir, tehlikeli ritimlerin daha erken tespitini destekleyebilir ve temiz, kesintisiz EKG elde etmenin zor olduğu yoğun veya kaynak sınırlı ortamlarda bakım kalitesini iyileştirebilir.

Atıf: Khan, M.R., Haider, Z.M., Hussain, J. et al. AI based ECG data recovery and cardiovascular diseases classification (CEDRC-network). Sci Rep 16, 11733 (2026). https://doi.org/10.1038/s41598-026-46232-3

Anahtar kelimeler: elektrokardiyogram, kardiyovasküler hastalık, derin öğrenme, sinyal yeniden yapılandırma, aritmi sınıflandırması