Geliştirilmiş sincap arama öznitelik seçimi kullanarak iskemik kalp hastalığı tahmini için açıklanabilir bir yapay zeka çerçevesi

Neden daha akıllı kalp kontrolleri önemli

Kalp hastalığı hâlâ dünyanın bir numaralı ölüm nedeni; ancak doktorlar genellikle sınırlı zaman, çok sayıda test sonucu ve karmaşık bilgisayar araçları arasında denge kurmak zorunda kalırlar. Bu çalışma, kolayca açıklanabilen bir yapay zeka sisteminin doktorların iskemik kalp hastalığını erken tespit etmesine yardımcı olurken akıl yürütmesini de şeffaf kılabileceğini gösteriyor. Kararlarını kara kutuda saklamak yerine sistem, hangi birkaç test ölçümünün en önemli olduğunu vurgulayarak klinisyenlerin bilgisayar destekli kararları güven ve kontrol kaybı olmadan kullanmasını sağlar.

Kalp sorunları ve bunların arkasındaki veriler

İskemik kalp hastalığı, genellikle tıkalı arterlere bağlı olarak kalbe giden kan akışının azalmasıyla ortaya çıkar. Doktorlar yaş, kan basıncı, kolesterol, göğüs ağrısı ve kalp tarama sonuçları gibi birçok bilgiyi inceler. Bu çalışmada kullanılan UCI Kalp Hastalığı veri seti 13 faktör içeren ve hastalığın varlığını veya yokluğunu gösteren etiketin bulunduğu 303 hasta kaydını toplar. Bu zenginlik tahmini kolaylaştırsa da, üst üste binen veya yararsız çok sayıda ölçüm hem insanları hem de bilgisayarları şaşırtabilir, analizi yavaşlatabilir ve bazen doğruluğu düşürebilir.

Medikal kaydın temizlenmesi ve sadeleştirilmesi

Bir bilgisayar veriden öğrenmeden önce ham kayıtların temizlenip yeniden şekillendirilmesi gerekir. Araştırmacılar eksik sayıları benzer hastalardan bilgi ödünç alan bir yöntemle doldurdular, tüm ölçümleri ortak bir aralığa ölçeklendirdiler, göğüs ağrısı tipi gibi metin benzeri kategorileri sayısal forma dönüştürdüler ve olağan dışı değerleri gerçek ekstrem vakalarla muhtemel hatalardan ayırmak için dikkatle kontrol ettiler. Ayrıca hasta sayıları arasındaki dengesizliği azaltmak için daha küçük gruba gerçekçi ek örnekler üreterek denge sağladılar ve birbirinin neredeyse kopyası olan öznitelikleri kaldırdılar. Sonuç, her sütunun anlamlı olduğu ve analiz için hazır olduğu düzenli bir tablo oldu.

Uçan sincaplar öznitelik seçiminde nasıl ilham verir

Çalışmanın temel fikri, bilgisayarın iyi tahminler yapmak için tüm mevcut ölçümlere ihtiyacı olmadığıdır. Bunun yerine, en bilgilendirici küçük bir öznitelik setini otomatik olarak aramalıdır. Bunu yapmak için yazarlar, uçan sincapların bir ormanda yiyecek arama biçiminden esinlenen bir optimizasyon yöntemini kullanırlar. Geliştirilmiş Sincap Arama Optimizasyon prosedüründe her "sincap" olası bir öznitelik alt kümesini temsil eder ve grup, ilerleme durduğunda hareketlerini ayarlayarak arama uzayı boyunca birlikte kayar. En iyi performans gösteren kombinasyonlar korunur ve incelenir; böylece hâlâ yüksek doğruluk sağlayan en küçük ölçüm grubu hedeflenir.

Modeli eğitmek ve kara kutuyu açmak

Sincap esinli arama optimal bir öznitelik alt kümesi seçtikten sonra, kimde kalp hastalığı olduğunu tahmin etmek için bir Rastgele Orman modeli eğitilir. Rastgele Orman, nihai tahmini veri gürültüsüne karşı dayanıklı kılan birbirinden biraz farklı birçok karar ağacını kullanır ve bunların oyları birleştirilir. Seçilen öznitelikler üzerinde model yaklaşık %96 ila %98 doğruluğa ve hasta ile sağlıklı olanı ayırt etmede çok yüksek bir skora ulaşır. Mantığını anlaşılır kılmak için araştırmacılar iki açıklama aracı uygular. Birincisi SHAP, tüm veri seti genelinde hangi faktörlerin en etkili olduğunu gösterirken, diğeri LIME tek tek hastalara odaklanarak belirli değerlerin tahmini daha yüksek veya daha düşük riske nasıl ittiğini gösterir.

Bu hastalar ve doktorlar için ne anlama geliyor

Düz ifadeyle, çalışma hem keskin hem de açıklayıcı bir kalp hastalığı tahmin yardımcısı oluşturur. Girdiyi birkaç kilit ölçüme indirerek ve ardından açık görsel açıklamalar kullanarak sistem, bir hastanın iskemik kalp hastalığına sahip olma olasılığının yüksek olduğunu söylemekle kalmaz; aynı zamanda bu kararı etkileyen bulguları—örneğin belirli bir tarama sonucu veya egzersizle ilgili bir değişim düzeyi—de klinisyene gösterebilir. Bu doğruluk, basitlik ve açıklık dengesi yaklaşımı gerçek klinikler için daha uygun hale getirir ve gelecekte daha büyük hastanelere, giyilebilir cihazlar ve görüntüleme sınavları gibi daha zengin veri kaynaklarına genişletilebilir.

Atıf: Cenitta, D., Arul, N., Arjunan, R.V. et al. An explainable artificial intelligence framework for ischemic heart disease prediction using enhanced squirrel search feature selection. Sci Rep 16, 15422 (2026). https://doi.org/10.1038/s41598-026-46823-0

Anahtar kelimeler: iskemik kalp hastalığı, açıklanabilir yapay zeka, kalp hastalığı tahmini, öznitelik seçimi, rastgele orman