Kardiyopulmoner egzersiz testi performansını tahmin etmek için multimodal çoklu örnekleme öğrenmesi

Zayıf kalbi olan kişiler için neden önemli

Kalp yetmezliği ile yaşayan kişiler için en büyük sorulardan biri, “Ne kadar zamanım var ve doktorlar hâlâ benim için neler yapabilir?” oluyor. Bugün bunu yanıtlamak için en iyi tıbbi test, yoğun egzersiz sırasında vücudun ne kadar oksijen kullanabildiğini ölçen zorlu bir koşu bandı ya da bisiklet sınavıdır. Ancak bu test erişimi zor ve birçok hastanede bulunmuyor. Bu çalışma, doktorların aynı kritik sayıyı tahmin etmek ve hayat kurtarıcı ileri tedavilere ihtiyaç duyabilecek hastaları işaretlemek için, yaygın yapılan kalp ultrasonu görüntülerini ve tıbbi kayıtlardaki bilgileri modern yapay zeka ile nasıl kullanabileceğini gösteriyor.

Tehlikeyi erken fark etmenin zorluğu

Kalp yetmezliği milyonlarca Amerikalıyı etkiliyor ve sıklıkla on yıldan fazla yaşam süresini çalabiliyor. En ileri evresinde sağkalım birçok kanserden daha kötü olabiliyor, ancak yalnızca küçük bir hasta grubu zamanında kalp nakli veya mekanik pompa gibi tedavilere erişebiliyor. Bu tedavilere kimin yönlendirileceğine karar vermede önemli araçlardan biri, egzersiz sırasında vücudun kullanabildiği maksimum oksijeni ölçen “tepe VO₂” değerini veren kardiyopulmoner egzersiz testidir. Düşük tepe VO₂ güçlü bir uyarı işaretidir, fakat test özel ekipman, eğitimli personel ve alan gerektirdiği için birçok merkez—özellikle küçük veya kırsal hastaneler—sunamıyor. Buna karşın standart kalp ultrasonu (transtorasik ekokardiyografi, TTE) ve elektronik sağlık kayıtları (EHR) yaygın olarak mevcut, ancak tek başlarına en yüksek riske sahip kişileri tahmin etmede çok başarılı olmadular.

Bilgisayarlara testleri bir arada okumayı öğretmek

Araştırmacılar, iki ana bilgi kaynağından öğrenen yeni bir yapay zeka sistemi geliştirdiler: hareketli kalp ultrasonu görüntüleri ve yaş, kilo, ilaçlar ve standart kalp ölçümleri gibi EHR’den gelen ayrıntılı veriler. Her ultrason incelemesi birçok klip ve özel görüntü içerdiğinden, modeli her resmi ayrı ayrı ele almak yerine, bir doktorun yaptığına benzer şekilde hepsini birlikte gözden geçiriyor. “Çoklu örnek” stratejisi kullanıyor: önce her görüntü veya klibi kompakt bir tanıma dönüştürüp, ardından modelin en bilgilendirici parçalara odaklanmasını sağlayan bir dikkat (attention) mekanizmasıyla bunları birleştiriyor. Paralel olarak, tablo biçimli birçok tıbbi veride eğitilmiş özel bir sinir ağı EHR bilgisini kendi özetine çeviriyor. Son bir birleştirme adımı ultrason ve EHR özetlerini tek bir hasta portresinde harmanlayarak sistemin tepe VO₂’yi ve kişinin kritik bir güvenlik eşik değerinin altında olup olmadığını tahmin etmesini sağlıyor.

Sistemin ne kadar iyi performans gösterdiği

Ekip yaklaşımı New York–Presbyterian ağındaki dört büyük hastanenin verileri üzerinde eğitti ve test etti; geliştirme için 1.000 hasta ve dış doğrulama için ayrı sitelerden 127 hasta kullandılar. Ultrason ve EHR verilerine daha bağımsız bakan önceki, daha basit bir yapay zeka modeline kıyasla yeni çerçeve açık şekilde daha doğru çıktı. Ana test grubunda tepe VO₂’deki varyansın yaklaşık %60’ını açıklarken, önceki model yaklaşık %53 açıklıyordu ve tipik hatası yaklaşık yarım bir metabolik eşdeğer (MET) kadar azalarak klinik açıdan anlamlı bir iyileşme sağladı. Hedef yalnızca yüksek riskli hastaları—özellikle düşük egzersiz kapasitesine sahip olanları—tanımlamak olduğunda, sistem geliştirme grubunda 0,85 ve dış hastanelerde 0,87 alan-altında-eğri (AUC) değerine ulaştı; yalnızca ultrason veya yalnızca EHR kullanan tüm modelleri geride bıraktı. Pratik anlamda, kaçak vakalar ve yanlış alarmlar arasındaki sabit, klinik açıdan makul bir dengede, gerçekte yüksek risk taşıyan daha fazla hasta doğru şekilde işaretlendi.

Siyah kutunun içini görmek

Modelin mantıklı özelliklere dikkat edip etmediğini kontrol etmek için yazarlar, tahminleri en çok etkileyen bölgeleri gösteren görsel haritalar oluşturdular. Haritalar genellikle kalp boşluklarını, bunların hareketini ve kan akımı dalga formlarını vurguluyordu—kardiyologların zaten güvendiği özellikler—bu da sistemin gürültü yerine anlamlı desenler öğrendiğini düşündürüyor. EHR verilerinde ise yaş, vücut kitle indeksi ve sol ventrikül pompalama gücü gibi ölçümler özellikle önemli olarak öne çıktı; bu da klinik beklentilerle örtüşüyor. Araştırmacılar ayrıca modelin farklı alt gruplarda ne kadar iyi çalıştığını incelediler. Tam tepe VO₂ değerini tahmin etmede erkekler ve kadınlar ile beyaz ve beyaz olmayan hastalar arasında performans benzerdi, ancak yaşlı yetişkinlerde ve ırklar arasında yüksek risk sınıflandırmasında bazı boşluklar görüldü; bu da daha çeşitli verilere ve adalet odaklı iyileştirmelere ihtiyaç olduğunu vurguluyor.

Araştırmadan yatak başı bakımına

Sistem, rutin bakım sırasında zaten toplanan bilgiler—standart ekokardiyogramlar ve mevcut EHR verileri—kullanıldığı için, prensipte doğrudan hastane yazılımlarına gömülebilir. Bir tarama okunduktan sonra yapay zeka sessizce tepe VO₂’yi tahmin edebilir ve tahmini egzersiz kapasitesi tehlikeli derecede düşük olan hastaları vurgulayarak doktorları resmi egzersiz testi istemeye veya ileri kalp yetmezliği uzmanlarına yönlendirmeye teşvik edebilir. Eğitmede kullanılmayan hastanelerdeki güçlü performans da dahil olmak üzere çalışmanın sonuçları, böyle bir aracın aksi takdirde gözden kaçabilecek daha fazla hastayı yakalamaya yardımcı olabileceğini gösteriyor. Prospektif denemeler ve daha geniş testler hâlâ gerekli olsa da bu çalışma, kıt olan güçlü testlerin, çoğu hastanenin zaten sahip olduğu verileri daha akıllıca kullanan yapay zeka sistemleriyle tamamlanabileceği bir geleceğe işaret ediyor.

Atıf: Huang, Z., Pan, W., Alishetti, S. et al. Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digit. Med. 9, 304 (2026). https://doi.org/10.1038/s41746-026-02493-w

Anahtar kelimeler: kalp yetmezliği, kardiyopulmoner egzersiz testi, ekokardiyografi, yapay zeka, risk öngörüsü