GAN Tabanlı Tamamlama ile Giyilebilir Cihazlarda Veri Kaybının Aşılması ve Hastalık Tespiti

Giyilebilir Cihazlardan Gelen Eksik Verinin Neden Önemli Olduğu

Fitness takipçileri ve akıllı saatler baştan çıkarıcı bir vaat sunuyor: ya hasta hissetmeden günler önce bir enfeksiyon hakkında bizi uyarabilseler? Dünyanın birçok yerinde, özellikle kliniklerin ve laboratuvarların az olduğu kırsal bölgelerde, böyle bir erken uyarı hafif bir hastalık ile tehlikeli bir durum arasındaki farkı yaratabilir. Ama gerçek hayatta insanlar cihaz takmayı unutuyor, piller bitiyor ve internet bağlantıları kesiliyor. Bu çalışma basit ama kritik bir soruyla ilgileniyor: bozuk veri akışlarını hastalığın erken belirtilerini hâlâ tespit edecek kadar iyi şekilde kurtarabilir miyiz?

Boşlukları Yararlı Bir Sinyale Dönüştürmek

Araştırmacılar bileğe takılan cihazlardan alınan kalp atış hızı verilerine odaklandı; çünkü gece dinlenme kalp hızı belirtiler ortaya çıkmadan önce hafifçe yükselme eğiliminde oluyor. Eksik okumaların olduğu geceleri atmak yerine, boşlukları doldurmak için üretici karşıt ağlar (GAN) olarak adlandırılan bir yapay zeka türü kullandılar. GAN’ı, tipik günlük kalp ritmi desenlerini öğrenmiş ve eksik saatlerde muhtemelen neler olduğunu yeniden inşa edebilen ancak enfeksiyonun yol açtığı olağandışı değişikliklere hâlâ izin veren çok yetenekli bir tahminci olarak düşünebilirsiniz.

İki Çok Farklı Hastalıkta Yöntemi Test Etmek

Bu yaklaşımın gerçek dünyada işe yarayıp yaramadığını görmek için ekip iki büyük grup inceledi. Birincisi, genellikle güvenilir giyilebilir veri sağlayan 3.000’den fazla katılımcısı olan ABD’deki bir COVID-19 kohortu idi. Diğeri ise batı Kenya’nın kırsal bir bölgesindeki çok daha küçük bir sıtma kohortu oldu; burada şarj, bağlantı ve cihaz takma süresi sorunları nedeniyle beklenen kalp hızı okumalarının yalnızca yaklaşık yarısı kaydedilebilmişti. Dikkat çekici biçimde, GAN yalnızca COVID‑19 verileriyle eğitildi; buna rağmen yeniden eğitim yapılmadan sıtma grubunda inandırıcı kalp hızı desenleri yeniden oluşturabildi.

Kırsal Kenya’da Gizli Enfeksiyonları Bulmak

Kenya’daki sıtma çalışmasında 300 yetişkin bileklik taktı; saha çalışanları düzenli olarak onları sıtma için test etti ve semptom günlükleri topladı. Yazarlar, GAN’ın yeniden oluşturduğu gece kalp hızlarını bir kişinin olağan taban seviyesinin üzerinde süregelen artışları izleyen basit bir kural tabanlı sistemle birleştirdi. 161 sıtma enfeksiyonunun 100’ünde sistemleri erken uyarılar verdi ve bu uyarıların 42’sinde eksik veriler doldurulmasaydı hiç uyarı olmayacaktı. Ortalama olarak, bu uyarılar kişilerin semptom bildirmesinden yaklaşık 12 gün önce ortaya çıktı; bu da sıtma parazitlerinin kanda birikmesi için bilinen süreye neredeyse karşılık geliyor. Ağır veri kaybına rağmen, uyarılar genellikle enfeksiyon penceresi sırasında ardışık olarak 3,5 gün ortaya çıktı; bu da saha çalışanlarının fark edip harekete geçme olasılığını artırıyor.

Doğruluk, Anlaşılırlık ve Pratiklik Arasında Dengelenme

Ekip GAN’ı, son değeri ileri taşıma gibi çok basit yaklaşımlardan daha gelişmiş istatistiksel modellere kadar yaygın boşluk doldurma yöntemleriyle karşılaştırdı. Her iki hastalık grubunda da GAN genellikle en doğru yeniden oluşturmalara ulaştı ve gündüz‑gece kalp hızı ritimlerini daha iyi korudu; veri yüzde 70’ten fazla eksik olsa bile. Bu geliştirilmiş sinyaller otomatik enfeksiyon tespit modellerine verildiğinde, hem duyarlılık (gerçek vakaları yakalama) hem de özgüllük/precision (yanlış alarmlardan kaçınma) arttı. Aynı zamanda GAN, sınırlı güç ve bağlantı olan yerlerde temel bilgisayarlarda veya uç cihazlarda çalıştırılabilecek şekilde hafif ve hızlı olacak biçimde tasarlandı.

Günlük Bakım İçin Bunun Anlamı Ne Olabilir

Uzman olmayanlar için temel çıkarım şu: giyilebilir cihazlardan gelen eksik veriler atılması gereken bir gürültü değil. Doğru türde akıllı yeniden yapılandırma ile bu boşluklar yeniden anlamlı bir uyarı sinyaline dönüştürülebilir. Bu çalışma, bir hastalık (COVID‑19) üzerinde eğitilmiş bir yapay zeka modelinin çok farklı bir ortamda başka bir hastalığı (sıtma) tespit etmeye yardımcı olabileceğini gösteriyor; birçok durumda sağlık çalışanlarına bir hafta veya daha fazla önceden uyarı sağlıyor. Güvenli ve etik biçimde kullanıma alınırsa, bu tür sistemler saha çalışanlarına kimi test edeceklerini, ne zaman ziyaret edeceklerini ve kısıtlı kaynakları nasıl önceliklendireceklerini karar vermede yardımcı olabilir; böylece bakım, tam gelişmiş hastalığa tepki vermekten ziyade müdahale edilebilecek zaman varken enfeksiyonları sessizce yakalamaya kayabilir.

Atıf: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Anahtar kelimeler: giyilebilir sensörler, bulaşıcı hastalık tespiti, sıtma, eksik veri tamamlama, düşük kaynaklı ortamlarda dijital sağlık