1,7 milyon bireyden alınan verilerle önceden eğitilmiş çok modlu bir temel model kullanarak senaryolar ve cihazlar arasında kardiyak sağlık değerlendirmesi

Neden kalp atışı verileriniz önemli

Hastane kalp monitörlerinden akıllı saatlere kadar, hayatlarımız giderek daha fazla kalbin küçük elektriksel ve optik sinyalleriyle izleniyor. Bu kayıtlar tehlikeli ritim bozukluklarını tespit edebilir, manşonsuz kan basıncını tahmin edebilir ve hatta gelecekteki kalp riskine dair ipuçları verebilir. Ancak cihazlar ve ortamlar büyük ölçüde farklı olduğu için günümüz algoritmaları genellikle yalnızca tasarlandıkları dar durumlarda iyi çalışıyor. Bu çalışma, kardiyak sinyaller için birçok cihazı, ülkeyi ve kullanım durumunu aynı anda kavramayı amaçlayan yeni bir tür “temel” model sunuyor.

Kalbi dinlemenin birçok yolu

Doktorlar ve cihazlar kalbi birkaç farklı şekilde dinleyebilir. Klasik hastane testi, göğüs ve ekstremitelere yapıştırılan elektrotlarla kalbin elektriksel aktivitesini farklı açılardan kaydeden 12 derivasyonlu elektrokardiyogram (EKG)dır. Yoğun bakım ünitelerinde genellikle daha az derivasyon ve cilt içine ışık tutarak damarlar boyunca kan akışını izleyen fotopletismografi (PPG) adlı optik bir sensör kullanılır. Evde, akıllı saatler ve yamalar sadece tek kanallı bir EKG veya yalnızca PPG kaydedebilir. Bu düzenlerin her biri farklı şekil, uzunluk ve kanal sayısına sahip sinyaller üretir; bu da her yerde çalışacak tek bir model oluşturmayı zorlaştırdı. Geleneksel yaklaşımlar genellikle her cihaz ve görev için ayrı, özel algoritmalar eğitir ve yeni ortamlara veya nüfuslara taşındığında zorluk yaşar.

Birçok kalp sinyali için tek bir beyin

Araştırmacılar, tüm bu sinyaller için ortak bir beyin görevi görecek bir kardiyak algılama temel modeli (CSFM) tasarladı. Tek bir düzenli veri kümesinden öğrenmek yerine CSFM, yaklaşık 1,7 milyon kalp kaydından oluşan büyük ve dağınık bir koleksiyon üzerinde eğitildi; bu koleksiyon hem EKG hem PPG dalga formlarını ve doktorların veya makinelerin yazdığı metin raporlarını içeriyordu. Model sinyalleri kısa segmentlere böler, hem sinyalleri hem de kelimeleri tokenlara dönüştürür ve bunları bir transformer'a, dil ve görüntü anlayışında son ilerlemeleri mümkün kılan derin öğrenme mimarisine besler. Eğitim sırasında tokenların büyük bölümleri kasıtlı olarak gizlenir ve model eksik parçaları yeniden yapılandırmayı öğrenir. Bu “maskelenmiş” eğitim, CSFM'yi farklı cihazlar, derivasyonlar ve tanım dilleri arasında paylaşılan temel desenleri yakalamaya zorlar.

Tanıdan kan basıncına ve daha fazlasına

Eğitildikten sonra CSFM, nispeten küçük etiketli veri kümeleri kullanılarak birçok somut göreve uyarlanabilir. Ekip, onu standart 12‑derivasyonlu EKG'ler, giyilebilir tek derivasyonlu EKG'ler ve akıllı saatlerden alınan PPG kullanarak kalp ritmi ve hastalık sınıflandırmasında test etti. Model yalnızca eşleşmekle kalmadı, çoğu zaman görev‑özel güçlü derin ağları geride bıraktı. CSFM ayrıca kısa EKG ve PPG segmentlerinden doğrudan yaş, cinsiyet ve vücut kitle indeksini tahmin etmeye yardımcı oldu; bu da modelin yalnızca kalp atışını değil, kişiyle ilgili ince ipuçlarını da öğrendiğini gösterdi. Başka bir deney setinde model, EKG ve PPG'yi sürekli kan basıncı dalga biçimlerine ve ardından sistolik ve diyastolik değerlere dönüştürdü; bu, rakip yöntemlere göre daha doğru manşonsuz kan basıncı tahminleri üretti.

Cihazlar arasında çalışmak ve boşlukları doldurmak

Özellikle önemli bir test, CSFM'nin yalnızca alışılmış bilgilerin bir alt kümesinin mevcut olduğu durumlarla başa çıkıp çıkamayacağıydı. Araştırmacılar, CSFM'den ince ayar yapılan modellerin tüm 12 EKG derivasyonunu, altı derivasyonu, iki yaygın derivasyonu veya hatta tek bir derivasyonu görsünler fark etmeksizin iyi çalıştığını gösterdi. Ayrıca yalnızca EKG, yalnızca PPG ve EKG‑artı‑PPG giriş kombinasyonlarını test ettiler. Bu düzenlemeler arasında CSFM tabanlı sistemler güçlü kalırken geleneksel modeller daha keskin bir bozulma gösterdi. Modelin içsel temsilleri, hazır özellikler olarak gradyan artırmalı ağaçlar gibi basit araçlarda bile kullanılabiliyor; bu genellikle tam ince ayarlı derin ağlara benzer performanslara ulaşabiliyordu. Son olarak, bir regresyon başlığı ekleyerek CSFM bir sinyal türünden diğerini üretebiliyordu — örneğin bir PPG izinden gerçekçi bir EKG üretmek veya tek bir derivasyondan tam 12‑derivasyonlu bir EKG yeniden oluşturmak — bu da ideal kayıtlar bulunmadığında veri arttırma ve gelişmiş analiz için olanak sağlıyor.

Bu hastalar için ne anlama gelebilir

Uzman olmayanlar için temel mesaj şudur: tek, genel amaçlı bir model artık çok farklı kalp kayıtlarını anlayabilir ve hâlâ doğru, klinik açıdan yararlı cevaplar sağlayabilir. Her cihaz ve hastane için kırılgan bir algoritma yazmak yerine CSFM, akıllı saat üzerinde tehlikeli ritimleri tespit etmekten bir yıl içinde daha yüksek ölüm riski taşıyan hastaları öngörmeye kadar yerel ihtiyaçlara hafifçe uyarlanabilecek ortak bir temel sunar. Yazarlar, modelin kararlarının klinisyenler için yorumlanmasını kolaylaştırma ve hesaplama gereksinimlerini azaltma gibi açık sorunları kabul ediyor. Yine de bulgular, kalp sinyalleri için temel modellerin daha fazla insana, daha fazla yere ve zaten sahip oldukları cihazlarla gelişmiş kardiyak izleme ve risk tahmini getirmeye yardımcı olabileceğini öne sürüyor.

Atıf: Gu, X., Tang, W., Han, J. et al. Cardiac health assessment across scenarios and devices using a multimodal foundation model pretrained on data from 1.7 million individuals. Nat Mach Intell 8, 220–233 (2026). https://doi.org/10.1038/s42256-026-01180-5

Anahtar kelimeler: kardiyak temel model, elektrokardiyogram, fotopletismografi, dijital kardiyoloji, giyilebilir kalp izleme