Derin öğrenme kullanarak Doppler seslerinden ayak bileği-brakiyal indeksi tahmin etmeyi etkinleştirmek

Bacaklardaki kan akışının önemi

Dünya çapında milyonlarca insan bacaklara yetersiz kan akışıyla yaşıyor; bu durum periferik arter hastalığı olarak adlandırılıyor. Bacak arterleri daraldığında veya sertleştiğinde yürümek ağrılı hale gelebilir ve yaralar iyileşmeyebilir; bazen ampütasyona kadar varan sonuçlar doğabilir. Doktorların, ayak bileği ile kol arasındaki kan basıncını karşılaştırarak sorunu erken tespit eden basit bir testi var: ayak bileği-brakiyal indeksi. Ancak bu test yavaş, özel ekipman gerektiriyor ve özellikle diyabet veya böbrek hastalığı olanlarda arterler çok sert olduğu için sıklıkla başarısız oluyor. Bu çalışma, bilgisayarın elde taşınır bir Doppler cihazından gelen tanıdık hışırtı seslerini dinleyip ayağa ulaşan kan akışını anında değerlendirebilip değerlendiremeyeceğini araştırıyor.

Hışırtı seslerinden bir risk skoruna

Araştırmacılar AutoABI adını verdikleri bir sistem oluşturdu. Hastanın ekstremitelerine birden fazla tansiyon manşeti sarmak yerine klinisyen, günlük uygulamada olduğu gibi standart bir elde tutulan Doppler probunu ayak bileğine tutuyor. Probu arterden geçen kanın vuruş sesini algılıyor. Bu sesler, bacak arter hastalığı veya diyabete bağlı dolaşım sorunları gibi kaygılarla bir hastanenin damar laboratuvarına sevk edilen 198 hastada yapılan yaklaşık 800 testten alınan kısa dört saniyelik kayıtlar halinde yakalandı. Amaç, bir bilgisayar programının her kaydı çok kötüden açıkça normale kadar dört ayak bileği-brakiyal indeks aralığından birine ayırıp ayıramayacağını görmekti.

Bilgisayarı uzman gibi dinlemeyi öğretmek

Sesleri bilgisayar için anlaşılır hale getirmek amacıyla ekip önce her kaydı tek kalp atışlarını yakalayan birer saniyelik parçalara böldü. Ardından her parçayı, sesin enerji dağılımının zaman ve frekans içinde nasıl değiştiğini gösteren renkli bir resim olan spektrograma dönüştürdüler. Bu resimler, konvolüsyonel sinir ağları olarak bilinen derin öğrenme modellerine beslendi. ResNet adıyla bilinen yaygın bir görüntü analiz tasarımının iki sürümü üzerine kurulan modeller, Doppler seslerindeki klinik olarak önemli ayak bileği-brakiyal indeks kategorileriyle eşleşen desenleri tanımayı öğrendi. Araştırmacılar verileri dikkatle böldü; aynı hastaya ait sesler hem eğitimde hem testte asla yer almadı, böylece sistemin belirli vakaları ezberlemek yerine genel kuralları öğrenmesi sağlandı.

Sistemin performansı nasıldı

Eğitildikten sonra AutoABI, dört kan akışı kategorisini ayırt etmede güçlü bir yetenek gösterdi. Her iki model sürümünde de normal dolaşımı hastalıktan ayırmada çok yüksek doğruluk sağlandı; alıcı işletim karakteristiği eğrisi altındaki alan (AUC) gibi standart istatistiklerle ölçülen bu doğruluk, tüm sınıflar için yaklaşık veya üzeri 0,95’e yaklaştı veya ulaştı. Hataların çoğu, insan uzmanların bile gözle veya işitmeyle görüş birliğine varamayabildiği “neredeyse normal” ile hafif azalmış akış arasındaki belirsiz sınır bölgelerinde meydana geldi. Önemli olarak, ekip sistemi, geleneksel ayak bileği-brakiyal indeks ölçümüne izin vermeyecek kadar sertleşmiş bacak arterleri olan küçük bir diyabetik hasta grubuna uyguladığında, modelin tahminleri Doppler dalga formlarının şekline dayanan uzman beklentileriyle tüm on olguda uyuştu.

Bu klinikte ne anlama gelebilir

Yazarlar yaklaşımlarını hâlâ birden fazla manşet ve basınç ölçümü gerektiren ticari otomatik ayak bileği-brakiyal indeks makineleriyle karşılaştırdı. Bu cihazlar hızlı olsa da aynı zayıflığı paylaşıyor: komprese edilemeyen sert arterlerde iyi çalışmıyorlar. AutoABI ise yalnızca yaygın olarak bulunan elde tutulan Doppler ve derin öğrenme modelini çalıştırabilecek bir cihaz —örneğin bir akıllı telefon— gerektiriyor. Kesin sayısal değerleri daha geniş aralıklarla değiş tokuş ediyor, ancak karşılığında yatak başında, acil servislerde veya tam bir damar laboratuvarına sahip olmayan kliniklerde hızlı, nesnel rehberlik sağlayabiliyor. Sistem kaynakları sınırlı ortamlarda ve geleneksel ölçümlerin güvenilmez olduğu yüksek riskli hastalarda özellikle yararlı olabilir.

Gerçek dünyada kullanıma yönelik sonraki adımlar

Çalışma erken bir kavram kanıtı niteliğinde olup yazarlar sınırlarını vurguluyor. Verisetinin özenle toplanmış olmasına karşın hacmi sınırlıydı ve komprese edilemeyen damar sayısı çok azdı. Kayıtların kalitesi, teknoloğun probu tutuşuna ve arka plan gürültüsüne bağlıydı ve sistem henüz farklı Doppler marka ve modellerinde veya yoğun ayaktan hasta ortamlarında test edilmedi. Gelecekteki çalışmalar daha büyük, daha çeşitli hasta gruplarını, tıbbi öykü bilgisini ve önyargı ile performans kayması riskine karşı sürekli izlemeyi içermelidir. Yine de sonuçlar, bilgisayarlara kan akışını “dinlemeyi” öğretmenin bacak dolaşımı testlerini daha hızlı, daha ucuz ve daha geniş ölçekte erişilebilir hale getirerek ciddi damar hastalıklarını yaşamı değiştiren komplikasyonlara yol açmadan önce yakalayabileceğini öne sürüyor.

Atıf: Rao, A., Battenfield, K., Fereydooni, A. et al. Enabling ankle-brachial index prediction from doppler sounds using deep learning. npj Cardiovasc Health 3, 21 (2026). https://doi.org/10.1038/s44325-026-00116-7

Anahtar kelimeler: periferik arter hastalığı, ayak bileği-brakiyal indeksi, Doppler ultrason, derin öğrenme, uzuv perfüzyonu