İnsan kalbi günde yaklaşık 100.000 kez atar. Bu, yaşamı mümkün kılan hayati bir ritimdir.
Ancak bu ritim bozulduğunda...
Her yıl binlerce kişi ani kardiyak arrest yaşar ve çoğu hastaneye ulaşamadan hayatını kaybeder.
Bu ölümler, genellikle bir saat içinde kalp kaynaklı ani ve beklenmedik ölüm olarak tanımlanan ani kardiyak ölüm (AKÖ) olarak sınıflandırılır.
AKÖ'nün her yıl önemli sayıda insanın hayatına mal olduğu tahmin edilmektedir.
Ancak, bu ölümlerin çoğunu öngörmenin ve potansiyel olarak önlemenin bir yolu olabilir. Yapılan son bir araştırma bu umut verici gelişmeyi ortaya koyuyor.
Takılabilir defibrilatörler, tehlikeli kalp ritim bozukluklarını ölümcül vakalara dönüşmeden önce tespit edip düzeltebilse de, doktorların kimlerin bu cihazlara ihtiyacı olduğunu belirlemesi zor olabiliyor.
Mevcut en iyi sistemimiz, sol ventrikül ejeksiyon fraksiyonu (LVEF) adı verilen bir ölçüm kullanarak kan akışını değerlendirmek için ultrason kullanılarak en yüksek riskli hastaları belirlemeye çalışır.
Ancak LVEF, AKÖ geçiren birçok hastayı belirleyememekte ve hayat kurtaran defibrilatörlere hiç ihtiyaç duymayacak birçok kişiyi de yüksek riskli olarak işaretleyebilmektedir.
Görünüşe göre, LVEF'in gözden kaçırdığı hastaları belirlemek için güçlü yeni bir yöntem olabilir.
Bu sorunun çözümü artık elimizde.
Eğer ani kardiyak ölüm riski taşıdığınızı bilseydiniz, bir kardiyoloğa gider ve bir defibrilatör taktırırdınız. Ancak doktorlar, zaman geçmeden kimin buna ihtiyacı olduğunu anlayamıyor.
Bu çalışmada, araştırmacılar ani kardiyak ölümle ilişkili elektriksel desenleri tanımak için derin öğrenme modelini eğittiler. Bu eğitim için yüksek sayıda elektrokardiyogram (EKG) kaydı kullanıldı.
EKG'lerin faydası, hastanın cildine yerleştirilen elektrotlarla kalbin elektriksel aktivitesini kaydedebilen, nispeten düşük maliyetli ve invaziv olmayan bir test sistemi olmalarıdır.
Araştırmacılar, EKG'lere uygulanan derin öğrenmenin, maliyetsiz, yaygın olarak erişilebilir, standartlaştırılmış bir görüntüyü doğrudan bir sınıflandırıcıya besleyerek, insan girdisi olmadan riski tahmin etme potansiyeline sahip olduğunu belirtiyor.
Sonuçlar da bu potansiyeli doğruluyor.
EKG verilerindeki desenleri inceleyen yapay zeka sistemi, hasta örnekleminin küçük bir yüzdesini oluşturan yüksek riskli bir grup belirledi.
Bu yüksek riskli grup, takip eden bir yıl içinde ani kardiyak ölüm oranı açısından önemli bir risk taşıyordu. Buna karşılık, LVEF daha küçük bir grubu yüksek riskli olarak işaretledi ve bu grupta AKÖ geliştirme oranı daha düşüktü.
Ancak, iki ölçüm sistemi arasındaki yüksek riskli grupların sadece küçük bir kısmı örtüşüyordu. Araştırmacılar, LVEF'in yapay zeka tarafından tespit edilen yüksek riskli hastaların büyük çoğunluğunu belirleyemediğini kaydetti.
Bu bulguların hayat kurtarıcı etkileri olabilir. Yapay zeka tarafından belirlenen yüksek riskli hastalar arasında, implante edilmiş defibrilatörlere sahip olanların ani kardiyak ölüm oranı istatistiksel olarak beklenenden önemli ölçüde düşüktü, bu da cihazların bu gruptaki bazı ölümleri önleyebileceğini düşündürüyor.
Bulgular gözlemsel olsa ve defibrilatörlerin bu azalmaya neden olduğunu kesin olarak kanıtlamasa da, gelecekteki araştırmalar için önemli bir yeni yol olabilir.
Araştırmacılar, yüksek riskli hastaların, daha önce bilinmeyen, sık görülen ve önlenebilir ölümlerle karakterize yeni bir popülasyonu temsil ettiğini belirtiyor.
Ancak ekip sadece bunlarla da yetinmedi.
Araştırmacılar, daha yüksek riskle ilişkili elektriksel desenleri görselleştirmek için ikinci bir yapay zeka modeli kullandıklarında, başka bir şeyi daha ortaya çıkardılar: AKÖ'yü bağımsız olarak öngören, daha önce tanımlanmamış bir dalga formu özelliği.
Bilim insanlarına göre, yüksek riskli hastalardaki dalga formu verilerinde görülen bir "bulanık iniş darbesi", kalp kasındaki muhtemel fibrozis (skarlaşma) nedeniyle ortaya çıkan ve kalpteki elektriksel uyarıların iletimini bozabilen, yaklaşan kalp sorunlarının bir işareti olabilir.
Araştırma üzerine bir yorum yazan bir mühendis, makine öğrenmesi yaklaşımının bu kadar tanıdık verilerde daha önce görülmemiş bir deseni ortaya çıkarabilmesinin, derin öğrenmenin uygun tamamlayıcı araçlarla eşleştirildiğinde tahminin ötesine geçerek bilimsel keşfe doğru ilerleyebileceği yönünde daha geniş bir ders niteliği taşıdığını belirtiyor.
Bir yüzyıldan uzun süredir klinik olarak okunan EKG'lerin bile henüz okunmamış mesajlar içerebileceğini gösteriyor.
Bu bulgular önemli bir bilimsel dergide yayınlandı.
Kaynakça: sciencealert.com