Aritmi olmadan evde tek derivasyonlu EKG sinyallerinden atriyal fibrilasyonun tahmini

Atriyal fibrilasyon

Atriyal fibrilasyon (AFib), felç, kalp yetmezliği ve diğer kardiyovasküler komplikasyon riskini önemli ölçüde artıran yaygın bir kalp ritmi bozukluğudur. Bununla birlikte, AFib, etkilenen bireylerin önemli bir yüzdesinde sıklıkla teşhis edilememektedir. AFib’in erken tanımlanması, uygun tedavi stratejilerinin uygulanması ve olumsuz sonuç riskinin azaltılması açısından çok önemlidir. Bu bilimsel makalede, evde tek derivasyonlu EKG sinyallerine dayanarak iki haftalık bir süre içinde AFib oluşumunu tahmin edebilen bir model geliştirdik. Bu teknoloji, tarama prosedürlerinde devrim yaratma ve AFib tespitini geliştirme potansiyeline sahiptir. (Figür)

AFib tahmini

Giyilebilir bir EKG yaması kullanan bireylerden 14 güne kadar 459.889 yama bazlı ayaktan tek derivasyonlu EKG kaydından oluşan geniş bir veri kümesi topladık. Amaç, çeşitli uzunluklarda AFib içermeyen EKG aralıklarını analiz ederek kısa vadeli AFib riskini ölçebilecek bir model geliştirmekti. Model, derin öğrenme tekniklerini kullanarak EKG morfoloji verilerini demografik ve kalp ritmi özellikleriyle birleştirdi. Modelin performansı farklı giriş konfigürasyonları ve izleme uzunlukları kullanılarak değerlendirildi.

Neden derin öğrenme?

Model, yakın vadeli AFib’i tahmin etmede ilginç sonuçlar elde etti. 1 günlük AFib içermeyen bir EKG kaydını gözlemlerken, derin öğrenme özelliklerine sahip model, 0,80’lik eğri altındaki alan (AUC) ile en doğru tahmini üretti. Bu, yalnızca demografik ve manuel özelliklere dayalı modellerle karşılaştırıldığında ayrımcılığı önemli ölçüde iyileştirdi. EKG sinyalinden çıkarılan derin öğrenme özelliklerinin dahil edilmesi, tahmin doğruluğunun artırılması açısından çok önemliydi. Ayrıca izleme penceresinin uzunluğunun tahmin doğruluğunu etkilediğini de bulduk. Daha uzun izleme süreleri daha doğru tahminler sağladı ve AFib ile ilgili bazı özelliklerin daha kısa izleme aralıklarında mevcut olmayabileceği fikrini destekledi.

Potansiyel Etkiler

Bu teknolojinin AFib’in erken tespiti ve yönetimi açısından önemli etkileri vardır. Model, evde tek uçlu EKG sinyallerini kullanarak, gözlemlenen olayların yokluğunda bile AFib riskini tahmin edebiliyor. Bu, uzun süreli veya tekrarlayan izlemeden fayda sağlayacak AFib-negatif ambulatuar izleme sahip bireyleri belirleyerek AFib’in teşhis amaçlı yakalanmasını iyileştirme potansiyeline sahiptir. AFib’in erken tanımlanması, tedavinin zamanında başlatılmasını sağlayabilir ve ciddi kardiyovasküler komplikasyon riskini azaltabilir. Bu çalışmanın bulguları, AFib tespitini ve risk sınıflandırmasını iyileştirmede dijital stratejilerin potansiyelini vurgulamaktadır. Giyilebilir cihazlar yaygınlaştıkça, AFib de dahil olmak üzere kardiyak aritmilerin tanısı ve tedavisi dönüştürülebilir. Derin öğrenme tekniklerinin EKG verileriyle entegrasyonu, daha doğru tahmin ve hedefe yönelik izlemeye olanak tanır, sınırlı kaynakların kullanımını optimize eder ve tarama programlarının hassasiyetini artırır.

Gelecekteki yönlendirmeler

Bu çalışma umut verici sonuçlar verirken, tahmin modelinin uygulanabilirliğini genel popülasyona genişletmek için daha fazla doğrulama ve ileriye dönük çalışmalar gereklidir. Ek olarak model, genetik ve elektronik sağlık kayıt verileri gibi ek bilgilerin çok modlu bir yaklaşımla birleştirilmesiyle daha da geliştirilebilir. Modelin farklı giyilebilir cihazlara ve sensör özelliklerine göre kalibre edilmesi de gelecekteki araştırmalar için önemli bir husustur.
Tek uçlu EKG sinyallerinden AFib’i tahmin etmeye yönelik bir modelin geliştirilmesi, AFib tespiti ve risk sınıflandırmasında önemli bir ilerlemeyi temsil eder. Bu teknoloji, AFib yönetimini dönüştürme potansiyeline sahip olup, erken teşhis ve tedavinin zamanında başlatılmasını mümkün kılmaktadır. Giyilebilir cihazların artan kullanılabilirliği ve derin öğrenme tekniklerindeki gelişmelerle birlikte, AFib tespitinin geleceği umut verici görünüyor.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir