Kardiyovasküler Tıpta Yapay Zeka

Yapay zeka (AI), kardiyoloji de dahil olmak üzere çeşitli tıp alanlarında devrim yarattı. Teknolojideki ilerlemelerle birlikte, yapay zekanın kardiyolojideki kullanımı daha sofistike hale gelmiş ve uygulama alanları genişlemiştir. Yapay zeka, kardiyak hastalıkların teşhisini, tedavi yönetimini ve risk tahminini, ayrıca ekokardiyogramlar veya kardiyak MRG taramaları gibi tıbbi görüntülerin analizini iyileştirme potansiyeline sahiptir. Ayrıca AI teknikleri, kardiyovasküler tıpta mevcut hastalıklarda yeni genotipleri ve fenotipleri araştırmak, hasta bakımının kalitesini artırmak, maliyet etkinliğini sağlamak ve yeniden yatış ve mortalite oranlarını azaltmak için de uygulanmıştır. Son on yılda, kardiyovasküler hastalık tanısı ve tahmini için birçok makine öğrenimi tekniği kullanılmıştır. Makine öğrenimi (ML) algoritmaları, elektrokardiyogramlar (EKG'ler), ekokardiyogramlar ve tıbbi görüntüleme gibi klinik verilere uygulanabilir ve sonuçları tahmin etmek, riski sınıflandırmak ve kardiyovasküler hastalıkları teşhis etmek için kullanılabilir. ML ayrıca insan gözüne görünmeyen, kalbin elektriksel aktivitesindeki ince değişiklikler gibi verilerdeki desenleri tanımlamak ve kişiselleştirilmiş tedavi planları geliştirmek için de kullanılabilir. Derin öğrenme (DL), tıbbi görüntü analizi alanını devrim yaratan ML'nin bir alt kümesidir. DL modelleri, bilgisayarlı tomografi (BT) taramaları ve manyetik rezonans görüntüleme (MRG) taramaları gibi büyük miktarda kardiyovasküler görüntüyü analiz edebilir ve anormallikleri yüksek doğrulukla tespit edebilir. DL ayrıca kalbin yapısının ve işlevinin detaylı analizini sağlayan birden fazla 2B görüntüden 3D rekonstrüksiyonlar oluşturmak için de kullanılabilir.^1-2

Yapılan bir çalışmada gelişmiş AI yöntemlerinin, özellikle DL sinir ağlarının, EKG'ye uygulanabilir olduğu gösterilmiştir. Klinik değişkenlerle ilişkilendirilmiş büyük EKG veri kümelerinin kullanımıyla, AI artık EKG'lerin insan benzeri yorumlarını ve hatta daha fazlasını yapabilmektedir. EKG verilerini kullanan birçok AI çalışması rapor edilmiştir. Örneğin, EKG veri kümelerini kullanan DL modelleri, atriyal fibrilasyon gibi aritmilerin gelecekteki ortaya çıkma olasılığını tahmin edebilir veya sol ventrikül disfonksiyonunu dahi tahmin edebilir. İlginç bir şekilde, AI, sadece EKG'ye dayanarak bireyin yaşını, cinsiyetini ve ırkını tahmin edebilir. İnsan gözü tarafından ayırt edilemeyen desenleri ve morfolojileri yorumlayabileceği öne sürülüyor. Bu çalışma, hastalığın sadece teşhis edilmesi değil, aynı zamanda kökeninin de lokalize edilmesi için AI kullanımını içeren yeni bir strateji sunmaktadır. Yapay zeka’nın ML veya DL kullanımı örnekleri:³

Kalp ritim bozuklukları

Kardiyolojide ML'nin en yaygın uygulamalarından biri, kalp ritim bozukluklarının tahminidir. ML modelleri, uzaktan izleme alarm yönetimini iyileştirmek ve ventriküler aritmi oluşumunu, kriyoablayson gibi invaziv ablasyon prosedürlerine yanıtı ve hatta resüsitasyonlu kalp durması sonrası mortaliteyi tahmin etmek için geliştirilmiştir. Derin Öğrenme (DO) teknikleri, görüntülerin veya elektrokardiyografik sinyallerin doğrudan analizi yoluyla farklı aritmi tiplerini tespit etmek için büyük başarıyla kullanılmıştır. Başka bir uygulama, farklı aritmik risk taşıyan hipertrofik kardiyomiyopatileri sınıflandırmak için fenotipleri tanımlamak amacıyla denetimsiz öğrenmeyi kullanmaktır. ⁴

İskemik kalp hastalığı

AI, birinci basamak sağlık hizmetlerinden standart elektronik tıbbi kayıtlara kadar genel nüfusta kardiyovasküler hastalık riskini tahmin etmek için uygulanmış ve geleneksel olarak kullanılan risk ölçeklerine göre üstün olduğu gösterilmiştir. Ayrıca, istikrarlı iskemik kalp hastalığının prognozunu, koroner sendromu ve miyokard enfarktüsü geçiren hastaların mortalitesini tahmin etmek için denetimli öğrenme teknikleri, bireysel hastanelerin sonuçlarını veya SWEDEHEART gibi büyük kayıt defterlerini analiz ederek uygulanmıştır. Sonuçlar, örneklem büyüklüklerine bağlı olarak farklılık göstermektedir, bu da ML tekniklerinin büyük örneklemlerle daha iyi sonuçlar elde ettiğini göstermektedir.⁴

Kalp yetmezliği

ML sistemleri, geleneksel risk ölçeklerinden daha doğru bir şekilde hastaneden taburcu olduktan sonra kardiyak dekompansasyona yatkın hastaları belirleyerek kalp yetmezliğine bağlı kaçınılabilir hastaneye yatışların optimizasyonunu sağlayabilir. Başlangıç çalışmaları, yapay zekanın kalp yetmezliği olan hastaların uzaktan izlemesinde bir yönetim sistemi olarak kullanılabilirliğini ele almıştır. Çalışmalar, ML'nin uygulanabilir olduğunu ve bu hastaların klinik seyrini iyileştirebileceğini göstermiştir. Başka bir önemli alan, kalp naklidir ve ML sistemlerinin bekleme listesindeki hastalarda ölüm veya nakil olasılığını veya nakil başarısını tahmin etmek için uygulandığı görülmektedir. Özellikle, kardiyak resenkronizasyona klinik yanıt, ML sistemleri kullanılarak tahmin edilebilir. Bu alandaki ML ve DL metodolojilerinin birleşimi harika bir örneği, ekokardiyografik verilerin analizi yoluyla diyastolik disfonksiyonun tahminidir. Bu araştırma, denetimsiz öğrenme gibi diğer örneklerle birlikte, bu prosedürlerin kalp yetmezliği tanısı gibi karmaşık kalp hastalıklarının standartlaştırılmasını ve yorumlanmasını kolaylaştırabileceğini göstermektedir. Başka bir çalışma İsveç Kalp Yetmezliği Kayıt Defteri'nden büyük miktarda veriyle gerçekleştirilen denetimsiz tekniklerle yapılan bir çalışmaydı ve farklı klinik seyir ve terapötik yanıtlara sahip 4 fenotipi belirlemeyi başarmıştır.⁴

Kalp görüntüleme

Görüntüleme verilerini kullanan AI örnekleri popüler hale gelmeye başlıyor ve kardiyak görüntülemenin dünyasında yeni bir devrimden sorumlu olacak. Kardiyak görüntüleme nicelendirme verilerini kullanan ML teknikleri, örneğin geniş ekokardiyografik veritabanlarından kardiyovasküler mortaliteyi tahmin etmek için başarıyla kullanılmıştır. Benzer ML modelleri, atletlerin tipik fizyolojik ventriküler hipertrofisinin ekokardiyografik desenlerini, ailevi hipertrofik kardiyomiyopati bulgularından ayırmak için geliştirilmiştir. ML yöntemlerinden başka DL, görüntüleri doğrudan analiz etmek için çeşitli uygulama alanlarında kullanılmıştır. Yaralanma tespiti veya hastalık sınıflandırması gibi diğer çalışma türlerinde genellikle bir önceki adım olan kalp dokusu ve anatomik yapılara yönelik segmentasyon görevlerine odaklanmıştır.  İlk DL ile gerçekleştirilen çalışma 2013'e tarihine aittir ve ekokardiyografiden sol ventrikülün segmentasyonunu içerir. 2009'dan beri, datathon tarzı yarışmalar sistematik olarak temel olarak sol ve sağ ventriküler segmentasyonu amaçlayan ve farklı görüntülere dayanan, tipik olarak MRG ve BT gibi bir kardiyak görüntüleme aracı kullanılmaktadır.  Ekokardiyografik görüntüleme alanında, tamamen otomatik bir yorumun uygulanması için ilerlemeler kaydedilmiştir, bunun aracılığıyla bakış açılarının tanımlanması, görüntü segmentasyonu, yapıların ve fonksiyonların nicelendirilmesi ve hastalık tespiti. Son yıllarda elde edilen segmentasyon görevleri dışındaki diğer sonuçlar, koroner BT görüntülerinden fraksiyonel akış rezervinin hesaplanması, koroner arterlerde kalsiyum ölçümü, koroner ve karotis arter dokularının niceliği ve karakterizasyonu, kardiyak görüntülerin geliştirilmesi veya üretilmesi, darlık ve ateroskleroz tespiti ve kısıtlayıcı kardiyomiyopatiden kısıtlayıcı perikardit farklılaşmasıdır.⁴

Yakın gelecekte, yapay zeka (AI), kardiyovasküler tıpta bir paradigma değişikliği getirebilir. AI'nın kardiyovasküler tıptaki potansiyeli büyüktür; ancak bu potansiyel klinik etkisini gölgeleyebilecek zorluklarla karşılaşılmaktadır. Bu süreçte, önemli zorluklarla karşılaşmaktayız. Özellikle, veri çeşitliliğinin kısıtlı olması ve birçok büyük veri tabanına erişim imkanının bulunmaması, yapay zeka uygulamalarının geliştirilmesinde en büyük engeller arasında yer almaktadır. Elektronik sağlık kayıtları, yapay zeka modelleri için önemli bir veri kaynağı potansiyeline sahiptir. Ancak, henüz elektronik sağlık kaynaklarının büyük bir kısmının kullanılamadığı göz önünde bulundurulmalıdır. Bu nedenle, geniş kapsamlı hasta verilerine ve güvenilir veri kümelerine erişim, yapay zeka modellerinin klinik uygulamalarda başarılı olabilmesi için kritik bir öneme sahiptir.^1-4

KAYNAKLAR

1. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664. doi: 10.1016/j.jacc.2017.03.571. PMID: 28545640.
2. Ledziński Ł, Grześk G. Artificial Intelligence Technologies in Cardiology. J Cardiovasc Dev Dis. 2023 May 6;10(5):202. doi: 10.3390/jcdd10050202. PMID: 37233169; PMCID: PMC10219176.
3. Mukai Y, Tohyama T, Sakamoto K. Artificial Intelligence in Electrocardiology for Arrhythmia Diagnosis. Circ J. 2022 Jul 25;86(8):1281-1282. doi: 10.1253/circj.CJ-22-0229. Epub 2022 May 18. PMID: 35584947.
4. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Applications of Artificial Intelligence in Cardiology. The Future is Already Here. Rev Esp Cardiol (Engl Ed). 2019 Dec;72(12):1065-1075. English, Spanish. doi: 10.1016/j.rec.2019.05.014. Epub 2019 Oct 12. PMID: 31611150.