Yapay zeka aracılığıyla ventriküler taşikardi(VT) ve supraventriküler taşikardi(SVT) ayrımı


Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Ankara Yıldırım Beyazıt Üniversitesi, Tıp Fakültesi, Dahili Tıp Bilimleri, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: CAN BERK İNAN

Danışman: Havva Şahin Kavaklı

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Kardiyovasküler hastalıklar (KVH) bulaşıcı olmayan hastalıklar arasında dünya genelinde meydana gelen ölümlerin bağlıca nedenlerindendir. EKG, mortaliteleri son derece yüksek olabilen; ancak büyük oranda önlenebilir olan KVH'nin erken tanısında ve sürecin devamında en sık kullandığımız, hızlı ve kolayca ulaşabildiğimiz, ucuz, güvenilir, noninvaziv ve çok değerli bilgiler sunan bir tanı testidir. Geniş QRS kompleksli taşikardilerde (WCT) olduğu gibi bazı durumlarda EKG'ler, mevcut algoritmalara rağmen tecrübeli klinisyenler tarafından dahi yanlış değerlendirilebilmektedir. Bu çalışmada, yapay zeka (AI) alanında kullanılan derin öğrenme (DL) yöntemiyle VT-SVT ayrımının başarılı bir şekilde yapılması amaçlanmıştır. Materyal ve Metot: Retrospektif olarak yürütülen çalışmamıza, 1 Kasım 2021 – 1 Mart 2023 tarihleri arasında, Ankara Bilkent şehir Hastanesi Erişkin Acil Tıp Kliniği'ne çarpıntı, baş dönmesi, dispne, göğüs ağrısı ve senkop semptomlarının en az biri ile başvuran ve 18 yaşından büyük olup EKG'leri çekilen hastalar dahil edilmiştir. Çalışmamızda önce EKG‟lerinde taşiaritmi saptanan 848 hasta ile EKG‟lerinde normal sinüs ritmi (NSR) saptanan 250 hasta incelenmiştir. Sonrasında dışlama kriterleri gereğince artefaktlı, EKG‟lerine ulaşılamayan ve mükerrer EKG‟leri olan hastalar ayrılarak veri seti oluşturabilmek için NSR EKG‟si olan 248 hasta ile taşiaritmi EKG‟sine sahip 652 hasta değerlendirmeye alınmıştır. Tarafımızca toplanan EKG‟ler ilk olarak iki kardiyoloji uzmanımıza verilerek etiketlendirilmiştir. Etiketlenme sonrası veri setimiz, evrişimli sinir ağı (CNN) modellerimiz ResNet 18-34 ve 50‟nin eğitimi ve testi için kullanılmıştır. Son olarak eğitilip hazır hale getirilen modellerimizin VT-SVT ayrımı konusundaki prediksiyonları ile altın standart olarak kabul ettiğimiz kardiyologlarımızın değerlendirmeleri kıyaslanmıştır. Modellerin başarıları doğruluk, duyarlılık, kesinlik ve F1 skorları olan performans metrikleri ile ölçülmüştür. Bulgular: Çalışmaya 652‟sinin taşiaritmik, 248‟inin NSR EKG‟si olan toplam 900 hasta dahil edildi. Hastaların %61.4‟ü yani 553‟ü kadın olarak gözlenirken tüm hastaların yaş ortalamaları 57±17 yıl olarak gözlendi. SVT-VT ayrımı için performans metriklerine bakıldığında 3 ResNet modelinin de doğruluk ve duyarlılık (ağırlıklı) yüzdeleri %95 olarak gözlenirken; kesinlik (ağırlıklı) ve F1 skoru (ağırlıklı) yüzdeleri Resnet 18 ve 50 için %95 iken ResNet 34 için %94 olarak gözlendi. Tartışma ve Sonuç: Çalışmamızda kullandığımız 3 ResNet modeli de başarılı bir şekilde VT-SVT ayrımı yapmış olup doğru teşhis oranları mevcut klasik algoritmaların üzerindedir. Her geçen gün büyüyen EKG arşivleri sayesinde doğru teşhis oranları şüphesiz daha da artacaktır. Ancak yine de bu uygulamaların büyük çok merkezli çalışmalar ile prospektif olarak uygulanabilirliği test edilmelidir. Anahtar Kelimeler: EKG, Derin öğrenme, Ventriküler taşikardi, Supraventriküler taşikardi, ResNet, Yapay zeka