Kalp Yetersizliği Hastalarında Yapay Zeka Teknikleri Kullanarak Elektrokardiyografi Aracılığıyla Hipokalemi, Hiponatremi ve Hiperkaleminin Tespiti

Amaç: Elektrolit dengesizliğinin tespiti ve izlenmesi, birçok metabolik hastalığın uygun tedavisi için gereklidir. Ancak bu dengesizlikleri güvenilir ve invaziv olmayan şekilde tespit edebilen bir araç henüz mevcut değildir. Özellikle kalp yetmezliği hastalarında görülen elektrolit bozuklukları, hastalığın rutin tedavisinde kullanılan ilaçlara bağlı olarak gelişebilen ve yaşamı tehdit eden durumlara yol açabilir.

Yöntem: Bu çalışmada, kalp yetmezliği hastalarında elektrolit dengesizliğini tespit etmek amacıyla elektrokardiyografi (EKG) kullanan bir derin öğrenme modeli (DLM) geliştirdik ve performansını çok merkezli bir çalışmada test ettik. Çalışmaya 17 farklı merkez dahil edildi. Aynı gün kan elektrolit değerleri ve EKG’si alınan, ejeksiyon fraksiyonu (EF) ≤ %45 olan kalp yetmezliği hastaları çalışmaya alındı. Hastalar dört gruba ayrıldı: normal elektrolit değerleri olanlar, hipokalemisi olanlar, hiperkalemisi olanlar ve hiponatremisi olanlar. Kalp yetmezliği tedavisinde kullanılan ilaçlara bağlı elektrolit bozukluğu gelişen hastalar ilgili gruba dahil edildi. Güven aralıkları (GA), AUROC için %95 GA, hasta düzeyinde 2.000 tekrar örnekleme (stratified bootstrap) yöntemiyle, Accuracy için ise binom oranları için Wilson skor aralığı kullanılarak hesaplandı.

Bulgular: Hiponatremi, hipokalemi ve hiperkalemi gruplarında DLM doğruluk oranları sırasıyla %83,33, %95,33 ve %95,77 olarak belirlendi.

Sonuç: Önerilen DLM, elektrolit dengesizliğini tespit etmede yüksek performans göstermiştir. Bu sonuçlar, DLM’nin EKG kullanılarak elektrolit dengesizliğinin günlük olarak tespit edilmesi ve izlenmesinde kullanılabileceğini göstermektedir.

Anahtar Kelimeler: Yapay zeka, derin öğrenme, elektrokardiyografi, elektrolitler