Atriyal Fibrilasyon Riskinin Holter EKG verilerinden ve klinik verilerden 'veri madenciliği' / 'yapay zeka' yöntemiyle öngörülmesi

Atriyal Fibrilasyon Riskinin Holter EKG verilerinden ve klinik verilerden 'veri madenciliği' / 'yapay zeka' yöntemiyle öngörülmesi:

Atriyal fibrilasyon (AF), toplumda yaklaşık %4-9 oranında görülen ve ilerleyen yaşla veya altta yatan kardiyovasküler hastalık varlığı ile sıklığı artan ve tedavi gerektiren en sık aritmi çeşididir. Atriyal fibrilasyon kardiyoembolik inme için önemli bir risk faktörüdür. Diğer yandan kalp yetersizliği başta olmak üzere kardiyovasküler mobidite ve mortalite içinde bağımsız bir risktir. Antikoagülan tedavinin AF'li ve yüksek tromboembolik riski olan hastalarda inme riskini azalttığı gösterilmiştir. Ancak AF epizodları bazı olgularda asemptomatik seyredip karşımıza yıkıcı bir inme ile çıkabilmektedir. Bugün için hangi kişilerin AF riski taşıdığına ilişkin klinik ve elektrokardiyografik bazı tahmin çalışmaları bulunmakla birlikte klinik pratikte kullanılabilecek öneriler henüz geliştirilememiştir. Özellikle veri madenciliği (VM) ve yapay zeka (YZ) yöntemleri ile AF riskini çoklu veriden öngerme çalışması bilgimiz dahilinde bulunmamaktadır.

Çalışmamızın amacı sinüs ritmindeyken daha önce herhangi bir klinik nedenle 24 veya 48 saat Holter EKG kaydı yapılmış hastaların klinik, demografik, 12 kanal EKG ve Holter EKG bulgularından ve ilaç bilgilerinden yararlanarak VM ve YZ yöntemlerini kullanarak 4 yıllık zaman içinde AF geliştirme riskini öngörerek parametrelere ulaşabilmektir.

Uygulanacak Yaklaşım ve Yöntemler:

Veri evreni ve yönetimi:

Bu çalışmada Eskişehir Osmangazi Üniversitesi Sağlık Uygulama ve Araştırma Hastanesi verileri kullanılacak ve M.Ü. Hipertansiyon ve Ateroskleroz Eğitim Araştırma ve Uygulama Merkezi ile birlikte klinik ve veri madenciliği analizi yapılacaktır.

Eskişehir Osmangazi Üniversitesi Sağlık Uygulama ve Araştırma Hastanesi'nin 1 Ocak 2016 - 1 Şubat 2018 tarihleri arasında başvuran hastalar içinde asgari kayıt bilgileri tam olan hastalara ait tıbbi kayıtlar retrospektif olarak incelenecektir.

Tüm verileri hasta isimleri kapatılarak, anonimize edilecek şekilde alınacak ve hasta mahremiyetine azami özen gösterilecektir.

Bu hastalara tetkik sırasında (üç ay önce ve üç ay sonrası zaman dilimi içinde) reçete edilen ilaçlar dahil olmak üzere hastalara ait tüm demografik, klinik ve laboratuvar bilgiler alınacaktır.

Bu hastaların Mart 2019 itibari ile en son EKG bilgilerine ulaşılacak sinüs ritminde olanlar ve AF ritminde olanlar iki gruba ayrılacaktır.

Mart 2019 itibari ile EKG bilgilerine ulaşılamayan hastalara telefonla ulaşılacak ve kendilerine EKG çekilmesi için çalışmaya davet edileceklerdir. Bu hastalardan yazılı onam formu alındıktan sonra 12 kanal EKG leri çekilecektir.

Bu EKG verilerine göre de hastalar sinüs veya AF grubuna dahil edilecektir. Çalışmanın VM ve YZ bölümleri sinüs ritmi ve AF ritmi grupları dahilinde gerçekleştirilecektir.

Hastaların ulaşılabilen tüm demografik, klinik ve laboratuvar verileri bilgisayar ortamına aktarılacaktır. Böylece veri madenciliği tekniğinin ilk aşaması olan veri toplama süreci gerçekleştirilmiş olacaktır.

İkinci aşamada, veri ön işleme yapılarak temizlenmiş, kayıp ve boş verilerden ayıklanmış, veri dönüşümleri gerekiyorsa gerçekleştirilmiş çalışılmaya uygun veri seti oluşturulacaktır.

Üçüncü aşamada, veri indirgeme süreci yönetilecektir. Burada öznitelikler arasındaki ilişkiler (korelasyon vb.) incelenecek, uzmanın etiketlendirmesi göz önüne alınarak Holter cihazı kaydından gelen verilerin önemi ortaya konacaktır. Maliyeti düşürmek, oluşturulacak modelin kullanabilirliği açısından hız ve doğruluğunu arttıracak şekilde ilgili özniteliklerin seçimi gerçekleştirilecektir.

Veri madenciliği tekniği altında tahmini ve tanımlayıcı yaklaşım bulunmaktadır. Burada uzmanın yaptığı etiketlendirmelerde birer öznitelik olarak sisteme sokulacağından, tahmini yaklaşım kapsamında gözetimli öğrenme yapılacaktır. Sınıflandırma ve tahmin modelleri oluşturulması sırasında en yüksek doğruluk, duyarlılık ve hassasiyet için random forest, destek vektör makineleri (support vector machines), yapay sinir ağları ve hasta sayısına bağlık olarak deep learning algoritmaları vb. kullanılması planlanmaktadır.

Son aşamada ise veri madenciliği tekniği ile elde edilen model sayesinde sistemin hiç bilmediği hastalar için tahminde bulunma başarıları incelenecek, böylece sağlamlık (robustness) sonuçları değerlendirilmeye çalışılacaktır.


Bu sayfa Hypertension and Arteriosclerosis Research and Implementation Centre tarafından en son 16.11.2020 17:15:24 tarihinde güncellenmiştir.

HIZLI ERİŞİM