EKG yapay zekâsı toplumda zayıfladı: PREVUE-VALVE dersi

EchoNext, Columbia Üniversitesi'nden bir ekibin geliştirdiği derin öğrenme modeli. Standart EKG'den yapısal kalp hastalığını (kapak hastalıkları ve ventrikül işlev bozukluğu gibi ekokardiyografiyle tanınan durumlar) öngörmeyi amaçlıyor. Model, 2025'te Nature'da yayımlanan çalışmada bir milyondan fazla EKG ve görüntüleme kaydıyla eğitilmişti.

Yeni makale, modeli PREVUE-VALVE adlı toplum temelli bir çalışmanın verisine uyguladı. Bu çalışmada 65-85 yaş arası gönüllülere evde EKG ve transtorasik ekokardiyografi (göğüs duvarından yapılan eko) uygulandı. Çalışma ClinicalTrials.gov'da NCT05357404 numarasıyla kayıtlı ve sponsoru Cardiovascular Research Foundation.

Yazarlar performansı modelin geliştirildiği hastane kohortu ve dış hastane kohortlarıyla karşılaştırdı. Hastalık sıklığı ve olgu karışımındaki farkı dengelemek için eğilim skoru eşleştirmesi kullandılar.

Tam metne erişemedik; aşağıdaki bulgular çalışmanın özetine göre aktarılıyor. Özete göre 3.000 PREVUE-VALVE katılımcısından 2.402'si analiz ölçütlerini karşıladı.

İki ortam arasındaki fark çarpıcı. Yapısal kalp hastalığı sıklığı toplumda yüzde 8, hastane kohortlarında yüzde 43'tü. Toplumdaki hastalık daha hafifti ve fenotip de farklıydı: orta derece triküspit yetersizliği daha sık, sistolik kalp yetersizliği daha seyrekti.

Model toplumda AUC 0,71 (yüzde 95 güven aralığı 0,66-0,76) değerine ulaştı. Hastane kohortunda bu değer 0,83 (0,82-0,83) idi. AUC hasta ile sağlamı ayırt etme gücünü gösterir; 0,5 yazı tura, 1,0 kusursuz ayrım demektir.

Eğilim skoru eşleştirmesi farkı azalttı ama ortadan kaldırmadı. Model farklı hastane kohortlarında ise benzer performans gösterdi. Yazarlar bunu, sorunun kurumdan çok hastalık spektrumu ve klinik bağlamdan kaynaklandığının işareti olarak yorumluyor.

Alt gruplar da aynı yönü doğruluyor. EKG'si anormal olanlarda AUC 0,79, sağlık durumu bozuk olanlarda 0,76 ile biraz daha yüksekti. Yani hastalığın daha sık ve belirgin olduğu gruplarda model daha iyi çalıştı.

Sınırlılıklar da var. Katılımcılar yalnız 65-85 yaş aralığında; bulgular daha genç gruplara doğrudan taşınamaz. Özet, kestirim değerinin de değerlendirildiğini söylüyor ama rakam vermiyor.

Çıkar çatışmaları kapsamlı. PREVUE-VALVE, Edwards Lifesciences, Abbott ve Philips'in araştırmacı kaynaklı destekleriyle finanse edildi. Yazarlardan Poterucha ve Elias, EchoNext algoritmasının mucitleri ve lisans geliri alabilirler. Bazı yazarların Pathway Labs adlı şirkette hissesi var; birçok yazar kapak cihazı üreticilerinden danışmanlık ya da destek bildiriyor.

Bu çalışma, "spektrum etkisi" denen eski bir tanı testi sorununun yapay zekâdaki karşılığını gösteriyor. Hastanede geliştirilen model, belirgin hastalıkla sağlamı ayırmayı öğreniyor. Toplumda ise hafif ve sınırda olgular çoğunlukta; bu ayrım bulanıklaşıyor.

Düşük sıklık, kestirim değerlerini de etkiler. Hastalık yüzde 8 sıklıkta olduğunda pozitif kestirim değeri düşer; yani pozitif sonuçların daha büyük bölümü yanlış pozitif olur. Bu da gereksiz eko istemi ve hasta kaygısı anlamına gelebilir.

Bir EKG yapay zekâsı kurumunuza ya da tarama programına önerildiğinde şunları sorun:

• Model hangi popülasyonda geliştirildi, hangi popülasyonda dış doğrulama yapıldı?
• Sizin hasta grubunuzdaki hastalık sıklığı ve şiddeti bu kohortlara benziyor mu?
• Pozitif ve negatif kestirim değerleri, sizin ortamınızdaki sıklığa göre hesaplanmış mı?
• Pozitif sonuç sonrası eko kapasitesi ve takip yolu hazır mı?

Negatif bir yapay zekâ sonucu, üfürümü ya da semptomu olan hastada ekokardiyografiyi geciktirmek için gerekçe değildir.

EchoNext'in Türkiye'de klinik kullanımda olduğuna dair bir bilgiye ulaşamadık. Yine de ders, ülkemize gelecek her EKG yapay zekâsı için geçerli.

Hastane verisiyle geliştirilen bir model, aile hekimliğinde ya da yaşlılarda toplum taramasında kullanılmadan önce o ortamda sınanmalı. Bu sınamanın referansı da eko ile doğrulanmış tanı olmalı. Satın alma aşamasında Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK) kaydı kadar, modelin hangi hasta grubunda doğrulandığı da sorulmalı.