Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı

Hipertansiyon, sürekli kan basıncı yüksekliği ile kendini gösteren, sistemik bir hastalık olup, ciddi komplikasyonlara neden olması ve toplumda yaygın olarak görülmesi nedeniyle önemli bir sağlık problemidir. Tedavi edilmeyen hipertansiyonun, kalp yetersizliği, koroner kalp hastalığı, hemorajik ve trombotik inme, böbrek yetersizliği, periferik arter hastalığı, aort diseksiyonu ve ölüm oranını artırdığı ortaya konmuştur. Hipertansiyonun komplikasyonları ve buna bağlı ölüm oranı, kan basıncı yüksekliği ile doğru orantılı olarak artmaktadır. Hipertansiyonun belirlenmesinin ve tedavisinin amacı kalp, beyin, damar ve böbrek hastalıkları riskini ve eşlik eden morbidite ile ölüm oranını azaltmaktır. Bu nedenle, yüksek riskli bireyleri belirlemek için sürekli, doğru bir kan basıncı ölçüm sistemi gerekmektedir. Sağlık sektöründe genellikle yüksek tansiyon hastalığının teşhisi için hastaya konforsuz yapıda olan tansiyon holter cihazı takılmaktadır. Yapılan çalışmanın amacı sürekli ve noninvaziv damar yolunu tıkamayan kan basıncı tahminine yönelik algoritmalar sunmaktır. Literatürde kan basıncı tahminine yönelik makine öğrenmesi algoritmalarına dayalı birçok çalışma bulunmaktadır, ancak bu çalışma derin öğrenme algoritmalarına odaklanarak sistolik kan basıncı, diyastolik kan basıncı ve ortalama arteriyel basınç değerlerinin tahminini sağlamaktadır. Elektrokardiyografi (EKG) ve Fotopletismografi (PPG) sinyallerinden çıkarılan öznitelikler ile kan basıncı tahminlerinin gerçekleştirilmesi hedeflenmiştir. Öznitelik seti, Womersley numarası, SDI, QRS ve QTc aralığı gibi EKG tabanlı ve fotopletismograf yoğunluk oranı (PIR) gibi PPG tabanlı özelliklerden oluşmaktadır. Öznitelik seti, kan basıncı tahminindeki hatayı en aza indirmek ve bu özelliklerin kan basıncı ile ilişkisini araştırmak amacıyla kullanılır. Çıkarılan öznitelikler evrişimli sinir ağları ve uzun kısa süreli bellek gibi derin öğrenme algoritmaları ile eğitilmişlerdir. Ortalama mutlak hata (MAE), kök ortalama kare hatası (RMSE), ortalama kare hata (MSE) ve varyans gibi değerlendirme ölçümleri de hesaplanmıştır. Evrişimli sinir ağları ve uzun kısa süreli bellek algoritmalarını birlikte kullanarak elde ettiğimiz modelimizin kan basıncı tahmininde doğruluk oranının arttığı gözlemlenmiştir. Bu tezin sonunda, elektrokardiyografi ve fotopletismografi sinyallerinden kan basıncı tahmininin otomatik bir versiyonu uygulanarak hipertansiyonun en hızlı ve doğru şekilde teşhis edilmesine olanak sağlanmıştır. Önerdiğimiz noninvaziv kan basıncı tahmininde kullanılan yöntemler günümüz teknolojisinde oldukça popüler olan giyilebilir cihazlara entegre edilerek kardiyovasküler hastalıklarla mücadele etmek ve riskli etkilerini önlemek amacıyla da kullanılabilir.