Ejeksiyon fraksiyonu düşük ve korunmuş kalp yetersizliği vakaları için tek sinyal kullanarak makine öğrenmesi tabanlı yeni bir tanı algoritması

Kalp yetersizliği (KY) ile ilgili olarak, mortaliteyi azaltmak ve ömrü uzatmak tedavinin ana hedeflerinden biridir. Birçok klinik çalışma KY hastalarını Sol Ventriküler Ejeksiyon Fraksiyonuna (SVEF) göre tanımlar. SVEF'ye göre KY alt tiplerinden en sık görülen ikisi, düşük ejeksiyon fraksiyonlu KY (DEF-KY, SVEF ≤ %40) ve korunmuş ejeksiyon fraksiyonlu KY (KEF-KY, SVEF ≥ %50)'dir. DEF-KY tanısı daha kolaydır. Ancak KEF-KY tanısı uzmanlar için bile daha karmaşık ve zordur. SVEF normal göründüğünden (sağlıklı bireylerde de SVEF ≥ %50), bazı benzer semptomlar nedeniyle KEF-KY vakaları göğüs hastalıkları ile karıştırılabilir. SVEF'yi ölçmek için genellikle ekokardiyografi kullanılır. Bu, uzman gerektiren pahalı bir cihazdır ve cihaza ulaşmanın kısıtlı olduğu durumlar olabilir. Tedaviye ekokardiyografi yapılmadan başlanması gereken acil durumlar da olabilir. Bu tür durumların çözümü için ekonomik, pratik karar destek sistemlerine ihtiyaç duyulmaktadır. Bu tez çalışmasında, DEF-KY, sağlıklı ve KEF-KY sınıflarının olduğu üçlü sınıflandırma yapan, yalnızca 3 kablolu elektrokardiyogram (EKG) özelliklerini kullanan bir tanı algoritması ve yalnızca fotopletismografi (PPG) ve PPG'den türetilen kalp hızı değişkenliği (KHD) özelliklerini kullanan bir algoritma olmak üzere iki farklı algoritma geliştirilmiştir. Ayrıca DEF-KY ve KEF-KY ikili sınıflandırması için de sadece KHD özelliklerini kullanan başka bir algoritma da geliştirilmiştir. 25 yaş ve üzeri 61 gönüllüden 10 saniye boyunca elektrokardiyogram (EKG) ve fotopletismografi (PPG) verileri eş zamanlı olarak alınmıştır. Hem EKG hem de PPG sinyallerini temizlemek için dijital filtreler kullanılmıştır. Temizlenmiş PPG'lerden KHD'ler türetilmiştir. EKG ile yapılan üçlü sınıflandırma çalışması için dört farklı makine öğrenmesi (MÖ) algoritması kullanılmıştır. Veri setinin rasgele %80'i eğitim ve %20'si test veri seti olarak ayarlanmıştır. Bu sınıflandırmalar sonucunda elde edilen en yüksek doğruluk oranı, k-en yakın komşu (k-NN) algoritması için %100'dür. Yalnızca KHD özellikleri kullanılarak yapılan DEF-KY ve KEF-KY ikili sınıflandırması için üç farklı MÖ algoritması kullanılmıştır. Bu sınıflandırmalar sonucunda elde edilen en yüksek doğruluk oranı, Destek Vektör Makinaları (DVM) için %98.33'dir. PPG ve PPG'den türetilen KHD kullanılarak yapılan üçlü sınıflandırma için üç farklı MÖ algoritması kullanılmıştır. Yine 10 kat çapraz doğrulama ile değerlendirme yapılmıştır. Sınıflandırmalar sonucu elde edilen en yüksek doğruluk oranı, topluluk sınıflandırıcı için %87.78'dir. Bu çalışmada elde edilen sonuçlara dayanarak, sadece 3 kablolu EKG ya da sadece PPG özelliklerinin DEF-KY ve KEF-KY tanısında kullanılabileceği ve önemli sonuçlar sağlayacağı belirlenmiştir. Bu çalışma ile, tek bir sinyalle DEF-KY ve KEF-KY teşhis etme olasılığının yolu açılmıştır. Konuyla ilgili bundan sonraki araştırmalara öncülük edeceği düşünülmektedir.