Akıllı saatlerde kalp verilerini okumanın yeni yolu keşfedildi

Yapay zekanın sağlık teknolojisindeki uygulamaları giderek derinleşiyor. Son dönemde ortaya konan yeni bir araştırma, akıllı saatlerde bulunan optik sensörlerin yapay zeka destekli algoritmalar sayesinde ne kadar ileri kalp sağlığı verilerini açığa çıkarabileceğini ortaya koyuyor. Bu gelişme, giyilebilir cihazların tıbbi izleme alanında oynayabileceği rolü önemli ölçüde genişletme potansiyeline sahip.

Hipertansiyon bildirimleriyle başlayan yolculuk

Apple, watchOS 26 sürümüyle akıllı saatlere hipertansiyon bildirimleri özelliğini dahil etti. Bu özellik, kullanıcıların kan damarlarının kalp atışlarına nasıl tepki verdiğini analiz etmek için optik kalp sensöründen gelen verileri kullanıyor. Algoritma, 30 günlük dönemler boyunca arka planda pasif olarak çalışarak verileri inceliyor ve tutarlı hipertansiyon belirtileri tespit ederse kullanıcıları uyarıyor. Şirket, bu özelliğin ilk yıl içinde teşhis konulmamış hipertansiyonu olan 1 milyondan fazla kişiyi bilgilendirmesinin beklendiğini iddia ediyor. Ancak Apple, hipertansiyon bildirimlerinin hastalığın tüm örneklerini tespit edemeyeceğini de açıkça kabul ediyor. Bu özelliğin önemli bir yönü, anlık ölçümlere değil, uzun dönemli trendlere dayanmasıdır; bu da algoritmaların gerçek zamanlı hemodinamik okumalar üretmek yerine zamansal değişimleri izlediği anlamına geliyor.

Optik sensörlerden daha fazla bilgi çıkarmak

Apple'ın Makine Öğrenimi Araştırması blogundan yayınlanan yeni çalışma, temel araştırmaya ve teknolojinin kendisine odaklanıyor. "Kardiyovasküler Parametrelerin İnvaziv Olmayan İzlenmesi için Fotopletismografinin Hibrit Modellemesi" başlıklı bu makalede, araştırmacılar kardiyovasküler biyobelirteçleri doğrudan PPG (fotopletismograf) sinyallerinden tahmin etmek için hemodinamik simülasyonlar ve etiketlenmemiş klinik veriler kullanan hibrit bir yaklaşım öneriyorlar. Fotopletismograf, Apple Watch'ta kullanılan optik algılama yöntemiyle aynı prensiple çalışıyor. Araştırmacılar, basit bir parmak nabız sensörü kullanarak daha derin kardiyak metrikleri tahmin etmenin mümkün olduğunu gösteriyor. Bu bulgu, giyilebilir cihazların sağlık izleme kapasitesinin ne kadar genişletilebileceğini ortaya koymak açısından oldukça önemli.

Hibrit modelleme yaklaşımının teknik detayları

Apple araştırmacılarının yöntemi, birkaç aşamada gerçekleştirildi. İlk olarak, etiketlenmiş simüle edilmiş arteriyel basınç dalga formlarından (APW) oluşan geniş bir veri seti ve eşzamanlı gerçek dünya APW ile PPG ölçümlerinden oluşan bir veri seti elde ettiler. Daha sonra, PPG verilerini eşzamanlı olarak meydana gelen APW'ye nasıl eşleyeceklerini öğrenmek için üretken bir model eğittiler. Bu adım, PPG ölçümlerinden APW verilerini yeterli hassasiyetle çıkarsamalarına olanak sağladı. Sonraki aşamada, bu yorumlanmış APW'leri, inme hacmi ve kardiyak çıktı gibi kardiyak biyobelirteçleri bu verilerden çıkarsamak için eğitilmiş ikinci bir modele beslediler. İkinci modeli eğitmek için simüle edilmiş APW verileri ve bilinen kardiyovasküler parametre değerleri kullanıldı. Son olarak, her PPG segmenti için birden fazla makul APW dalga formu oluşturdular ve her biri için karşılık gelen kardiyovasküler parametreleri çıkarsadılar. Bu sonuçların ortalamasını alarak bir belirsizlik ölçüsüyle birlikte nihai bir tahmin ürettiler.