Araştırmacılar, giyilebilir cihazlarda kalp (EKG) ve kas (EMG) sinyallerini gerçek zamanlı olarak analiz edebilen devrim niteliğinde bir sistem geliştirdi. PhysioLite adlı bu yeni teknoloji, büyük ve enerji tüketen Transformer modellerinin aksine, mikro işlemci ölçeğindeki çiplerde çalışabiliyor. Sistem, dalgacık filtre bankaları ve donanım uyumlu tasarım kullanarak, en gelişmiş yapay zeka modellerinin performansına yakın sonuçlar elde ediyor. Bu gelişme, gizlilik korumalı ve çevrimdışı çalışabilen tıbbi giyilebilir teknolojiler için yeni kapılar açıyor. Özellikle kalp ritmi bozuklukları ve kas fonksiyonlarının sürekli izlenmesi gereken hastalarda büyük avantaj sağlayabilir.

Atrial fibrilasyon (kalp ritim bozukluğu) tespitinde kullanılan yapay zeka modellerinin performansı, EKG verilerinin örnekleme frekansına büyük ölçüde bağlı olduğu ortaya çıktı. Araştırmacılar, farklı frekanslarla kaydedilmiş EKG verilerinin derin öğrenme modellerinin başarısını nasıl etkilediğini sistematik olarak inceledi. Sonuçlar, hibrit CNN-LSTM modelinin 100-250 Hz arası orta frekanslarda en iyi performansı gösterdiğini, klasik CNN modelinin ise farklı davrandığını ortaya koydu. Bu bulgular, tıbbi yapay zeka sistemlerinin geliştirilmesinde veri kalitesinin kritik önemini vurguluyor.

Araştırmacılar, elektrokardiyogram (EKG) verilerini daha etkili şekilde analiz edebilen yeni bir yapay zeka modeli geliştirdi. LAMAE adı verilen bu model, kalp ritmi ölçümlerinde farklı elektrot bağlantıları arasındaki ilişkileri öğrenerek daha doğru sonuçlar üretiyor. Geleneksel yöntemlerin aksine, bu sistem EKG'nin 12 farklı derivasyonu arasındaki yapısal bağlantıları kullanarak kendini eğitiyor. Mimic-IV-ECG veritabanında yapılan testlerde, modelin kalp hastalıklarının teşhisinde önemli iyileştirmeler sağladığı görüldü. Bu gelişme, kardiyoloji alanında yapay zeka destekli tanı sistemlerinin daha güvenilir hale gelmesi açısından önemli bir adım olarak değerlendiriliyor.

Kalp hastalıkları teşhisinde kullanılan EKG sinyallerinin otomatik analizi için geliştirilen yapay zeka modelleri, geleneksel makine öğrenmesi yöntemleriyle karşılaştırıldı. PTB-XL veri seti üzerinde yapılan araştırmada, derin öğrenme modelleri ham EKG verilerinden otomatik olarak ayırt edici özellikleri çıkarabilme yetenekleriyle öne çıktı. Çalışmada altı farklı model test edildi: üç geleneksel makine öğrenmesi algoritması ve üç derin öğrenme modeli. Sonuçlar, karmaşık yapay sinir ağlarının kardiyovasküler hastalıkların erken teşhisinde umut verici sonuçlar elde ettiğini gösteriyor.