Kalp ritim bozukluklarının erken tespitinde yapay zeka modellerinin kullanımı giderek yaygınlaşıyor. Ancak yeni bir araştırma, bu sistemlerin performansının EKG verilerinin teknik özelliklerine ne kadar hassas olduğunu gözler önüne seriyor.
PTB-XL veri seti kullanılarak yapılan kapsamlı çalışmada, 12 derivasyonlu 10 saniyelik EKG kayıtları 62, 100, 250 ve 500 Hz frekanslarda yeniden örneklendi. İki farklı yapay zeka mimarisi test edildi: standart 1D evrişimli sinir ağı (CNN) ve hibrit CNN-LSTM modeli.
Araştırma sonuçları çarpıcı: örnekleme frekansının model performansını mimari türüne bağlı olarak önemli ölçüde etkilediği belirlendi. Hibrit CNN-LSTM modeli, 100-250 Hz arası orta frekanslarda hem en yüksek doğruluk hem de tutarlı kalibrasyon gösterdi. Klasik CNN modeli ise farklı frekans tercihlerinde daha iyi sonuçlar verdi.
Bu bulgular, tıbbi yapay zeka sistemlerinin geliştirilmesinde standardizasyonun önemini vurguluyor. Farklı hastanelerde farklı frekanslarda kaydedilen EKG verilerinin bir araya getirilmesi durumunda, modellerin performansının beklenmedik şekilde değişebileceği ortaya çıkıyor.
Sonuçlar, gelecekteki tıbbi AI sistemlerinin tasarımında veri toplama protokollerinin daha dikkatli planlanması gerektiğini gösteriyor.