Açıklanabilir Yapay Zekâ ile EKG Tanısında Yeni Dönem

Kalp-damar hastalıkları, dünya genelinde hâlâ en büyük sağlık yüklerinden biri. Pratikte bunun karşılığı şu: Acilde, poliklinikte, evde uzaktan takipte… EKG her gün milyonlarca kez çekiliyor ve çoğu zaman karar “hızlı ama doğru” olmak zorunda. Ne var ki EKG yorumlama tecrübe istiyor; yoğunluk arttıkça hata riski de artıyor.

19.12.2025’te yayımlanan yeni bir çalışma, EKG’de yapay zekânın “sadece yüksek doğruluk” hedefini bir adım ileri taşıyor: Doktorun düşündüğü gibi düşünebilen ve bunu gösterebilen açıklanabilir bir model yaklaşımı. Bu, “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serimizin tam merkezine oturuyor; çünkü dijital sağlıkta asıl mesele, modelin tahmin yapması değil, klinisyenin o tahmini güvenle kullanabilmesi.

Bu yazıda, çalışmada önerilen yaklaşımın (MDOT) neyi farklı yaptığını, açıklanabilirliğin EKG’de neden kritik olduğunu ve Türkiye’de hastaneler ile dijital sağlık girişimleri için uygulanabilir bir yol haritasının nasıl kurulacağını konuşacağız.

EKG’de yüksek doğruluk tek başına neden yetmiyor?

Kısa cevap: Klinik ortamda “neden?” sorusuna yanıt vermeyen yapay zekâ, ölçeklenmekte zorlanır.

EKG yorumlayan bir hekim, sadece etiket seçmez; kalp hızına bakar, QRS süresi uzamış mı kontrol eder, ST segmentinde yükselme/çökme var mı tarar, QTc uzamış mı değerlendirir. Bu göstergeler, kararın klinik gerekçesidir. Yapay zekâ modeli çok iyi bir doğruluk yakalasa bile, klinisyen şu iki riski düşünür:

• Yanlış pozitif/yanlış negatif durumunda sorumluluk: “Model neden böyle dedi?”
• Genelleme riski: Model bu hastayı mı öğrendi, yoksa gerçek paterni mi?

Bu yüzden dijital sağlıkta benim net duruşum şu: Açıklanabilirlik bir ‘nice to have’ değil; güven, mevzuat uyumu ve klinik benimsenme için ‘must’.

MDOT yaklaşımı ne öneriyor? (Klinik bilgi + Transformer + açıklama)

Kısa cevap: Model, EKG sinyalini Transformer’ın daha iyi okuyacağı bir forma dönüştürüyor ve doktorun kullandığı klinik göstergeleri modele “yan kanal” olarak ekliyor.

Çalışma, MDOT (Momentum Distillation Oscillographic Transformer) adlı bir çerçeve sunuyor. Üç önemli fikri bir araya getiriyor:

1) 1 boyutlu EKG’yi 2 boyutlu “osilografik” temsile çevirmek

EKG verisi ham hâliyle zaman-serisi (1D). Transformer mimarileri uzun bağımlılıkları yakalamada çok iyi; fakat morfoloji (P-QRS-T şekli) ve ince dalga detayları söz konusu olduğunda uygun temsil kritik.

MDOT içindeki OSC modülü, EKG’yi 2 boyutlu bir osilografik gösterime dönüştürüyor. Bunu, sinyali sadece “zaman boyunca akan çizgi” olarak değil, dalga biçiminin detaylarını daha belirgin kılan bir forma taşımak gibi düşünebilirsiniz. Pratik sonuç: Model, hem uzun aralık ilişkilerini hem de lokal morfolojiyi daha net yakalıyor.

2) Doktorun baktığı klinik göstergeleri modele entegre etmek

Model sadece ham sinyale bakmıyor; hekimlerin günlük pratikte kullandığı yardımcı göstergeler de ekleniyor:

• Kalp hızı
• QRS süresi
• ST segment değişimleri
• QTc aralığı

Bu yaklaşımın değeri şu: Modelin karar mekanizması, klinisyenin zihnindeki “kanıtlarla” daha iyi hizalanıyor. Benim deneyimimde bu tür hibrit tasarımlar, sahada kabul görmeyi belirgin şekilde kolaylaştırıyor.

3) Öğretmen-öğrenci (teacher-student) ile “hafif” ama güçlü model

Hastane içinde sunucu var diye herkes rahat; ama dijital sağlıkta işin bir ucu uç cihazlara (edge) gidiyor: ambulans, ev tipi EKG, giyilebilir cihaz, yoğun bakım başucu monitörü.

MDOT, bilgi damıtma (knowledge distillation) yaklaşımıyla “öğretmen” modelden “öğrenci” modele öğrenme aktarıyor. Böylece daha hafif bir model, güçlü bir modelin performansına yakınlaşıyor. Uçta çalıştırma için bu kritik.

Sağlık yapay zekâsında ölçeklenebilirlik çoğu zaman “daha büyük model” değil, “yeterince iyi ve yeterince hafif model” demek.

Açıklanabilirlik: Isı haritaları klinik güveni nasıl artırıyor?

Kısa cevap: Model, karar verirken EKG’nin hangi bölümüne “dikkat” ettiğini görselleştirerek klinisyene denetlenebilir bir ipucu sunuyor.

MDOT, attention mekanizmalarıyla ısı haritası (heatmap) üretiyor. Bu, “model bu aritmi sınıfını seçti çünkü şu segmentler tanısal” diyebilmenin yolu.

Burada önemli bir ayrım var: Isı haritası tek başına “kesin açıklama” değildir; ama klinik akış için çok değerli bir hızlı doğrulama ekranı sağlar. Hekim EKG’ye bakar, modelin işaretlediği alanla kendi bulgusunu karşılaştırır:

• Örneğin model ST segment çevresini yoğun işaretliyorsa, hekim bu bölgeyi tekrar değerlendirir.
• QRS genişliğiyle ilgili şüphede modelin vurgu yaptığı komplekslere bakılır.

Bu yaklaşım, “kör güven” yerine kontrollü iş birliği üretir. Dijital sağlık ürünlerinde aradığımız şey de bu.

Sonuçlar ne söylüyor? (Veri setleri ve performansın anlamı)

Kısa cevap: Sıkı hasta-bazlı ayrımla, iki büyük veri setinde çok yüksek doğruluk raporlanıyor; asıl değer, bunun açıklanabilirlikle birlikte gelmesi.

Çalışma, iki yaygın açık veri setinde hasta-bazlı (inter-patient) bölme ile değerlendiriliyor:

• MIT-BIH (8 sınıf): %99,53 doğruluk
• Chapman (12 sınıf): %99,03 doğruluk

Bu rakamlar çok yüksek. Yine de sahada bakılması gereken iki gerçek var:

1. Veri seti başarısı ≠ gerçek hayat başarısı: Cihaz farklılığı, elektrot yerleşimi, gürültü, eşlik eden hastalıklar performansı etkiler.
2. Sınıf dağılımı ve klinik öncelik: Bazı ritimler nadir ama kritik olabilir; tek metrik yerine duyarlılık/özgüllük, sınıf bazlı performans, kalibrasyon gibi ölçümler gerekir.

Yani “%99” gördüğümüzde heyecanlanmak normal; ama gerçek değer, modelin klinik akışa nasıl yerleştiği ve nasıl yönetildiğiyle ortaya çıkar.

Türkiye’de hastaneler ve dijital sağlık ekipleri için uygulanabilir yol haritası

Kısa cevap: Başarılı bir EKG yapay zekâ projesi; veri yönetişimi, klinik hedef, entegrasyon ve izleme adımlarını birlikte ister.

Aşağıdaki çerçeveyi, ekiplerle çalışırken “pilotun pilotu” olarak öneriyorum:

1) Kullanım senaryosunu netleştirin (triage mı, ikinci görüş mü?)

EKG yapay zekâsında iki pratik hedef öne çıkar:

• Acil triage (önceliklendirme): Kritik bulguyu kaçırma riskini azaltmak.
• İkinci göz (clinical decision support): Hekime hızlı doğrulama ve işaretleme sağlamak.

İlk kararınız şu olmalı: Model “tanı koyan” değil, karar destekleyen bir rol mü üstlenecek? Benim tercihim çoğu kurumda ikinci seçenek; daha hızlı kabul görür.

2) Klinik göstergeleri standartlaştırın

MDOT’un yaklaşımındaki kalp hızı, QRS, QTc, ST değişimi gibi parametreler, kurum içinde cihazdan cihaza değişen hesaplama yöntemlerine takılabilir.

• Hesaplama metodunu standardize edin.
• Hekimlerin kabul ettiği referans aralıklarıyla hizalayın.

3) Açıklanabilirlik ekranını ürünün merkezine koyun

Birçok ürün bu kısmı “ekran süsü” yapıyor. Bu hatalı.

• Isı haritasını, EKG üzerinde segment bazında gösterin.
• “Model güven skoru”nu tek başına vermek yerine hangi bulgulara dayandığını gösterin.
• Hekim geri bildirimini (doğru/yanlış, gerekçe) toplayın.

4) Edge (uç) dağıtımını erken düşünün

Özellikle evde takip ve uzaktan hasta izleminde, bulut gecikmesi ve bağlantı sorunları işin doğası.

• Hafif model hedefi belirleyin.
• Cihazda çalışma + merkezde izleme hibritini tasarlayın.

5) İzleme ve model yönetimini (MLOps) baştan kurun

Sağlıkta model “kurulur ve biter” yaklaşımı çalışmaz.

• Veri kayması (data drift) alarmları
• Aylık performans raporu
• Yeni cihaz/versiyon çıktığında yeniden doğrulama

Bu kısım, lead’e giden yolda da belirleyici: Kurumlar satın alma kararını, sadece doğrulukla değil operasyonel sürdürülebilirlikle verir.

Sık gelen sorular: Klinik ekiplerin gerçekten merak ettikleri

“Açıklanabilirlik yasal açıdan şart mı?”

Şartlar kurum ve ülkeye göre değişir; ancak sağlıkta denetlenebilirlik ihtiyacı çok net. Benim gözlemim: Satın alma komiteleri, özellikle kritik karar destek sistemlerinde açıklanabilirliği fiilen “zorunlu koşul” gibi ele alıyor.

“Bu kadar yüksek doğrulukta bile hekim neden kontrol etsin?”

Çünkü klinikte hata maliyeti yüksektir ve hasta profili veri setinden farklı olabilir. Ayrıca EKG, tek başına değil; şikâyet, vital bulgular, troponin gibi verilerle birlikte yorumlanır.

“Giyilebilir cihazlarda aynı performans olur mu?”

Tek derivasyonlu ve gürültülü sinyallerde problem değişir. Hafif model yaklaşımı avantaj sağlar ama mutlaka cihaz-spesifik doğrulama gerekir.

Dijital sağlıkta asıl kazanç: güven + hız + ölçek

EKG’de yapay zekâ, yıllardır “yüksek doğruluk” yarışında ilerliyor. Bu çalışma ise daha değerli bir mesaj veriyor: Model, klinik mantığa yaklaşabildiği ölçüde sahada yaşayabiliyor. Klinik göstergeleri işin içine katmak ve dikkat haritalarıyla denetlenebilir ipuçları üretmek, benimsenmeyi hızlandırır.

“Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serisinin bu bölümünden alınacak ders net: Erken teşhis ve uzaktan takip hedefliyorsak, yapay zekâyı sadece tahmin motoru gibi değil, klinik iş akışının güvenilir bir parçası gibi tasarlamak zorundayız.

Eğer kurumunuzda EKG karar destek, uzaktan hasta izleme veya edge tabanlı dijital sağlık çözümleri gündemdeyse, ilk adımınız şu olsun: Açıklanabilirlik ve klinik gösterge entegrasyonu şartnamesini daha en başta yazın. Sonrasında her şey daha az sancılı ilerliyor.

Sizce EKG yapay zekâsında “güven”i en çok artıran şey doğruluk mu, yoksa modelin gerekçesini şeffafça gösterebilmesi mi?