EKG VERİLERİNDEN YAPAY ZEKA İLE KORONER LEZYON TESPİTİ VE SYNTAX SKORUNA GÖRE SINIFLANDIRMA

Abstract

Bu çalışmanın temel amacı, koroner arter hastalığı (KAH) tanı ve risk sınıflamasında elektrokardiyografinin (EKG) rolünü değerlendirmek ve KAH tanısı almış bireylerde, koroner anjiyografi öncesinde EKG verilerinin yapay zekâ algoritmaları ile analiz edilerek koroner arterlerde ?%70 darlık varlığının öngörülmesini sağlamaktır. Ayrıca, yapay zekâ tarafından tespit edilen lezyonların SYNTAX skoruna göre sınıflandırılması hedeflenmiştir. Böylece, uygulanacak revaskülarizasyon stratejisi (perkütan koroner girişim [PCI] veya koroner arter bypass greftleme [CABG]) önceden planlanarak girişim sırasında hekimlerin daha hazırlıklı olması sağlanmaktadır. Çalışma retrospektif ve gözlemsel nitelikte olup, Fırat Üniversitesi Kardiyoloji Kliniği'nde 1 Mayıs – 1 Ekim tarihleri arasında yürütülmüştür. Araştırma grubunu, koroner anjiyografi uygulanmış ve EKG verileri eksiksiz olan ?18 yaşındaki, ejeksiyon fraksiyonu ?%55 bireyler oluşturmuştur. Önceki miyokard enfarktüsü, PCI/CABG öyküsü, ciddi kapak hastalığı, ritim bozukluğu veya dal bloğu olanlar ile ejeksiyon fraksiyonu <%55 olan hastalar çalışmaya dahil edilmemiştir. EKG verileri, güç hattı gürültüsü, kas artefaktı ve bazal dalgalanmaları gidermek için band-pass filtreleme ile işlenmiş; sinyaller normalizasyon ve segmentasyon işleminden geçirilmiştir. Analizlerde Residual Attention Convolutional Neural Network (RA-CNN) modeli kullanılmış, attention mekanizması ve residual bloklar paralel şekilde uygulanarak özellik çıkarımında yüksek doğruluk sağlanmıştır. Model, 10 kat çapraz doğrulama ile değerlendirilmiş ve 770 iterasyon sonunda sınıflandırma doğruluğu %90,0 olarak bulunmuştur. RA-CNN modelinin performansı, lezyon tespiti açısından duyarlılık %89,2, özgüllük %90,67, kesinlik %88,8 ve F1-skoru %89,0 olarak elde edilmiştir. Normal sınıfta duyarlılık %90,67, özgüllük %89,2, kesinlik %90,97 ve F1-skoru %90,8 bulunmuştur. Syntax skoruna dayalı çok sınıflı sınıflandırmada modelin genel doğruluğu %84,4 olarak hesaplanmış; düşük ve orta Syntax skorları için duyarlılık ve özgüllük değerleri yüksek bulunmuş, yüksek Syntax skor grubunda duyarlılık biraz düşmüş ancak özgüllük oldukça yüksek olmuştur. Çalışmanın bulguları, EKG temelli yapay zekâ algoritmalarının koroner arter hastalığını erken dönemde belirleme ve hastalığın ciddiyetini SYNTAX skoruna göre sınıflandırma potansiyelini göstermektedir. Bu yaklaşım, invaziv olmayan, düşük maliyetli ve hızlı bir yöntem sunarak gereksiz anjiyografi uygulamalarının önüne geçilmesine ve yüksek riskli hastaların erken tanılanmasına olanak sağlamaktadır. Bununla birlikte, EKG verilerinin bireysel farklılıklardan etkilenebileceği ve algoritmanın daha geniş ve çeşitli veri setleri ile optimize edilmesinin klinik güvenilirliği artıracağı vurgulanmaktadır. Sonuç olarak, EKG verilerinden yapay zekâ ile koroner lezyon tespiti ve SYNTAX skoruna göre sınıflandırma, KAH yönetiminde klinik karar destek sistemlerinin geliştirilmesi açısından önemli bir potansiyel taşımaktadır.

The primary objective of this study was to evaluate the role of electrocardiography (ECG) in the diagnosis and risk stratification of coronary artery disease (CAD) and to predict the presence of ?70% coronary artery stenosis in individuals diagnosed with CAD by analyzing ECG data using artificial intelligence algorithms before coronary angiography. Furthermore, we aimed to classify lesions detected by the AI according to the SYNTAX score. This approach allows for pre-planning the revascularization strategy (percutaneous coronary intervention [PCI] or coronary artery bypass grafting [CABG]) to better prepare physicians for the procedure. The study is retrospective and observational, conducted at the Fırat University Cardiology Clinic between May 1st and October 1st. The study population consisted of individuals aged ?18 years with an ejection fraction ?55% who underwent coronary angiography and had complete ECG data. Patients with a previous myocardial infarction, a history of PCI/CABG, severe valvular disease, arrhythmias, or bundle branch block, or an ejection fraction <55% were excluded from the study. ECG data were processed with band-pass filtering to remove power line noise, muscle artifacts, and baseline fluctuations; the signals were normalized and segmented. RA-CNN model was used in the analyses, and high accuracy in feature extraction was achieved by applying the attention mechanism and residual blocks in parallel. The model was evaluated with 10-fold cross-validation, and after 770 iterations, the classification accuracy was found to be 90.0%. The performance of the RA-CNN model in terms of lesion detection was obtained as 89.2%, specificity as 90.67%, precision as 88.8%, and F1-score as 89.0%. In the normal class, sensitivity was found to be 90.67%, specificity as 89.2%, precision as 90.97%, and F1-score as 90.8%. In multi-class classification based on syntax score, the overall accuracy of the model was calculated as 84.4%; Sensitivity and specificity values were found to be high for low and medium syntax scores, while sensitivity decreased slightly in the high syntax score group, but specificity was quite high. The study's findings demonstrate the potential of ECG-based AI algorithms for early detection of coronary artery disease and classification of disease severity based on the SYNTAX score. This approach offers a non-invasive, low-cost, and rapid method, allowing for the prevention of unnecessary angiography and the early identification of high-risk patients. However, it is emphasized that ECG data can be affected by individual differences, and optimizing the algorithm with a broader and more diverse dataset would increase clinical reliability. In conclusion, artificial intelligence-based coronary lesion detection from ECG data and classification based on the SYNTAX score holds significant potential for developing clinical decision support systems in CAD management.