Özet
Kardiyovasküler hastalık (KH) takibi giderek daha fazla elektrokardiyografi (EKG), fotoplethysmografi (PPG) ve gelişmiş görüntüleme sistemleri gibi çok modlu biyosensörlere dayanmaktadır. Derin öğrenme bu biyosensörlerin analitik kapasitesini artırmış olsa da, çok modlu algılama verilerinin klinik uygulamaya aktarılması bir güvenilirlik açığı nedeniyle engellenmektedir. Mevcut biyosensör mimarileri genellikle sensör gürültüsüne karşı yeterince dayanıklı değildir, zayıf kalibre edilmiş güven tahminleri üretir, fizyolojik nedenselliği göz ardı eder ve klinisyen iş akışlarıyla uyum sağlayamaz. PubMed, IEEE Xplore, Scopus ve arXiv (2018–2026) veritabanlarında sistematik bir anlatısal derleme metodolojisi kullanılarak bu makale, biyosensör veri entegrasyonundaki altı birbiriyle bağlantılı zorluk alanı etrafındaki literatürü sentezlemektedir: belirsizlik ölçümü ve çatışma çözümü; eksik ve uyumsuz modların yönetimi; bilgi güdümlü temsil ve birleştirme; nedensel ve kanıtsal akıl yürütme; sağlam klinik değerlendirme; ve insan merkezli entegrasyon. Güvenilirlik özelliklerine dayalı bir birleştirme stratejileri taksonomisi öneriyor ve mevcut metodolojilerdeki kritik sınırlamaları, örneğin kara kutu transformer modellerinin sensör verilerindeki yanıltıcı korelasyonlardan yararlanma eğilimini ve dağılım kayması altında erken birleştirmenin kırılganlığını tanımlıyoruz. Ayrıca, nedensel ayrıştırma, federatif çok modlu öğrenme ve etkileşimli klinisyen-YZ döngülerini vurgulayan kapsamlı bir araştırma yol haritası sunuyoruz. Algoritmik yenilik ile biyosensör güvenilirliği arasında bir köprü kurarak bu derleme, güvenilir, yorumlanabilir ve adil çok modlu biyosensör sistemleri geliştirmek için bir plan sunmaktadır. Ancak, bu teknik yönlerin umut verici olmasına rağmen, bu sistemlerin kardiyovasküler bakımı dönüştürebilecek klinik olarak doğrulanmış çözümler olarak kabul edilmesinden önce prospektif klinik doğrulama, standartlaştırılmış düzenleyici ölçütler ve adil veri seti kürasyonu gibi ön koşulların hala gerekli olduğunu vurguluyoruz.
1 Giriş
Kardiyovasküler hastalık (KH), küresel ölüm ve morbiditenin başlıca nedeni olmaya devam etmekte, yılda 17,9 milyondan fazla ölüme yol açmakta ve sağlık sistemleri, ekonomiler ile hastaların yaşam kalitesi üzerinde derin bir yük oluşturmaktadır (Naeem ve diğerleri, 2024; Jiang ve diğerleri, 2025). Onlarca yıllık farmakolojik ve girişimsel ilerlemelere rağmen, kardiyovasküler patolojinin karmaşık ve çok faktörlü doğası, geleneksel tanı paradigmalarını zorlamaya devam etmektedir. Kalp yetmezliği, koroner arter hastalığı, aritmiler ve kapak hastalıkları gibi durumların klinik yönetimi doğası gereği çok modludur ve tek modlu değerlendirmelerin kaçınılmaz olarak gözden kaçırdığı nüanslı patofizyolojiyi yakalamak için çeşitli biyosensörlerden gelen heterojen veri akışlarının sentezlenmesini gerektirir (Fox ve diğerleri, 2025; Mitchell ve diğerleri, 2023; Ramos-Zaga, 2025).
Genel uygulamada klinisyenler bu entegrasyonu örtük ve yinelemeli bir şekilde gerçekleştirirler. Ritim ve iskemik değerlendirme için EKG dalga formlarını, odacık ölçümü ve doku karakterizasyonu için ekokardiyografi ve kardiyak manyetik rezonanstan (KMR) gelen yapısal ve fonksiyonel görüntülemeleri, koroner bilgisayarlı tomografi anjiyografisi (KCTA) ile anatomik plak değerlendirmesini, laboratuvar değerleri, ilaçlar ve komorbiditeler de dahil olmak üzere elektronik sağlık kayıtlarından (EHR) gelen uzun vadeli değişkenleri ve giderek artan bir şekilde giyilebilir biyosensörlerden sürekli fizyolojik takibi sentezlerler (Carerj ve diğerleri, 2025). Bu entegratif süreç, kapsamlı fenotipleme, dinamik risk stratifikasyonu ve bireyselleştirilmiş tedavi planlamasına olanak tanır. Ancak bu süreç bilişsel olarak zorlayıcıdır, büyük ölçüde klinik deneyime bağlıdır, gözlemciler arasında önemli farklılıklara tabidir ve sıklıkla parçalı veri mevcudiyeti, zaman baskısı ve kaynak kısıtlamalarıyla sınırlıdır (Di Carli ve diğerleri, 2016).
Geçtiğimiz on yıl içinde yapay zeka, özellikle de derin öğrenme, tek modlu kardiyovasküler biyosinyal analizini otomatikleştirmede dikkat çekici bir yetenek sergilemiştir (Xu ve diğerleri, 2026; Mamun ve diğerleri, 2026). Evrişimli sinir ağları (CNN’ler) ve transformer mimarileri artık ambulatuvar EKG’lerde aritmi tespitinden ekokardiyografide otomatik odacık segmentasyonuna, KMR’de miyokard skar karakterizasyonuna ve EHR zaman serilerinden prognostik modellemeye kadar uzanan görevlerde uzman seviyesinde veya daha üstün performans göstermektedir (Karakasis ve diğerleri, 2025; Yang ve diğerleri, 2023). Bu ilerlemeler, yapay zeka destekli kardiyovasküler bakım için büyük bir heyecan yaratmış ve birkaç algoritma belirli dar görevler için düzenleyici onay almıştır. Ancak klinik karar verme nadiren tek bir tanı akışına dayanır. Bir kardiyolog kalp yetmezliğini yalnızca bir EKG’den tanımaz, ne de iskemik riski sadece bir koroner BT’den değerlendirir. Çok modlu birleştirme, tek başına modların göremediği fenotipleri ve risk yörüngelerini ortaya çıkararak sinerjik bilgi çıkarımı vaadi sunar (Zhou ve diğerleri, 2024). Örneğin, EKG’nin zamansal dinamiklerini kardiyak görüntülemenin yapısal detaylarıyla birleştirmek, elektromekanik ayrışmayı aydınlatabilir, subklinik sol ventrikül disfonksiyonunu tanımlayabilir veya belirgin fonksiyonel bozulmadan önce ortaya çıkan erken fibrotik yeniden yapılanmayı tespit edebilir (Xu ve Wang, 2025; Si ve diğerleri, 2021; Belli ve diğerleri, 2025). Benzer şekilde, giyilebilir PPG’yi EHR’den elde edilen komorbidite profilleriyle entegre etmek, atriyal fibrilasyonda tromboembolik riskin sürekli ve kişiselleştirilmiş yeniden değerlendirilmesini sağlayabilir.
Bu ikna edici potansiyele rağmen, çok modlu yapay zekanın rutin klinik uygulamaya aktarılması, kalıcı ve yeterince karakterize edilmemiş bir güvenilirlik açığı nedeniyle engellenmektedir. En gelişmiş birleştirme mimarileri, çoğunlukla idealize edilmiş koşullar altında retrospektif tahmin doğruluğu için optimize edilmiş olup, genellikle gerçek dünya kardiyovasküler sensör veri toplama gerçekliklerini göz ardı eder (Zhang Z. ve diğerleri, 2025). Gerçek dünyadaki kardiyovasküler veriler ideal olmaktan uzaktır: modlar sıklıkla eksiktir (örneğin, kontrendikasyonlar veya maliyet nedeniyle KMR’nin mevcut olmaması), zamansal olarak uyumsuzdur (örneğin, EKG’nin ekokardiyografiden saatler önce alınması), hareket artefaktı veya düşük sinyal-gürültü oranı nedeniyle bozulmuştur ve heterojen popülasyonlardan ve cihazlardan elde edilmiştir. Dahası, standart derin öğrenme modelleri opak kara kutular olarak çalışır, dağılım kayması, asenkron toplama veya yeterince temsil edilmemiş hasta alt gruplarıyla karşılaştıklarında aşırı kendinden emin tahminler üretirler (Hassija ve diğerleri, 2024). Açık belirsizlik tahminleri sunmazlar, girdiler eksik olduğunda sorunsuz bir şekilde işlevlerini yitirirler ve belirli bir birleştirme kararının neden alındığına dair çok az bilgi verirler.
Algoritmik performans ile gerçek dünya klinik güvenilirliği arasındaki bu kopukluğun somut sonuçları vardır. Düzenleyici kurumların, alan-altı-egri metriklerinin ötesinde sağlamlık, kalibrasyon ve açıklanabilirlik kanıtlarını giderek daha fazla talep etmesi nedeniyle düzenleyici kabulü engeller. Fizyolojik mantıklılık veya köken eksikliği nedeniyle tahminlerden şüphe duyan klinisyenlerin güvenini sarsar. Ve modeller eksik modlar veya dağılım kayması altında kırılgan bir şekilde başarısız olduğunda uygulama engellenir (Chierici ve diğerleri, 2026).
Temel Bulgular ve Genel Değerlendirme
İleride, kardiyovasküler yapay zeka topluluğu üç paralel alana öncelik vermelidir. Birincisi, metodolojik titizlik: gerçek dünya klinik heterojenliğini yansıtan, küratörlü veri setleri yerine belirsizlik kalibrasyonu, eksik modlara karşı sağlamlık ve nedensel doğruluk için konsensüs ölçütleri oluşturmak. İkincisi, klinik doğrulama altyapısı: düzenleyici onay ve klinisyen güveni için gerekli kanıt tabanını oluşturmak amacıyla uyumlu mod mevcudiyeti, demografik stratifikasyon ve uzun vadeli sonuç takibi ile çok merkezli prospektif denemeler başlatmak. Üçüncüsü, adil uygulama yönetimi: eksik hizmet alan popülasyonların, yanlı eğitim verileri, erişilemez donanım veya doğrulanmamış genelleme nedeniyle orantısız risk taşımadan algoritmik ilerlemelerden faydalanmasını sağlamak.
Sağlık sistemleri artan karmaşıklıkla, yaşlanan nüfusla ve kaynak kısıtlamalarıyla yüzleşirken, güvenilir çok modlu veri birleştirme, heterojen klinik verileri eyleme yönelik içgörülere dönüştürmek için ölçeklenebilir bir mekanizma sunmaktadır. Ancak bu potansiyel, ancak veri bilimcileri, kardiyologlar, insan faktörleri uzmanları, politika yapıcılar, düzenleyiciler ve hastalar arasında sürdürülen disiplinlerarası iş birliğiyle gerçekleştirilebilir. Algoritmik güvenilirlik, klinik mantıklılık ve insan odaklı tasarım bir araya geldiğinde ve yalnızca titiz prospektif kanıtlarla desteklendiğinde, çok modlu kardiyovasküler yapay zeka deneysel bir prototipten vazgeçilmez bir klinik ortağa dönüşecek ve nihayetinde dünya çapındaki hastaların hayatta kalmasını, fonksiyonunu ve yaşam kalitesini iyileştirecektir. Bu tür kanıtlar birikene kadar, bu sistemler klinik muhakemenin doğrulanmış bir alternatifi olarak değil, dikkatli denetim gerektiren yüksek potansiyelli araştırma araçları olarak görülmelidir.
Beyanlar
Üretken yapay zeka beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanıldığını beyan etmiştir. Dilbilgisi düzeltmesi için Quilt Bot kullanılmıştır.
Bu makaledeki şekillerin yanında yer alan alternatif metinlerin (alt metin) tamamı Frontiers tarafından yapay zeka desteğiyle oluşturulmuş ve yazarların mümkün olan yerlerdeki incelemesi de dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.
Özet
Anahtar Kelimeler
kardiyovasküler yapay zeka, nedensel akıl yürütme, klinik karar desteği, derin öğrenme, kanıta dayalı derin öğrenme, insan-yapay zeka iş birliği, yorumlanabilirlik, eksik veriler
Atıf
Akram A, Khan WU, Khan Q, Boateng D, Lei L, Zhong C ve Khan MS (2026) Kardiyovasküler sağlıkta güvenilir çok modlu biyosensörleme: belirsizlik, nedensellik ve sinyal bütünlüğünün klinik güvenilirlik için entegrasyonu. Front. Bioeng. Biotechnol. 14:1925414. doi: 10.3389/fbioe.2026.1925414
Alındı
01 Temmuz 2026
Revize edildi
16 Ağustos 2026
Kabul edildi
27 Ağustos 2026
Yayınlandı
17 Kasım 2026
Cilt
14 – 2026
Jingxin Meng, Çin Bilimler Akademisi (CAS), Çin
Jun-Bing Fan, Güney Tıp Üniversitesi, Çin
Fatemeh Sarani Rad, Kuzey Dakota Eyalet Üniversitesi Yayınları, Amerika Birleşik Devletleri
© 2026 Akram, Khan, Khan, Boateng, Lei, Zhong ve Khan.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*İletişim: Wasim Ullah Khan, wukhan@hkcoche.org; Adeel Akram, akramadeel@nfu.edu.cn
†
Bu yazarlar bu çalışmaya eşit katkıda bulunmuş ve ilk yazarlık unvanını paylaşmışlardır
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

