ECG Digitizer: Acil Kardiyak Hastalıklar için EKG Dijitalleştirme ve Yapay Zekâ Karar Destek Sistemi

Son güncelleme: 28 Ekim 2026 · Hazırlayan: Emoda Yazılım

ECG Digitizer (Acil Kardiyak Hastalıklarda Tanı/Tedavi Sürecinin Kısaltılması Amacıyla Hastanın EKG Sonucunu Dijitalleştirip Analiz Edebilecek ve Hekimler Arası İletişimi Hızlandıracak Teknik Çözüm), Emoda Yazılım'ın TÜBİTAK 1501 Sanayi Ar-Ge Projeleri Destekleme Programı kapsamında 1 Temmuz 2023 – 31 Mart 2025 tarihleri arasında yürüttüğü bir Ar-Ge projesidir. Projede kâğıda basılan EKG'leri dijital sinyale çeviren bir EKG dijitalleştirme aracı, EKG görüntülerini sınıflandıran bir derin öğrenme modeli ve yeni hastayı benzer geçmiş vakalarla karşılaştıran bir vaka tabanlı karar destek sistemi geliştirildi. Amaç, göğüs ağrısı gibi acil kardiyak durumlarda hekimin karar süresini kısaltmak ve hekimler arası konsültasyonu dijitalleştirmektir.

Proje künyesi

Acil serviste EKG yorumlama neden zor?

Göğüs ağrısı acil servislere en sık başvuru nedenlerinden biridir ve akut koroner sendromda her dakika önemlidir. Kılavuzlar, göğüs ağrılı hastanın EKG'sinin 10 dakika içinde çekilip değerlendirilmesini, ST yükselmeli miyokard enfarktüsünde (STEMI) hastanın 90 dakika içinde koroner anjiyografiye ulaşmasını önerir. Erken tanı, kalp kasındaki geri dönüşümsüz kaybı azaltır. Bu nedenle ST yükselmesi gibi akut koroner sendrom EKG bulgularının hızla tanınması hayati önem taşır.

• Kâğıt EKG'nin sınırları: termal kâğıda basılan EKG zamanla solar veya kaybolur; hastanın önceki EKG'lerine ulaşmak zordur ve kâğıt EKG elektronik ortamda kolayca paylaşılamaz.
• Zaman baskısı: yoğun acil serviste hekimin EKG'yi yorumlamak için az zamanı vardır ve çoğu zaman tek başına karar vermesi gerekir.
• Uzmana erişim: özellikle kırsal bölgelerde ve ambulansta çekilen EKG'de kardiyoloğa hemen danışmak her zaman mümkün değildir.
• Yapay zekâ için veri: makine öğrenmesi dijital EKG ister; oysa klinik pratikte EKG'lerin büyük kısmı kâğıttadır.

Sistem nasıl çalışıyor?

1. EKG çekimi: acil serviste veya ambulansta çekilen EKG taranır ya da görüntüsü alınır.
2. Dijitalleştirme: görüntü işleme algoritmaları kâğıt EKG'yi dijital sinyale çevirir.
3. Bulut EKG veritabanı: dijital ve görsel EKG, anonimleştirilmiş vaka kaydıyla birlikte saklanır.
4. Analiz: derin öğrenme modeli EKG'yi sınıflandırır; vaka tabanlı karar destek sistemi hastayı benzer geçmiş vakalarla karşılaştırır.
5. Hekim arayüzü: olası EKG kategorileri ve benzer vakalar hekime sunulur; gerekirse başka bir hekimden uzaktan konsültasyon istenir.

Kâğıt EKG'den dijital sinyale: EKG dijitalleştirme

Kâğıt EKG'yi dijitale çevirmek için taranan veya fotoğrafı çekilen EKG görüntüsü önce ön işlemden geçirilir: ışık ve kontrast farkları düzeltilir, görüntü hizalanır ve ilgili bölgeler ayrılır. Ardından EKG trasesi kâğıdın ızgarasından ayrıştırılarak dijital sinyale dönüştürülür. Dijital EKG hem görsel hem sinyal olarak saklanır; böylece hastanın eski EKG'leri kaybolmaz, karşılaştırılabilir ve hekimler arasında paylaşılabilir.

EKG yorumlayan yapay zekâ: derin öğrenme ile sınıflandırma

Projedeki klinisyenler, EKG'lerdeki P, Q, R, S ve T dalgalarını değerlendirerek veriyi işaretledi ve beş ana EKG sınıfı belirledi: taşikardi, bradikardi, normal kalp hızlı ritimler, diğer aritmik ritimler ve geçirilmiş iskemi bulgusu olan EKG (ST elevasyonu, ST depresyonu, T negatifliği). Derin öğrenme modeli bu işaretlenmiş EKG görüntüleriyle eğitildi. Model, yeni bir EKG için her sınıfın olasılığını verir (örneğin %70 taşikardi, %25 normal kalp hızı) ve sınıflandırmada odaklandığı bölgeleri bir ısı haritasıyla gösterir. Yapay zekâ destekli EKG yorumlama, hekimin değerlendirmesini hızlandıran ikinci bir göz olarak tasarlandı.

Vaka tabanlı karar destek sistemi: benzer hastalarla karşılaştırma

Vaka tabanlı karar destek sistemi, yeni gelen hastayı daha önce tanısı ve tedavisi belli olmuş vakalarla karşılaştırır. Karşılaştırmada, projedeki hekimlerin belirlediği yaş, cinsiyet, göğüs ağrısı, çarpıntı ve senkop gibi öykü ve bulgu parametreleri kullanılır. Bu parametrelerle eğitilen makine öğrenmesi modeli, hastanın EKG tanı kategorisini olasılıklarla tahmin eder ve hekime benzer geçmiş vakaların tanı, tedavi ve sonuç bilgilerini sunar. 2024 ikinci dönem raporuna göre sisteme 1.418 hastanın parametreleri ve tanıları aktarılmıştı.

Hekim arayüzü ve uzaktan EKG konsültasyonu

Web tabanlı arayüzde hekim hasta bilgilerini, EKG dosyasını, öykü ve bulguları ve tanı bilgisini adım adım girer. Sistem EKG'yi bulutta kaydettiği anda görüntü konsültasyon için başka hekimlere gönderilebilir; konsültasyon sonucu, tanı ve tedavi de vaka kaydına eklenir. Böylece her yeni vaka, karar destek sisteminin veritabanını zenginleştirir. Hedefte, ambulans ekiplerinin kardiyolog bulunmadığında da hızlı karar verebilmesi için mobil uygulama üzerinden konsültasyon vardır.

Klinik veri ve etik

EKG verileri, etik kurul onayı alındıktan sonra Çiğli Eğitim ve Araştırma Hastanesi (İzmir) acil servisine başvuran hastalardan, proje kapsamında temin edilen tarayıcıyla toplandı. Hastaların kişisel bilgileri anonimleştirildi; yaş, cinsiyet, belirtiler ve öykü bilgileri projeye özel web arayüzüyle sisteme girildi. Parametreler projede görev alan akademisyen hekimler tarafından belirlendi.

Kimler için?

ECG Digitizer; acil servis hekimleri, acil serviste çalışan pratisyen hekimler, 112 ambulans ekipleri, kardiyoloji konsültasyonuna hızlı erişmek isteyen hastaneler (özellikle kırsal bölgelerdeki hastaneler) ve kâğıt EKG arşivlerini yapay zekâ çalışmaları için dijital veriye dönüştürmek isteyen araştırmacılar için geliştirildi.

İlgili hizmetlerimiz ve projelerimiz

• Klinik karar destek sistemi geliştirme: vaka ve kural tabanlı KKDS
• Yapay zekâ çözümleri: derin öğrenme ve makine öğrenmesi modelleri
• Görüntü işleme: tıbbi görüntü ve doküman dijitalleştirme
• Mobil uygulama geliştirme: hekim ve konsültasyon uygulamaları
• emoCardio: kardiyovasküler hastalıklar için KKDS projemiz
• Toksikoloji KKDS: akut zehirlenmeler için karar destek sistemi (TÜBİTAK 1507)
• Klinik karar destek sistemi nedir?: rehber yazı
• Akıllı telefon tabanlı EKG ile atriyal fibrilasyon tespiti: sektör haberi