Yapay Zeka Algoritmaları Kullanılarak E-Sağlık Hasta İzleme Sistemi İçin Akıllı IoMT Tabanlı Mimari

Kronik hastalıkların küresel ölçekte artış göstermesi, hastaların hastane ortamı dışında da kesintisiz ve gerçek zamanlı olarak izlenmesini zorunlu kılmaktadır. Nesnelerin Tıbbi İnterneti (IoMT), giyilebilir biyosensörler ve bulut bilişim teknolojilerinin entegrasyonu, hasta verilerinin anlık olarak toplanması ve işlenmesinde yenilikçi imkânlar sunmaktadır. Ancak fizyolojik sensörlerden elde edilen verilerin gürültülü, eksik, yüksek boyutlu ve uyumsuz formatlarda olması, geleneksel veri madenciliği ve makine öğrenmesi sistemlerinin sınıflandırma doğruluğunu düşürmekte ve işlem sürelerini uzatmaktadır. Bu bakımdan, gürültüden arındırılmış veri işleme, optimum özellik seçimi ve yüksek doğruluklu derin öğrenme modellerini bir araya getiren bütüncül bir e-sağlık altyapısının geliştirilmesi akademik literatürde önemli bir ihtiyaç olarak öne çıkmaktadır.

Bu çalışmanın temel amacı, yapay zeka algoritmalarıyla desteklenmiş akıllı bir IoMT e-sağlık hasta izleme mimarisi ve uzaktan uyarı sistemi tasarlamaktır. Sunulan mimaride, hastalardan Wi-Fi veya ağ geçitleri aracılığıyla toplanan solunum hızı, nabız, vücut sıcaklığı, oksijen doygunluğu ve sistolik kan basıncı gibi hayati veriler IoMT bulut deposuna aktarılmaktadır. Veri ön işleme aşamasında gürültülerin elenmesi için Kalman filtresi, eksik değerlerin giderilmesi için ise denetimsiz filtreler kullanılmış ve veriler normalize edilmiştir. Özellik çıkarma işleminde yüksek boyutlu Lineer Diskriminant Analizi (HDLDA) tercih edilirken, en uygun özelliklerin seçimi Yeniden Yapılandırılmış Çok Amaçlı Kukuşu Arama Algoritması (RMCS) ile gerçekleştirilmiştir. Sınıflandırma ve anormal durum tespiti aşamasında ise ResNet-18 ve GoogLeNet modellerinin bir birleşimi olan Hibrit ResNet-18 ve GoogLeNet Sınıflandırıcısı (HRGC) uygulanmıştır.

Chennai Rajiv Gandhi Hastanesi veri tabanından elde edilen 50 hastaya ait gerçek sağlık verileri üzerinde gerçekleştirilen benzetim analizleri, önerilen mimarinin üstün performansını ortaya koymaktadır. Deney sonuçlarına göre, önerilen LDA + CSA + HRGC modeli %99,69 sınıflandırma doğruluğuna, %98 kesinlik, %98 duyarlılık ve %98,1 F1-ölçütüne ulaşmıştır. Mevcut VGG16, AlexNet ve GoogLeNet gibi modellerin doğruluk oranları %97,32 ile %98,71 arasında kalırken, önerilen model belirgin bir üstünlük sağlamıştır. Ayrıca önerilen modelin eğitim süresi 49.201 saniye, yürütme süresi ise 3,4 saniye olarak ölçülmüş; geleneksel yöntemlere kıyasla hem hesaplama süresi hem de hata oranı (%0,034 miss rate) belirgin biçimde düşürülmüştür. Elde edilen bulgular, geliştirilen uyarı sisteminin sağlık personeline anlık ve güvenilir bildirimler iletebildiğini göstermektedir.

Çalışmada elde edilen sonuçlar, tıbbi uzaktan izleme sistemlerinde derin öğrenme ve meta-sezgisel optimizasyon algoritmalarının birlikte kullanımının sistem performansını önemli ölçüde artırdığını doğrulamaktadır. Literatürde yer alan VGG16, AlexNet ve standart derin öğrenme çözümleriyle yapılan karşılaştırmalar, HRGC modelinin boyut indirgeme ve özellik seçimi adımlarıyla desteklendiğinde hem daha yüksek doğruluk sunduğunu hem de zaman karmaşıklığını azalttığını kanıtlamaktadır. Bu çalışma, IoMT tabanlı uzaktan hasta takip altyapılarında yüksek boyutlu veri yönetimi ve anormallik tespiti üzerine çalışan araştırmacılar için metodolojik bir referans niteliği taşımaktadır. Gelecek araştırmalarda video tabanlı izleme sistemlerinin entegrasyonu önerilmekte olup, mevcut model sağlık bilişimi ve yapay zeka odaklı tez ve makale çalışmalarında güçlü bir yöntem ve karşılaştırma zemini oluşturmaktadır.