Makine öğrenmesi ile kardiyovasküler risk skorunun belirlenmesi
Determination of cardiovascular risk score with machine learning
- Tez No: 1001409
- Danışmanlar: PROF. DR. TUBA GÜNEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Kardiyoloji, Biyoistatistik, Computer Engineering and Computer Science and Control, Cardiology, Biostatistics
- Anahtar Kelimeler: Biyoinformatik, Teşhis teknikleri-kardiyovasküler, Yapay zeka ve makine öğrenmesi dersi, Bioinformatics, Diagnostic techniques-cardiovascular, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Moleküler Biyoloji ve Genetik Ana Bilim Dalı
- Bilim Dalı: Moleküler Biyoloji ve Genetik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyovasküler hastalıklar küresel ölümlerin başlıca nedeni olmaya devam etmektedir. Ancak geleneksel risk modelleri, hasta verilerindeki karmaşık ve doğrusal olmayan bağımlılıkları yakalamakta sıklıkla yetersiz kalmakta, bu da klinik uygulanabilirliklerini kısıtlamaktadır. Bu tez çalışmasında, söz konusu ilişkileri çözümlemek amacıyla kapsamlı bir ensemble ve meta- learning çerçevesi tasarlanmıştır. Çalışma kapsamında; AdaBoost, Gradient Boosting, XGBoost ve LightGBM gibi çoklu boosting algoritmaları ile Random Forest ve Bagged Logistic Regression gibi bagging yaklaşımları kullanılmıştır. Bu modeller hem bağımsız olarak hem de Super Learner mimarisi içinde temel öğrenici olarak eğitilmiştir. Super Learner yapısında, karmaşık ilişkileri yakalamak adına Lojistik Regresyon ve HistBoost gibi meta- learnerlar tercih edilmiştir. Bunun yanı sıra, pratik uygulama sağlamak amacıyla bir Blending stratejisi de çalışmaya dahil edilmiştir. Modeller, beş farklı kohorttan harmanlanmış bir veri seti üzerinde, hiperparametre optimizasyonu ve K-katlı çapraz doğrulama ile eğitilerek test edilmiştir. Elde edilen sonuçlar, ensemble yaklaşımlarının güçlü bir öngörü performansı sergilediğini ve meta-learning yöntemlerinin temel öğrenicilerden tutarlı bir şekilde daha iyi sonuç verdiğini göstermektedir. Geliştirilen Blending modeli, 0.972 AUC ve %96.9 ortalama hassasiyet değerine ulaşarak en yüksek performansı göstermiş ve LightGBM'i (AUC: 0.96) geride bırakmıştır. Lojistik Regresyonu meta-learner olarak kullanan Super Learnerlar ise 0.97'ye varan AUC ve %96'ya varan F1 skoru ile dengeli ve genellenebilir tahminler sunmuştur. Sonuç olarak; dikkatle ayarlanmış bu ensemble ve meta-learning çerçeveleri, kardiyovasküler risk tahmininde en son teknoloji düzeyinde başarı sağlamakta ve mevcut makine öğrenimi modellerini geride bırakmaktadır.
Özet (Çeviri)
Cardiovascular diseases remain the leading cause of global mortality. Yet, conventional risk models often fail to capture complex, non-linear dependencies in patient data, limiting their clinical applicability in risk stratification. To address this, a comprehensive ensemble and meta- learning framework was designed. Multiple boosting algorithms (such as AdaBoost, Gradient Boosting, XGBoost, and LightGBM) and bagging approaches (such as Random Forest and Bagged Logistic Regression) were trained both independently and as base learners within a Super Learner framework. Logistic Regression and HistBoost were employed as meta-learners to capture complex relationships. Furthermore, a Blending strategy was applied to facilitate practical implementation. Models were trained and validated on a harmonized dataset spanning five heterogeneous cohorts, utilizing hyperparameter optimization and K-fold cross-validation to ensure robust performance. Results demonstrated that ensemble approaches achieved strong predictive accuracy, with meta-learning consistently outperforming base learners. The Blending model achieved the highest AUC (0.972) and average precision (96.9%), surpassing LightGBM (AUC: 0.96). Super Learners utilizing Logistic Regression as a meta-learner yielded balanced and generalizable predictions (AUC up to 0.97; F1-score up to 96%). Consequently, these carefully tuned ensemble and meta-learning frameworks achieve state-of-the-art performance in cardiovascular risk prediction, outperforming recently developed machine learning models.
Benzer Tezler
- Yüksek LDL düzeyi olan hastalarda aterosklerotik kardiyovasküler hastalık riskinin yapay zekâ yardımıyla belirlenmesi
Artificial intelligence assisted risk assessment of atherosclerotic cardiovascular disease in patients with elevated low-density lipoprotein cholesterol levels
HAKAN ÖMER KARATAŞ
Tıpta Uzmanlık
Türkçe
2025
İç HastalıklarıMarmara Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. ALİ SERDAR FAK
- Makine öğrenmesi yöntemleri ile obezite riski tahmini: Beslenme alışkanlıkları ve fiziksel aktivite düzeyine dayalı bir çalışma
Prediction of obesity risk using machine learning methods: a study based on nutritional habits and physical activity level
BİLGESU AYŞE MUTLU
Yüksek Lisans
Türkçe
2026
Beslenme ve DiyetetikGazi ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. MEHMET ALİ ERGÜN
- Kronik böbrek hastalığı ve diyabet için elektrokardiyogram üzerinden iyonik konsantrasyon tahmini
Ionic concentration estimation from electrocardiogram for chronic kidney disease and diabetes
SEBAHATTİN BABUR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET RECEP BOZKURT
DR. ÖĞR. ÜYESİ SANAM MOGHADDAMNIA
- Makine öğrenmesi ile hipertansiyon olma riskinin öngörülmesi
Predicting the risk of hypertension with machine learning
GAMZE KESER ÜNSAL
Tıpta Uzmanlık
Türkçe
2024
Aile HekimliğiSüleyman Demirel ÜniversitesiAile Hekimliği Ana Bilim Dalı
DOÇ. DR. GÖKÇE İŞCAN
- Koroner arter hastalığı riskinin makine öğrenmesi ile analiz edilmesi
Analyzing the risk of coronary artery disease using machine learning
ŞEYMA CİHAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİL MURAT ÜNVER