Explainable ACS prediction at the emergency department from routine tests and vitals
Acil serviste rutin testler ve vital bulgulardan açıklanabilir AKS tahmini
- Tez No: 1007831
- Danışmanlar: DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Tez Türü: Yüksek Lisans
- Konular: Acil Tıp, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Emergency Medicine, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akut koroner sendrom (AKS), dünya genelinde önemli bir ölüm nedenidir. Acil servislerde hızlı tanı koymak güç olmakla birlikte kritik öneme sahiptir. Kararlar EKG yorumu, seri troponin testleri ve öznel klinik değerlendirme ile hasta tarafından bildirilen öyküyü içeren HEART, TIMI ve GRACE gibi skorlama sistemlerine dayanır---bu bilgiler yoğun ortamlarda her zaman mevcut değildir. Bu zorluk özellikle erken EKG'de net bulgular göstermeyen NSTEMI için belirgindir ve hem atlanmış tanılara hem de gereksiz yatışlara yol açmaktadır. Bu tez, yalnızca acil servise başvuru anında toplanan objektif verileri kullanarak NSTEMI risk değerlendirmesi için açıklanabilir bir makine öğrenmesi çerçevesi geliştirmektedir. Şişli Hamidiye Etfal Eğitim ve Araştırma Hastanesi'nden AKS şüpheli yaklaşık 5.000 hasta analiz edilmiştir (dışlama kriterleri sonrası 4.559). Veri seti vital bulguları, laboratuvar testlerini, EKG parametrelerini ve uzman tarafından doğrulanmış sonuç etiketlerini içermektedir. Modeller, hasta öyküsü veya seri ölçümler gerektirmeksizin yüksek ve düşük riskli hastaları ayırt etmek üzere eğitilmiş; yalnızca klinik modeller EKG ile zenginleştirilmiş varyantlarla karşılaştırılmıştır. Yalnızca klinik verilerle çalışan LightGBM modeli, aynı kohort üzerinde troponin eşiğinin 0.81 ve GRACE skorunun 0.60 değerine karşılık 0.91 AUC-ROC elde etmiştir. EKG özelliklerinin eklenmesi yalnızca marjinal iyileşme sağlamış olup rutin olarak elde edilen vital bulgular ve laboratuvar değerlerinin öngörücü sinyalin büyük bölümünü yakaladığını göstermektedir. Açıklanabilir yapay zeka analizleri (SHAP, karşı-olgusal) troponini baskın öngörücü olarak belirlemiş; yaş, böbrek fonksiyonu ve hemodinamik belirteçler ikincil sınıflandırma sağlamıştır. Bu bulgular, objektif veriye dayalı açıklanabilir bir modelin seri test veya öznel değerlendirme gerektirmeksizin şeffaf NSTEMI risk değerlendirmesi sunabileceğini göstermektedir.
Özet (Çeviri)
Acute coronary syndrome (ACS) is a major cause of mortality worldwide. Rapid diagnosis in emergency departments is challenging yet critical. Decisions rely on ECG interpretation, serial troponin testing, and scoring systems such as HEART, TIMI, and GRACE, which incorporate subjective clinical judgment and patient-reported history---information not always available in high-volume settings. This challenge is most acute for NSTEMI, which lacks clear early ECG findings, leading to missed diagnoses and unnecessary admissions. This thesis develops an explainable machine learning framework for NSTEMI risk assessment using only objective data collected at emergency department arrival. We analyzed approximately 5,000 patients with suspected ACS from Şişli Hamidiye Etfal Training and Research Hospital (4,559 after exclusion criteria). The dataset includes vital signs, laboratory tests, ECG parameters, and expert-verified outcome labels. Models were trained to distinguish high- from low-risk patients without requiring patient history or serial measurements, comparing clinical-only models against ECG-augmented variants. The clinical-only LightGBM model achieved AUC-ROC of 0.91, compared to 0.81 for troponin threshold and 0.60 for GRACE score on the same cohort. Adding ECG features provided only marginal improvement, indicating that routinely available vital signs and laboratory values capture most predictive signal. Explainable AI analyses (SHAP, counterfactuals) identified troponin as the dominant predictor, with age, renal function, and hemodynamic markers providing secondary stratification. These findings demonstrate that an explainable, objective-data-only model can deliver transparent NSTEMI risk assessment without serial testing or subjective judgment.
Benzer Tezler
- Coupling different machine learning and meta-heuristic optimization techniques to generate the snow avalanche susceptibility map in French alps
Makine öğrenmesi ve meta-sezgisel optimizasyon tekniklerinin birleştirilmesiyle Fransız alplerinde kar çığları duyarlılık haritası oluşturma
ENES CAN KAYHAN
Yüksek Lisans
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER EKMEKCİOĞLU
- Sürü robotik sistemlerinde bütünleşik güvenlik çerçevesi: Eliptik Eğri Kriptografisi ve steganografi ile güvenli iletişim, YOLOv8 tabanlı artırımlı öğrenme ve açıklanabilir tehdit tespiti
Integrated security framework in swarm robotic systems: Secure communication with Elliptic Curve Cryptography and steganography, YOLOv8-based incremental learning and explainable threat detection
ZEYNEL KUTLU
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU
- Linux işletim sistemi üzerinde C programlama dili eğitim programı
Başlık çevirisi yok
BURCU AKTAŞ
Yüksek Lisans
Türkçe
1998
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı