Detection cardiovascular diseases using machine learning algorithms
Makine öğrenmesi algoritmaları ile kardiyovasküler hastalıkların tahmin edilmesi
- Tez No: 813988
- Danışmanlar: DOÇ. DR. ABDURRAHİM AKGÜNDOĞDU
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Anabilim Dalı
- Sayfa Sayısı: 73
Özet
Kardiyovasküler hastalıklar (KVH), koroner arterler, kalp kapakçıkları, miyokardiyum ve periferik damarlar dahil olmak üzere kalbi ve kan damarlarını etkileyen bir hastalık grubudur. Bu grup, kardiyak iskemi, hipertansiyon, kalp yetmezliği, felç ve tromboz gibi hastalıkları içerir. KVH'nin önceden tespit edilebilmesi, bu hastalıkların bireysel hastalarda gelişme riskini zamanında belirleme ve tedavi edebilme amacıyla uygun önlemleri almak adına önem taşır. Son yıllarda makine öğrenimi, kardiyovasküler hastalıklarını tahmin etmek, gelişimini ve ilerlemesini anlamak için güçlü bir araç haline gelmiştir. Makine öğrenimi, büyük miktarda verinin analiz edilmesine ve KVH'nin gelişimiyle ilişkili olabilecek çeşitli değişkenler arasındaki gizli kalıpların ve ilişkilerin ortaya çlkarılmasına olanak tanır. Sınıflandırma, regresyon ve kümeleme algoritmaları gibi makine öğrenimi teknikleri, hasta verilerine, klinik parametrelere, genetik bilgilere ve tanısal test sonuçlarına, tahmine dayalı modeller oluşturmak için kullanılır. Makine öğrenimini kullanan KVH tahmini, hastalıkların gelişimiyle ilişkili olabilecek risk faktörlerinin belirlenmesine ve bunların her bir hastada ortaya çıkma olasılığının tahmin edilmesine olanak tanır. Bu bilgiler tedaviyi yöneten doktorun tedavi süreci konusunda önleyici tedbirler ve her hasta için bireysel ve daha bilinçli kararlar almasına yardımcı olur. Fakat, makine öğrenimi kullanılarak KVH tahmininin halen aktif araştırma aşamasında olduğu ve klinik uygulamada daha fazla doğrulama ve uygulamanın gerekli olduğunu belirtilmeli. Tahmin sonuçlarının tanı veya prognoz olarak değerlendirilmemesi, tıbbi muayene ve kararlar için ek bilgi olarak kullanılması gerektiğini unutmamak önemlidir. KVH tahmininde makine öğreniminin kullanılması, gelecekte bu hastalıkların önlenmesi ve tedavisinin etkinliğini önemli ölçüde artırabilen daha doğru ve kişiselleştirilmiş tıp için fırsatlar sunacaktır
Özet (Çeviri)
Cardiovascular diseases (CVD) are a group of diseases that affect the heart and blood vessels, including the coronary arteries, heart valves, myocardium, and peripheral vessels. This group includes diseases such as cardiac ischemia, hypertension, heart failure, stroke and thrombosis. Early detection of CVD is important in order to take appropriate measures to identify and treat the risk of developing these diseases in individual patients in a timely manner. In recent years, machine learning has become a powerful tool for predicting cardiovascular disease and understanding its development and progression. Machine learning allows us to analyze large volumes of data and uncover hidden patterns and relationships among various variables that may be associated with the development of CVD. Machine learning techniques such as classification, regression, and clustering algorithms are used to build predictive models based on patient data, clinical parameters, genetic information, and diagnostic test results. CVD prediction using machine learning allows us to identify risk factors that may be associated with the development of diseases and to predict the likelihood of their occurrence in each individual patient. This information helps the treating physician make preventive measures and individual and more informed decisions for each patient regarding the treatment process. However, I would like to point out that CVD prediction using machine learning is still under active research and further validation and application in clinical practice is needed. It is important to remember that prediction results should not be considered as diagnosis or prognosis but should be used as additional information for medical examination and decisions. The use of machine learning in CVD prediction will open opportunities for more accurate and personalized medicine in the future, which can significantly improve the effectiveness of prevention and treatment of these diseases.
Benzer Tezler
- Integrative machine learning approaches for enhanced cardiovascular disease prediction: A comparative analysis of XGBoost and ANFIS algorithms
Kardiyovasküler hastalık tahmininin geliştirilmesi için entegratif makine öğrenmesi yaklaşımları: XGBoost ve ANFIS algoritmalarının karşılaştırmalı analizi
DIYAR FADHIL MUHYI MUHYI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DOÇ. DR. OĞUZ ATA
- Makine öğrenmesi sınıflandırma algoritmaları ile kardiyovasküler hastalıklarının tanı ve tahminleri
The diagnosis and predictions of cardiovascular diseases with machine learning classification algorithms
EBRU ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. MUTLU AKAR
- Detection of chronic diseases using DEEP versus machine learning techniques
Makine öğrenimi tekniklerine karşi derin öğrenme kullanarak kronik hastaliklarin tespiti
AHMED ABBAS ABDULSADA ABDULSADA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiEndodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- Zeki sınıflandırma ve kümeleme yöntemlerinin tıbbi tanı ve tedavide kullanımı
The usage of intelligent classification and clustering methods in medical diagnosis and treatment
UĞUR ERKİN KOCAMAZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN TAŞKIN
- Automated diagnostic tool for hypertension using deep learning model
Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı
TUĞBA YILMAZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ŞEN