Geri Dön

Kardiyovasküler hastalık tahmininin veri madenciliği yöntemleri ile tespit edilmesi

Determining cardiovascular disease prediction using data mining methods

PDF İndir

  1. Tez No: 929351
  2. Yazar: OSMAN ALI WABERI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 93

Özet

Kardiyovasküler hastalıklar (KVH), dünya genelinde milyonlarca insanı etkileyen ve önde gelen ölüm nedenlerinden biridir. Dünya Sağlık Örgütü'ne göre, bu hastalıkların erken teşhisi tedavi ve önleme süreçlerini kolaylaştırabilir. Ancak mevcut tanı yöntemleri pahalı, zaman alıcı ve etkisiz olabilmektedir, bu da düzenli tıbbi takibi zorlaştırmaktadır. Bu soruna yanıt olarak, otomatik öğrenme ve yapay zekâ teknikleri doğru, hızlı ve düşük maliyetli tanılar sunma potansiyeli taşımaktadır. Bu çalışmada, Cleveland, Macaristan, İsviçre ve VA Long Beach'ten alınan 1.190 örnek içeren Kaggle veri seti kullanılmıştır (561 sağlıklı, 629 hasta). Veriler Python ile %80 eğitim ve %20 test olarak bölünmüştür. K-En Yakın Komşu, Karar Ağaçları, Rastgele Orman, Gradient Boosting, SVM ve Çok Katmanlı Algılayıcı algoritmaları eğitilmiş ve 10 katlı K-Fold çapraz doğrulama ile değerlendirilmiştir. Gradient Boosting, %93 doğruluk, kesinlik, duyarlılık ve F1 skoru ile en iyi performansı göstermiştir. Bu sonuçlar, yapay zekâ tabanlı tekniklerin KVH'lerin erken teşhisini kolaylaştırma ve hasta bakımını iyileştirme potansiyelini kanıtlamaktadır.

Özet (Çeviri)

Cardiovascular diseases (CVDs) are among the leading causes of death worldwide, affecting millions annually. According to the World Health Organization, early diagnosis can facilitate treatment and even prevention. However, traditional diagnostic methods remain expensive, time-consuming, and inefficient, discouraging regular medical follow-ups. In response, machine learning and artificial intelligence techniques offer the potential for accurate, fast, and cost-effective diagnoses. This study utilized a Kaggle dataset containing 1,190 samples from Cleveland, Hungary, Switzerland, and VA Long Beach (561 healthy and 629 with CVDs). The data were split into 80% for training and 20% for testing using Python. Various supervised learning algorithms, including K-Nearest Neighbors, Decision Trees, Random Forest, Gradient Boosting, Support Vector Machines, and Multilayer Perceptron, were trained and evaluated using 10-fold cross-validation. Gradient Boosting outperformed other models with 93% accuracy, precision, recall, and F1 score. These findings highlight the potential of AI-based techniques in facilitating early diagnosis and improving patient care in cardiovascular diseases.

Benzer Tezler

  1. Tez No

    392880

    Veri madenciliği yöntemleri ile kardiyovasküler hastalık tahminin yapılması

    Cardiovascular disease prediction using data mining techniques

    SERAP ERKUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DOÇ. DR. MEHMET ALPER TUNGA

  2. Tez No

    877216

    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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. OĞUZ ATA

  3. Tez No

    771612

    Hastalık tahmininde makine öğrenmesi sınıflandırma algoritmalarının karşılaştırılması ve bootstrap metodu kullanımı

    Comparison of machine learning classification algorithms and using the bootstrap method in disease prediction

    GAMZE KABA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İstatistikİstanbul Ticaret Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. SEDA BAĞDATLI KALKAN

  4. Tez No

    833575

    Heart attack prediction using machine learning

    Makine öğrenme kullanarak kalp kriz tahmin

    EBRIMA JALLOW

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiGaziantep Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGUN ERÇELEBİ

  5. Tez No

    917470

    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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET RECEP BOZKURT

    DR. ÖĞR. ÜYESİ SANAM MOGHADDAMNIA

Geri Dön