Sağlık alanında yapay zeka uygulamaları: kalp krizi risk tahmini
Artificial intelligence applications in health: heart attack risk prediction
- Tez No: 948928
- Danışmanlar: DR. ÖĞR. ÜYESİ RAYAN ABRİ, DR. ÖĞR. ÜYESİ ZAFER AYAZ, DR. ÖĞR. ÜYESİ YÜCEL TEKİN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Kalp krizi, derin öğrenme, yapay zekâ, risk analizi, model optimizasyonu, hibrit modeller, biyomedikal sinyal işleme, Heart attack, deep learning, artificial intelligence, risk analysis, model optimization, hybrid models, biomedical signal processing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Kalp krizi, dünya genelinde en sık rastlanan ölüm nedenlerinden biri olup erken teşhisi kritik öneme sahiptir [1]. Bu tez çalışmasında, kalp krizi riskinin erken aşamada tespit edilmesine yönelik olarak yapay zekâ destekli karar verme sistemleri geliştirilmiş ve farklı derin öğrenme mimarilerinin başarımları karşılaştırmalı olarak analiz edilmiştir. Çalışmada, Framingham Heart Study ve PTB Diagnostic ECG Database veri setleri kullanılmış; Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Transformer, DenseNet ve ResNet-LSTM gibi farklı yapay sinir ağı mimarileri test edilmiştir. Veri ön işleme sürecinde; eksik verilerin giderilmesi, dengesiz sınıfların SMOTE yöntemiyle dengelenmesi, BMI (Vücut Kitle İndeksi) ve tansiyon farkı gibi yeni özelliklerin türetilmesi, ayrıca MinMaxScaler ile normalizasyon işlemleri gerçekleştirilmiştir. Eğitim sürecinde Crow Search Optimization Algorithm (CSOA) kullanılarak hiperparametre optimizasyonu yapılmış, dropout ve regularization teknikleriyle aşırı öğrenme (overfitting) riski azaltılmıştır. Model başarımları, doğruluk (Accuracy), kesinlik (Precision), duyarlılık (Recall), F1-score ve AUC-ROC gibi performans metrikleri ile değerlendirilmiştir. Sonuçlara göre, CNN + LSTM hibrit modeli %85,18 doğruluk oranı ile en yüksek performansı göstermiştir. Elde edilen bulgular, yapay zekâ tabanlı sistemlerin kardiyovasküler hastalıkların erken tanısında etkili bir klinik karar destek aracı olabileceğini ortaya koymaktadır.
Özet (Çeviri)
Heart attack is one of the leading causes of death worldwide, and early diagnosis is of critical importance [1]. In this thesis, artificial intelligence-based decision support systems were developed to detect heart attack risk at an early stage. The performances of various deep learning architectures were comparatively analyzed. The study utilized two major datasets: the Framingham Heart Study and the PTB Diagnostic ECG Database. Multiple artificial neural network models were tested, including Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Transformer, DenseNet, and a hybrid ResNet-LSTM architecture. In the data preprocessing phase, missing values were imputed, class imbalance was addressed using the SMOTE method, and new features such as Body Mass Index (BMI) and blood pressure difference were engineered. Additionally, normalization was performed using the MinMaxScaler technique. During the training phase, hyperparameter tuning was carried out using the Crow Search Optimization Algorithm (CSOA), while dropout and regularization techniques were employed to reduce the risk of overfitting. The models were evaluated using performance metrics such as accuracy, precision, recall, F1-score, and AUC-ROC. Among the tested architectures, the CNN + LSTM hybrid model achieved the highest performance with an accuracy of 85.18%. The results demonstrate that AI-based systems can serve as effective clinical decision support tools for the early diagnosis of cardiovascular diseases.
Benzer Tezler
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY
- Pediatrik göğüs ağrısı ile kalp hastalığı tanısında makine öğrenmesi uygulamaları
Machine learning applications in the diagnosis of heart disease in pediatric chest pain
ASUDE DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiBursa Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUNUS DEMİR
- Kalp rahatsızlıklarının tespitinde EKG sinyalleri üzerinde açıklanabilir derin öğrenme modellerinin geliştirilmesi
Development of explainable deep learning models on ECG signals for detection of cardiac disorders
FATMA MURAT DURANAY
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAKUP DEMİR
DOÇ. DR. ÖZAL YILDIRIM
- Nöropazarlama alanında yapılan çalışmaların bibliyometrik analizle incelenmesi
Bibliometric analysis of studies conducted in the field of neuromarketing
ABDULLAH BALLI
Yüksek Lisans
Türkçe
2025
İşletmeÜsküdar ÜniversitesiNörobilim Ana Bilim Dalı
PROF. DR. TÜRKER TEKİN ERGÜZEL
- Oskültasyon seslerinden ampirik dalgacık dönüşümü analizi kullanılarak kronik obstrüktif akciğer hastalığının teşhisi
Diagnosis of chronic obstructive pulmonary disease using empirical wavelet transform analysis from auscultation sounds
EMRE DEMİR
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET GÖKÇEN