Developing a predictive model for varicose vein recurrence post-cyanoacrylate glue surgery using machine learning
Makine öğrenimi ile siyanoakrilat yapıştırıcı ameliyatı sonrası varis tekrarının tahminine yönelik model geliştirilmesi
- Tez No: 973774
- Danışmanlar: Assoc. Prof. Dr. GÜL TOKDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Nüks, Varis, Yapay zeka ve makine öğrenmesi dersi, Ön kestirim modelleri, Recurrence, Varicose veins, Artificial intelligence and machine learning course, Prediction models
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Varis hastalığı, yaygın görülen bir vasküler bozukluk olup, sıklıkla siyanoakrilat yapıştırıcı tedavisi gibi minimal invaziv yöntemlerle tedavi edilmektedir. Ancak, nüks önemli bir sorun olmaya devam etmekte ve tedavi sonrası prognozun iyileştirilmesi için öngörücü modellerin geliştirilmesini zorunlu kılmaktadır. Bu çalışma, siyanoakrilat yapıştırıcı tedavisini takiben varis hastalığının nüksünü tahmin etmek amacıyla makine öğrenmesi tabanlı bir öngörü modeli oluşturmayı hedeflemektedir. Bu kapsamda, on yıllık bir dönemi kapsayan ve 430 hastaya ait ultrason raporları, kan test sonuçları ve kronik hastalık göstergelerini içeren bir veri seti bir tıp merkezinden temin edilmiştir. Veri ön işleme sürecinde eksik veriler tamamlanmış, SMOTE ve SMOTEENN yöntemleri kullanılarak dengesiz veri sınıfları dengelenmiştir. Öznitelik seçimi için RFE yöntemi uygulanmış ve karar ağaçları tabanlı önem sıralaması hesaplanmıştır. Çalışmada lojistik regresyon, karar ağaçları, destek vektör makineleri, Random Forest, XGBoost ve CatBoost gibi farklı sınıflandırıcılar eğitilmiş ve test edilmiştir. Eğitim ve test aşamaları için veriler %80 eğitim, %20 test olarak bölünmüş ve 5 katlı çapraz doğrulama yöntemi kullanılmıştır. Model performansı doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1-skoru ve ROC-AUC gibi değerlendirme metrikleri ile ölçülmüştür. Elde edilen vii sonuçlar, CatBoost ve XGBoost yöntemlerinin diğer sınıflandırıcılara kıyasla çok daha yüksek performans gösterdiğini ortaya koymaktadır. Venöz ölçümler, kronik hastalık göstergeleri ve belirli kan test parametreleri, klinik karar sürecini iyileştirebilecek en önemli öngörücü değişkenler arasında yer almaktadır. Geliştirilen model, yüksek riskli hastaların belirlenmesine yardımcı olarak erken müdahale stratejilerinin geliştirilmesini sağlayacaktır. Ancak, bu çalışmanın en önemli sınırlamalarından biri, yalnızca tek bir kuruma ait hasta verilerine dayanmasıdır. Gelecekteki çalışmalar, modelin daha geniş ve çeşitli veri kümeleri üzerinde doğrulanmasını sağlamalı ve tahmin doğruluğunu daha da iyileştirmek için derin öğrenme teknikleri ve çok modlu veri kaynaklarının entegrasyonunu araştırmalıdır. Bu araştırma, makine öğrenmesinin vasküler hastalık yönetimindeki potansiyelini vurgulamakta ve klinik uygulamalarda veri odaklı ilerlemelerin önünü açmaktadır.
Özet (Çeviri)
Indented Varicose veins, a prevalent vascular disorder, often require minimally invasive treatments such as cyanoacrylate glue therapy. However, recurrence remains a significant concern, necessitating the development of predictive models to enhance post-treatment prognosis. This research aims to construct a machine learning-based predictive model to assess varicose vein recurrence following cyanoacrylate glue treatment. A dataset comprising 430 patient records spanning a decade was collected from a medical center, integrating ultrasound reports, blood test results, and chronic disease indicators. Data preprocessing involved imputing missing values and oversampling the class by using SMOTE and SMOTEENN. RFE feature selection was performed, and tree-based importance ranking features were also calculated. Several different classifiers from logistic regression, decision trees, SVM, RF, XGBoost, and CatBoost ensemble methods were trained and evaluated with an 80/20 train-test split and 5-fold cross-validation. Model performance was evaluated using accuracy, precision, recall, F1 Score, and ROC-AUC metrics. Results indicate that ensemble methods, such as CatBoost and XGBoost, have much higher performance compared to other classifiers. Venous measurements and indicators of chronic disease as well as certain markers in the blood test are some of the key predictors to improve clinical v decision-making. The developed model will help to highlight very high-risk patients, thus allowing for intervention strategies to improve outcomes for this patient group. Despite its contributions, this study is limited by its reliance on data from a single institution. Future research should validate the model using larger, more diverse datasets and explore the integration of deep learning techniques and multimodal data sources to further refine prediction accuracy. This research underscores the potential of machine learning in vascular disease management, paving the way for data-driven advancements in clinical practice.
Benzer Tezler
- Developing a circular supply chain maturity model for the biotransformation of the construction industry
İnşaat sektörünün biyodönüşümü için döngüsel bir tedarik zinciri olgunluk modelinin geliştirilmesi
HAFİZE BÜŞRA BOSTANCI
Doktora
İngilizce
2025
MimarlıkOrta Doğu Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ALİ MURAT TANYER
- Development of a tinyml (tiny machine learning) model for predictive maintenance of industrial assets in an IIOT (industrial internet of things)
IIOT (endüstriyel nesnelerin interneti)' de endüstriyel varlıkların kestirimci bakımı için tinyml (lokal gömülü sistem makine öğrenmesi) modelinin geliştirilmesi
BITA GHASEMKHANI
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP ALP KUT
- Büyük dil modeli entegrasyonu ile kubernetes üzerinde otomatik ölçeklendirme için iş-yükü deseni farkında bir çerçeve geliştirilmesi
Developing a workload pattern-aware framework for auto-scaling on kubernetes with large language model integration
CANBERK DUMAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN EKEN
- Makine öğrenimi algoritmaları üzerinden bina enerji performansı tahminleme modeli
A predictive model for building energy performance based on machine learning algorithms
MERVE ERTOSUN YILDIZ
- Çevrimiçi derslerde öz düzenlemeli öğrenmeyi geliştirme modeli önerisi
Towards a model for developing self regulated learning in online courses
GÜNEŞ AKÇA
Doktora
Türkçe
2022
Eğitim ve ÖğretimBahçeşehir ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. ÖZCAN ERKAN AKGÜN