Kalp hastalığı tahmininde makine öğrenmesi algoritmalarının performans karşılaştırması : Türkiye'den bir uygulama
Performance comparison of machine learning algorithms in heart disease prediction: a case study from Türkiye
- Tez No: 985419
- Danışmanlar: DR. ÖĞR. ÜYESİ LEYLA ÖZGÜR POLAT
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda iletişim ve bilgi teknolojilerindeki hızlı gelişmeler, büyük veri analitiğini sağlık hizmetlerinde stratejik bir bileşen haline getirmiş; bu ilerlemeler, hastalıkların erken tanısı ve risk sınıflandırmasında makine öğrenmesi ve yapay zeka temelli yaklaşımların daha sistematik biçimde kullanılmasını mümkün kılmıştır. Makine öğrenmesi algoritmaları; genetik, yaşam tarzı, klinik ve demografik göstergeler gibi çok boyutlu, karmaşık veri yapılarından anlamlı örüntüler çıkararak hastalık riskinin belirlenmesinde yüksek başarı oranları sunmaktadır. Literatürde özellikle hazır, standartlaştırılmış veri setleri üzerinde gerçekleştirilen çalışmaların yoğun olduğu görülmekle birlikte, bu veri setleri her zaman gerçek klinik koşulların çeşitliliğini ve heterojenliğini tam olarak yansıtamamaktadır. Bu bağlamda, hazır veri setleriyle yapılan araştırmalarla metodolojik açıdan örtüşen ancak yerel ve gerçek hasta verilerinin kullanılması bakımından literatüre özgün katkı sunan çalışmaların önemi giderek artmaktadır. Bu çalışmada, Denizli'deki bir özel hastanenin kardiyoloji kliniğine 2019–2024 yılları arasında başvuran hastalara ait elektronik tıbbi kayıtlardan elde edilen veri seti kullanılarak kalp hastalığı riskini öngörmede en başarılı makine öğrenmesi modelinin belirlenmesi amaçlanmıştır. Çalışmada eksik veri probleminin model performansı üzerindeki etkisini incelemek üzere dört farklı senaryo tanımlanmış ve çeşitli eksik veri işleme stratejileri uygulanmıştır. Elde edilen modeller doğruluk, kesinlik, duyarlılık ve F1 skoru gibi performans ölçütleri açısından kapsamlı bir biçimde değerlendirilmiştir. Bulgular, gerçek klinik veriyi temel alan makine öğrenmesi modellerinin, kardiyovasküler risk tahmininde karar destek mekanizmalarına katkı sağlayarak erken tanı süreçlerini güçlendirebileceğini ve bireyselleştirilmiş tedavi planlamasını destekleyebileceğini ortaya koymaktadır.
Özet (Çeviri)
In recent years, rapid advancements in communication and information technologies have transformed big data analytics into a strategic component of healthcare services; these developments have enabled the more systematic use of machine learning and artificial intelligence–based approaches in early disease diagnosis and risk classification. Machine learning algorithms can extract meaningful patterns from multidimensional and complex data structures—such as genetic, lifestyle, clinical, and demographic indicators—and thereby achieve high performance in determining disease risk. Although the literature shows a strong concentration of studies conducted on prepared data set, standardized datasets, such datasets do not always fully reflect the diversity and heterogeneity of real clinical conditions. In this context, studies that methodologically align with research using prepared datasets but provide an original contribution to the literature by utilizing local and real patient data have gained increasing importance. This study aimed to determine the most successful machine learning model for predicting heart disease risk using a dataset obtained from the electronic medical records of patients who visited the cardiology clinic of a private hospital in Denizli between 2019 and 2024. Four different scenarios were defined to examine the effect of missing data on model performance, and various missing data handling strategies were applied. The resulting models were comprehensively evaluated in terms of performance metrics such as accuracy, precision, sensitivity, and F1 score. The findings reveal that machine learning models based on real clinical data can contribute to decision support mechanisms in cardiovascular risk prediction, thereby strengthening early diagnosis processes and supporting personalized treatment planning.
Benzer Tezler
- Türkiye'de kronik hastalıkların yaygınlığı ve potansiyel belirleyicileri üzerine makine öğrenmesi tabanlı yaklaşım
Machine learning based approach on the prevalence and potential determinants of chronic diseases in Türkiye
İLAYDA ÜÇÜNCÜ
- 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
- 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
2022
İstatistikİstanbul Ticaret Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. SEDA BAĞDATLI KALKAN
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Tip 2 diyabetin erken tanısında makine öğrenme tekniklerinin kullanılması
Using machine learning techniques for EARLY diagnosis of TYPE 2 diabetes
AYÇA ŞANLI
Yüksek Lisans
Türkçe
2023
BiyoistatistikAkdeniz ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
DOÇ. DR. UĞUR BİLGE