Browsing by Author "Ahmed, Ruaa Saad Ahmed"

Now showing 1 - 1 of 1

Makine Öğrenimi ile Siyanoakrilat Yapıştırıcı Ameliyatı Sonrası Varis Tekrarının Tahminine Yönelik Model Geliştirilmesi
(2025) Ahmed, Ruaa Saad Ahmed; Tokdemir, Gül
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.