Makine Öğrenimi ile Siyanoakrilat Yapıştırıcı Ameliyatı Sonrası Varis Tekrarının Tahminine Yönelik Model Geliştirilmesi

Abstract

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.

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.