Tez No	İndirme	Tez Künye	Durumu
394514		Sınıflandırmaya dayalı makine öğrenmesi teknikleri ve kardiyolojik risk değerlendirmesine ilişkin bir uygulama / Machine learning techniques based on classification and a study on cardiac risk assessment Yazar:ELİF KARTAL Danışman: PROF. DR. MEHMET ERDAL BALABAN Yer Bilgisi: İstanbul Üniversitesi / Fen Bilimleri Enstitüsü / Enformatik Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Göğüs Kalp ve Damar Cerrahisi = Thoracic and Cardiovascular Surgery Dizin:	Onaylandı Doktora Türkçe 2015 150 s.
Bu tezin amacı kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastaya ait hayati riskin sınıflandırmaya dayalı makine öğrenmesi teknikleri kullanılarak belirlenebilmesidir. Çalışmada kullanılan veri seti Acıbadem Maslak Hastanesi'nden temin edilmiştir. Literatürde kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastanın ölüm riskinin tahmini için kullanılan EuroSCORE (The European System for Cardiac Operative Risk Evaluation)'a ait risk faktörleri kullanılmıştır. Veri setindeki gözlemlerde EuroSCORE'daki gibi 30 günlük takip bilgisi bulunmadığından, öncelikle hastaların Standart EuroSCORE puanları hesaplanmıştır. Sonrasında bu risk grupları sınıf etiketi olarak kullanılmış ve tahminler gerçekleştirilmiştir. Naive Bayes Sınıflandırıcı, k-En Yakın Komşu Algoritması, Logistik Regresyon Analizi, ID3 ve C4.5 Karar Ağacı Algoritmaları kullanılarak farklı modeller oluşturulmuştur. Modellerin performansları karşılaştırılmıştır. Veri analizleri R dilinde yazılan kodlarla gerçekleştirilmiştir. R kodlarını geliştirme aracı olarak RStudio kullanılmıştır. Logistik Regresyon Analizinden elde edilen modeller, Shiny (shinyapps.io) aracılığı ile web üzerinden kamuya açık hale getirilmiştir. En iyi performansı gösteren C4.5 karar ağacı modeli için ise başka bir Shiny uygulaması geliştirilmiştir.
In this thesis, it is aimed to determine the mortality risk of a patient during or shortly after the heart surgery by using machine learning techniques based on classification. The dataset used in this study is obtained from Acıbadem Maslak Hospital. Risk factors of EuroSCORE which is used to predict the mortality risk of a patient during or shortly after the heart surgery is used for predicting mortality risk. Because 30-day follow-up information of patients is not available in the dataset, first the standard EuroSCORE scores of patients are calculated. Then these risk groups are treated like class labels so predictions are carried out. Different models are created using Naive Bayes Classifier, k-Nearest Neighbor Algorithm, Logistic Regression Analysis, ID3 and C4.5 Decision Tree Algorithms. Performance of the classifiers are compared. Data analysis is carried out with R language. RStudio was used as a development tool for R codes. Models derived from Logistic Regression are made available for public via web with Shiny (shinyapps.io). Another Shiny application is developed for the C4.5 decision tree model which has best performance.