Pediatrik göğüs ağrısı ile kalp hastalığı tanısında makine öğrenmesi uygulamaları
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Çocukluk çağında göğüs ağrısı nadir karşılaşılan bir semptom olmasına rağmen, olası kardiyak nedenlere bağlı olarak ailelerde ciddi endişelere yol açmaktadır. Bu nedenle, çocuk hastaların kalp hastalıkları açısından değerlendirilmesi ve olası patolojilerin zamanında tespiti klinik açıdan büyük önem taşımaktadır. Ancak göğüs ağrılarının önemli bir bölümü kas-iskelet sistemi, gastrointestinal, solunum veya psikolojik nedenlere dayanmaktadır. Kardiyak kaynaklı vakaların nadirliği, tanı sürecinde gereksiz testlerin yapılmasına ve sağlık kaynaklarının israfına yol açmaktadır. Bu bağlamda, çalışmada pediatrik göğüs ağrısının etiyolojisini belirlemeye yönelik makine öğrenmesi temelli bir sınıflandırma modeli geliştirilmiş; farklı algoritmalar, hiperparametre optimizasyon teknikleri ve açıklanabilirlik analizleri kullanılarak modelin tanısal performansı değerlendirilmiştir. Tez kapsamında, bir üniversite hastanesinden 3 ve 18 yaşları arasındaki çocuk hastalara dair demografik bilgiler, klinik semptomlar ve EKG bulguları içeren bir veri seti alınmıştır. Çalışma retrospektif olmakla beraber hasta çocuklara dair veri sayısı oldukça azdır. Bu nedenle çalışmada veri önişleme sürecine önem verilmiş; eksik veriler giderilmiş, kategorik veriler etiketlenmiş ve sınıf dengesizliği SMOTE yöntemi ile düzeltilmiştir. Ardından, Random Forest, Extra Trees, XGBoost, LightGBM gibi çeşitli denetimli öğrenme algoritmaları uygulanarak karşılaştırmalı performans analizi yapılmıştır. En başarılı üç model belirlenmiş ve bu modeller üzerinde GridSearchCV, RandomizedSearchCV ve Optuna ile hiperparametre optimizasyonu ve çapraz doğrulama gerçekleştirilmiştir. Ayrıca, SHAP ve LIME yöntemleriyle açıklanabilirlik analizi yapılarak modellerin karar alma süreçleri görselleştirilmiş ve klinik anlamda yorumlanabilir hâle getirilmiştir. Çalışma sonuçlarına göre, LightGBM, Extra Trees ve XGBoost algoritmaları %94 üzerinde doğruluk oranları, %99 seviyelerinde ROC AUC skoru ve dengeli sınıflandırma metrikleri ile pediatrik hastalarda kalp hastalıklarının varlığını başarıyla tahmin etmiştir. SHAP analizleri, troponin düzeyleri, EKG ritim bulguları, göğüs ağrısı karakteristikleri gibi bazı değişkenlerin model tahmininde kritik rol oynadığını göstermiştir. Ayrıca LIME analizi ile de modellerin bireysel hasta bazında verdiği kararlar yorumlanmıştır. Bu sayede, modelin sadece performans açısından değil, aynı zamanda klinik anlamda da geçerli ve güvenilir olduğu ortaya konmuştur. Çalışma boyunca, makine öğrenmesi algoritmalarının sadece tekil bir kullanımından öte, veri ön işleme, öznitelik seçimi, hiperparametre optimizasyonu ve açıklanabilirlik gibi pek çok aşamada entegre biçimde kullanılması, sistemin başarısını önemli ölçüde artırmıştır. Pediatrik hasta grubuna özgü hassasiyetler gözetilerek geliştirilen bu karar destek sistemi, erken teşhis süreçlerini hızlandırmakta, klinik kaynak kullanımını optimize etmekte ve sağlık profesyonellerinin tanı kararlarını desteklemektedir. Bu tez çalışması, çocuk hastalarda göğüs ağrısının nedeninin ayrımında makine öğrenmesi temelli modellerin etkili bir şekilde kullanılabileceğini ortaya koymakta; klinik kararlara katkı sağlayabilecek, açıklanabilir, güvenilir ve entegre edilebilir bir yapay zekâ tabanlı sistem önerisi sunmaktadır. Elde edilen sonuçlar, sağlık alanında yapay zekânın çocuk sağlığı uygulamalarına entegre edilmesinin mümkün olduğunu göstermekte, gelecekteki çalışmalar için sağlam bir temel oluşturmaktadır.
Although chest pain is an infrequent symptom in childhood, it can lead to considerable concern among families due to the potential for underlying cardiac causes. Therefore, the evaluation of pediatric patients in terms of heart diseases and the timely identification of possible pathologies hold great clinical significance. However, a significant portion of chest pain stems from musculoskeletal, gastrointestinal, respiratory, or psychological causes. The rarity of cardiac-related cases leads to unnecessary tests during the diagnostic process and a waste of healthcare resources. In this context, a machine learning-based classification model was developed in the study to determine the etiology of pediatric chest pain; the diagnostic performance of the model was evaluated using various algorithms, hyperparameter optimization techniques, and explainability analyses. Within the scope of the thesis, a dataset containing demographic information, clinical symptoms, and ECG findings of pediatric patients aged between 3 and 18 years was obtained from a university hospital. Although the study is retrospective, the number of data points related to sick children is quite limited. Therefore, special attention was given to the data preprocessing phase; missing data were handled, categorical variables were encoded, and class imbalance was corrected using the SMOTE method. Subsequently, a comparative performance analysis was conducted by applying various supervised learning algorithms such as Random Forest, Extra Trees, XGBoost, and LightGBM. The top three performing models were identified, and hyperparameter optimization and cross-validation were carried out using GridSearchCV, RandomizedSearchCV, and Optuna. Additionally, explainability analysis was performed using SHAP and LIME methods to visualize the decision making processes of the models and interpret them in clinical terms. According to the study results, LightGBM, Extra Trees, and XGBoost algorithms successfully predicted the presence of heart disease in pediatric patients with accuracy scores above 94%, ROC AUC scores around 99%, and balanced classification metrics. SHAP analyses revealed that variables such as troponin levels, ECG rhythm findings, and characteristics of chest pain played a critical role in the model predictions. Moreover, with LIME analysis, the model decisions were interpreted on an individual patient basis. Thus, the model was shown to be not only high performing but also clinically valid and reliable. Throughout the study, the integrated use of machine learning algorithms not only as standalone classifiers but also across multiple stages including data preprocessing, feature selection, hyperparameter optimization, and explainability significantly enhanced the overall success of the system. This decision support system, developed with consideration of the sensitivities specific to pediatric patients, accelerates early diagnosis processes, optimizes the use of clinical resources, and supports the diagnostic decisions of healthcare professionals. This thesis demonstrates that machine learning-based models can be effectively used to differentiate the causes of chest pain in children and presents an explainable, reliable, and integrable artificial intelligence-based system that can contribute to clinical decision-making. The findings show that the integration of artificial intelligence into pediatric healthcare applications is feasible and provide a solid foundation for future research.
Although chest pain is an infrequent symptom in childhood, it can lead to considerable concern among families due to the potential for underlying cardiac causes. Therefore, the evaluation of pediatric patients in terms of heart diseases and the timely identification of possible pathologies hold great clinical significance. However, a significant portion of chest pain stems from musculoskeletal, gastrointestinal, respiratory, or psychological causes. The rarity of cardiac-related cases leads to unnecessary tests during the diagnostic process and a waste of healthcare resources. In this context, a machine learning-based classification model was developed in the study to determine the etiology of pediatric chest pain; the diagnostic performance of the model was evaluated using various algorithms, hyperparameter optimization techniques, and explainability analyses. Within the scope of the thesis, a dataset containing demographic information, clinical symptoms, and ECG findings of pediatric patients aged between 3 and 18 years was obtained from a university hospital. Although the study is retrospective, the number of data points related to sick children is quite limited. Therefore, special attention was given to the data preprocessing phase; missing data were handled, categorical variables were encoded, and class imbalance was corrected using the SMOTE method. Subsequently, a comparative performance analysis was conducted by applying various supervised learning algorithms such as Random Forest, Extra Trees, XGBoost, and LightGBM. The top three performing models were identified, and hyperparameter optimization and cross-validation were carried out using GridSearchCV, RandomizedSearchCV, and Optuna. Additionally, explainability analysis was performed using SHAP and LIME methods to visualize the decision making processes of the models and interpret them in clinical terms. According to the study results, LightGBM, Extra Trees, and XGBoost algorithms successfully predicted the presence of heart disease in pediatric patients with accuracy scores above 94%, ROC AUC scores around 99%, and balanced classification metrics. SHAP analyses revealed that variables such as troponin levels, ECG rhythm findings, and characteristics of chest pain played a critical role in the model predictions. Moreover, with LIME analysis, the model decisions were interpreted on an individual patient basis. Thus, the model was shown to be not only high performing but also clinically valid and reliable. Throughout the study, the integrated use of machine learning algorithms not only as standalone classifiers but also across multiple stages including data preprocessing, feature selection, hyperparameter optimization, and explainability significantly enhanced the overall success of the system. This decision support system, developed with consideration of the sensitivities specific to pediatric patients, accelerates early diagnosis processes, optimizes the use of clinical resources, and supports the diagnostic decisions of healthcare professionals. This thesis demonstrates that machine learning-based models can be effectively used to differentiate the causes of chest pain in children and presents an explainable, reliable, and integrable artificial intelligence-based system that can contribute to clinical decision-making. The findings show that the integration of artificial intelligence into pediatric healthcare applications is feasible and provide a solid foundation for future research.
Açıklama
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
