Altunkaya, SabriPaydaş, Buse Nur2026-08-132026-08-1320262026Paydaş, B. N. (2026). Kalp yetmezliğinde ölüm riskinin tahmin edilmesinde en etkili özniteliklerin bulunması. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Elektrik Elektronik Mühendisliği Anabilim Dalı, Konya.https://hdl.handle.net/20.500.12452/20279Tez, Yüksek LisansBu çalışmada, kalp yetmezliği hastalarına ait klinik veriler kullanılarak hasta sağkalımının tahmin edilmesinde en uygun parametrelerin belirlenmesine yönelik makine öğrenmesi tabanlı öznitelik seçimi yaklaşımları kapsamlı bir şekilde incelenmiştir. Farklı filtre, sarmal ve gömülü öznitelik seçimi yöntemleri çeşitli makine öğrenmesi sınıflandırıcılarıyla entegre edilerek birlikte değerlendirilmiştir. Deneysel analizler; takip süresi (time) değişkeninin modele dâhil edildiği ve hariç tutulduğu iki farklı senaryo altında, modellerin genellenebilirliğini artırmak amacıyla Monte Carlo Çapraz Doğrulama (Monte Carlo Cross-Validation) yöntemiyle gerçekleştirilmiştir. Bu kapsamda klinik veri seti, her bir iterasyonda rastgele %70 eğitim ve %30 test olarak parçalanmış; bu işlem 100 kez tekrarlanarak (%70-30, x100) elde edilen performans sonuçlarının ortalaması alınmıştır. Uygulanan bu strateji, model başarısının veri bölünmesine olan duyarlılığını azaltmış, aşırı uyum riskini önlemiş ve sonuçların istatistiksel olarak daha kararlı ve güvenilir olmasını sağlamıştır. Model başarımı; doğruluk, F1-skoru, duyarlılık, özgüllük ve dengesiz veri setlerinde kararlı bir performans göstergesi olan Matthews Korelasyon Katsayısı (MCC) metrikleri ile ölçülmüştür. Elde edilen sonuçlar, time değişkeninin modele dâhil edilmesinin F1-skoru ve MCC değerlerini belirgin şekilde artırdığını ve sınıf dengesizliği üzerinde olumlu bir etki yarattığını göstermektedir. Özellikle Relief-F tabanlı öznitelik seçimi yöntemi ile k-NN sınıflandırıcısının kombinasyonundan oluşan model, %85,56 doğruluk, %74,56 F1-skoru ve %65,94 MCC değeri ile en yüksek ve en dengeli performansı sunmuştur. Takip süresi değişkeni hariç tutulduğunda modellerin genel performansında düşüş gözlenmiş, ancak TreeBagger tabanlı öznitelik seçimi yöntemiyle eğitilen modellerin hâlâ tatmin edici ve literatürün üzerinde sonuçlar sağladığı saptanmıştır. Bu çalışma, makine öğrenmesi tabanlı öznitelik seçimi ve sınıflandırma yöntemlerinin kalp yetmezliği hasta sağkalımını yüksek güvenilirlikle tahmin edebileceğini ortaya koymakta; klinisyenler için tıbbi pratik süreçlerinde uygulanabilir ve kararlı bir Klinik Karar Destek Sistemi (KKDS) çerçevesi sunmaktadır.In this study, machine learning-based feature selection approaches aimed at determining the most appropriate parameters for predicting patient survival using clinical data of heart failure patients were comprehensively investigated. Different filter, wrapper, and embedded feature selection methods were integrated and jointly evaluated with various machine learning classifiers. Experimental analyses were carried out using the Monte Carlo Cross-Validation method to improve the generalizability of the models under two different scenarios, where the follow-up time variable was included in and excluded from the model. In this context, the clinical dataset was randomly partitioned into 70% training and 30% testing in each iteration; this process was repeated 100 times (%70-30, x100), and the average of obtained performance results was taken. This applied strategy reduced the sensitivity of the model success to data splitting, prevented the risk of overfitting, and ensured that the results were statistically more stable and reliable. Model performance was evaluated using accuracy, F1-score, sensitivity, specificity, and the Matthews Correlation Coefficient (MCC) metrics, the latter being a robust indicator of performance in imbalanced datasets. The obtained results indicate that the inclusion of the time variable in the model significantly increases the F1-score and MCC values and exerts a positive effect on class imbalance. In particular, the model consisting of the combination of the Relief-F-based feature selection method and the k-NN classifier provided the highest and most balanced performance with 85,56% accuracy, 74,56% F1-score, and 65,94% MCC value. A decrease in the overall performance of the models was observed when the follow-up time variable was excluded; however, it was determined that the models trained with the TreeBagger-based feature selection method still provided satisfactory results that are above the literature. This study demonstrates that machine learning-based feature selection and classification methods can predict heart failure patient survival with high reliability, offering a practicable and stable Clinical Decision Support System (CDSS) framework for clinicians in medical practice processes.trinfo:eu-repo/semantics/openAccessKalp yetmezliği = Heart failureMakine öğrenmesi = Machine learningSağkalım analizi = Survival analysisÖznitelik seçimi = Attribute selectionMaster Thesis1017754