Kalp yetmezliği erken teşhisinde çok aşamalı topluluk öğrenmesi yöntemlerinin performans analizi

Kalp yetmezliği, küresel ölçekte önde gelen ölüm nedenlerinden biri olup, hastalığın erken evrede doğru teşhis edilmesi hasta sağkalımı açısından hayati önem taşımaktadır. Ancak, klinik veri setlerinde sıklıkla karşılaşılan sınıf dengesizliği (class imbalance) ve gereksiz değişkenlerin varlığı, makine öğrenmesi modellerinin tahmin başarısını, özellikle riskli vakaların tespitinde (duyarlılık) olumsuz etkilemektedir. Bu çalışmada, söz konusu problemleri aşmak ve yüksek performanslı bir klinik karar destek sistemi geliştirmek amacıyla çok aşamalı hibrit bir makine öğrenmesi mimarisi önerilmiştir. Önerilen yöntem; hiperparametre optimizasyonu (Randomized SearchCV), hibrit veri dengeleme (SMOTE + RUS) ve hibrit özellik seçimi (Filter + Wrapper) tekniklerinin entegrasyonuna dayanmaktadır. Çalışma kapsamında, altı farklı tekil algoritma ve yedi farklı topluluk (ensemble) öğrenmesi modelinin performansları, doğruluk, kesinlik, duyarlılık, F1-skoru ve işlem süreleri açısından karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, hibrit örnekleme stratejisinin uygulanmasıyla modellerin "Ölüm" vakalarını tespit etme yeteneğinde belirgin bir artış sağlandığını göstermiştir. Yapılan kapsamlı değerlendirmeler sonucunda; orijinal veri setindeki özellik seçimi ile LGBM Classifier modeli, beş katlı çapraz doğrulama testlerinde %85.04 ortalama doğruluk ve %74.43 duyarlılık oranı ile en kararlı ve başarılı model olarak belirlenmiştir. Ayrıca modelin 0.44 saniye gibi çok düşük bir işlem süresine sahip olması, gerçek zamanlı klinik uygulamalar için uygunluğunu kanıtlamaktadır. Bu çalışma, hibrit veri işleme tekniklerinin doğru konfigürasyonunun, tıbbi teşhis problemlerinde model güvenilirliğini ve hesaplama verimliliğini önemli ölçüde artırdığını ortaya koymaktadır.