

<?xml version="1.0" encoding="utf-8"?>
<?xml-stylesheet type='text/xsl' href='/oai.xsl' ?>
<OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/"
	xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/
	http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd">
<responseDate>2026-07-23T08:25:43Z</responseDate>
<request verb="ListRecords" metadataPrefix="oai_dc" identifier="oai:publications.copernicus.org:acp30709">http:///OAfile/jere-1754892.</request>
	<ListRecords>
	<record>
	<header>
		<identifier>/OAfile/jere-1754892xsd</identifier>

		<datestamp>2026-01-01 </datestamp>
		<setSpec>acp</setSpec>
		</header>
		<metadata>
		<oai_dc:dc
			xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"
			xmlns:dc="http://purl.org/dc/elements/1.1/"
			xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
			xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/
			http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
			<dc:title><![CDATA[Feature Engineering Approach for Disease Severity Classification in Hemodialysis Diseases]]></dc:title>
			<dc:creator>Velioğlu*,Ahmet</dc:creator>
			<dc:creator>Pekmezci,Adnan</dc:creator>
			<dc:description><![CDATA[Hemodiyaliz hastalarında klinik ve laboratuvar bulguları hastalık 
şiddetinin farklı düzeylerini yansıtabilmektedir. Bu çalışmada, 
hemodiyaliz hastalık şiddetini Mild, Moderate ve Severe sınıfları 
altında tahmin etmek amacıyla çok sınıflı bir makine öğrenmesi 
yaklaşımı geliştirilmiştir. Çalışma, daha önce yayımlanmış XGBoost
SMOTE temelli bir yöntemi yeniden değerlendirmekte ve bunu veri 
sızıntısı riskini azaltan pipeline yapılarıyla karşılaştırmaktadır. 
Kullanılan veri seti 5.000 hemodiyaliz hasta kaydı ve 26 
klinik/laboratuvar tahmin değişkeninden oluşmaktadır. Önerilen 
pipeline içinde kan basıncı düşüşü, kilo başına ultrafiltrasyon, saatlik 
ultrafiltrasyon, 
rate-pressure product, potasyum-ultrafiltrasyon 
etkileşimi, değişkenler arası çarpım öznitelikleri ve yalnızca eğitim 
verisi üzerinden hesaplanan sınıf merkezi uzaklıkları üretilmiştir. 
SMOTE işlemi yalnızca eğitim kümesine uygulanmış, test kümesi 
doğal dengesiz dağılımıyla korunmuştur. Önerilen öznitelik 
mühendisliği + yalnızca eğitimde SMOTE + XGBoost modeli kilitli 
test seti üzerinde 0.9950 doğruluk, 0.9968 macro precision, 0.9728 
macro recall ve 0.9844 macro F1-skoru elde etmiştir. Ek doğrulama 
deneylerinde farklı random seed değerlerinde ve 10-katlı çapraz 
doğrulamada performansın kararlı olduğu; etiket karıştırma testinde 
macro F1-skorunun 0.2855 seviyesine düşmesiyle modelin basit bir 
hedef kopyası öğrenmediği görülmüştür.
Bulgular, SMOTE işlemini train-test ayrımından önce uygulamadan 
da yüksek sınıflandırma başarısı elde edilebileceğini ve klinik makine 
öğrenmesi çalışmalarında sızıntı farkındalıklı değerlendirmenin 
zorunlu olduğunu göstermektedir]]></dc:description>
			<dc:date>2026-01-01</dc:date>
			<dc:type>Text</dc:type>
			<dc:format>application/pdf</dc:format>
			<dc:identifier>-</dc:identifier>
			<dc:identifier>-</dc:identifier>
			<dc:source>-</dc:source>
			<dc:language>eng</dc:language>
		</oai_dc:dc>
	</metadata>
	</record>
</ListRecords>
</OAI-PMH>

