Article Detail

Ahmet Nihat Velioğlu*,Adnan Özhan Pekmezci

Keywords

Hemodiyaliz XGBoost SMOTE öznitelik mühendisliği veri sızıntısı hastalık şiddeti sınıflandırması

Doi : 10.71350/hgtsci.2026166

Abstract

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

References

1. Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321-357. https://doi.org/10.1613/jair.953
2. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
3. Chowdhury, S., Kutlu, Y., & Pekmezci, A. (2024). Diabetic Retinopathy Diagnosis Using Deep Learning. Journal of Artificial Intelligence with Applications.
4. Garcia-Montemayor, V., et al. (2021). Predicting mortality in hemodialysis patients using machine learning analysis. Clinical Kidney Journal, 14(5), 1388-1395. GSK RD Solutions. (2023). Hemodialysis Realtime Hospital Dataset. Kaggle. https://www.kaggle.com/datasets/gskrdsolutions/hemodialysis-realtime-hospital-dataset
5. imbalanced-learn developers. (n.d.). Common pitfalls and recommended practices. imbalanced-learn documentation. https://imbalanced-learn.org/stable/common_pitfalls.html
6. KDIGO CKD Work Group. (2024). KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney International, 105(4S), S117-S314. https://doi.org/10.1016/j.kint.2023.10.018
7. National Kidney Foundation. (2015). KDOQI clinical practice guideline for hemodialysis adequacy: 2015 update. American Journal of Kidney Diseases, 66(5), 884-930. https://doi.org/10.1053/j.ajkd.2015.07.015
8. Rankin, S., Han, L., Scherzer, R., Tenney, S., Keating, M., Genberg, K., Rahn, M., Wilkins, K., Shlipak, M., & Estrella, M. (2022). A machine learning model for predicting mortality within 90 days of dialysis initiation. Kidney360, 3(9), 1556-1565. https://doi.org/10.34067/KID.0007012021
9. scikit-learn developers. (n.d.). Common pitfalls and recommended practices. scikit-learn documentation. https://scikit-learn.org/stable/common_pitfalls.html Sheng, K., Zhang, P., Yao, X., Li, J., He, Y., & Chen, J. (2020). Prognostic machine learning models for first-year mortality in incident hemodialysis patients:Development and validation study. JMIR Medical Informatics, 8(10), e20578. https://doi.org/10.2196/20578
10. Wafa, M. T., Puspaningrum, E. Y., & Rahajoe, A. D. (2025). Analisis kinerja XGBoost pada data seimbang dan tidak seimbang dalam klasifikasi tingkat keparahan pasien hemodialisis. JIIP - Jurnal Ilmiah Ilmu Pendidikan, 8(12), 13928-13936. https://doi.org/10.54371/jiip.v8i12.9998