KALP HASTALIKLARININ TANISINDA YAPAY ZEKA TABANLI KLİNİK KARAR DESTEK SİSTEMİ GELİŞTİRMESİ

Abstract

Kalp hastalıkları, dünyada ölüm nedenlerinin başında gelmektedir. Ve bu alanda doğru ve hızlı karar destek sistemlerine ihtiyaç duyulmaktadır. Son yıllarda Makine Öğrenmesi (ML) tabanlı yöntemler Klinik Karar Destek Sistemi (CDSS) alanında yaygın olarak kullanılmaktadır. Fakat bu yaklaşımlar vaka bazlı güvenilirlik ve gerekçelendirme açısından bazı riskler ve eksiklikler gibi sıkıntılar taşımaktadır. Öte yandan Büyük Dil Modelleri (LLM) tabanlı Retrieval-Augmented Generation (RAG) yaklaşımları bağlamsal ve kılavuz temelli yanıtlar vermektedir. Ancak sayısal kararlılığı açısından tek başına yeterli değildir. Bu tez çalışmasının amacı, ML ve RAG'ı bir araya getiren adaptif ağırlıklandırmaya dayalı hibrit bir CDSS geliştirmektir. Önerilen sistemde, ML modellerinden elde edilen olasılık çıktıları ile RAG bileşeninden gelen risk göstergeleri, vaka bazlı güvenilirlik sinyallerine göre dinamik olarak ağırlıklandırılmıştır. Çalışmada Lojistik Regresyon (LR), Random Forest (RF) ve XGBoost modelleri değerlendirilmiştir. Elde edilen sonuçlara göre, RF modeli %84.49 doğruluk, %82.39 F1-skoru ve %90.98 ROC-AUC değeri ile en dengeli ML performansını sergilemiştir. LR ve XGBoost modelleri de yüksek ayrıştırma başarısı göstermiş olmakla birlikte, özellikle yanlış negatif hata türlerinin ML modelleriyle tamamen ortadan kaldırılamadığı gözlemlenmiştir. RAG bileşeni açısından yapılan değerlendirmelerde, Qwen 2.5-7B modeli soru başına ortalama 5.06 puan ile en yüksek toplam performansı göstermiştir. Ayrıca hem Qwen 2.5-7B hem de Meta LLaMA 3.1-8B Instruct modellerinde tutarlılık oranı %92.16 düzeyinde ölçülmüştür. Hibrit karar mekanizmasının, ML modellerinin kararsız kaldığı vakalarda RAG bileşeninin bağlamsal katkısını devreye alarak daha dengeli ve temkinli kararlar ürettiği belirlenmiştir. Sonuç olarak bu çalışma, CDSS'lerde ML ve LLM'lerin adaptif biçimde birleştirilmesine yönelik bir çerçeve sunmaktadır.

Heart disease is the leading cause of death worldwide. There is a need for accurate and rapid decision support systems in this field. In recent years, Machine Learning (ML) based methods have been widely used in the field of Clinical Decision Support System (CDSS). However, these approaches carry certain risks and shortcomings in terms of case based reliability and justification. On the other hand, Retrieval-Augmented Generation (RAG) approaches based on Large Language Models (LLM) provide contextual and guideline-based responses. However, they are not sufficient on their own in terms of numerical stability. The objective of this thesis is to develop a hybrid CDSS based on adaptive weighting that combines ML and RAG. In the proposed system, probability outputs obtained from ML models and risk indicators derived from the RAG component are dynamically weighted according to case based reliability signals. The study evaluated Logistic Regression (LR), Random Forest (RF) and XGBoost models. According to the result obtained, the RF model demonstrated the most balanced ML performance with 84.49% accuracy, 82.39% F1-score and 90.98% ROC-AUC value. Although the LR and XGBoost models also showed high discrimination success, it was observed that false negative error types in particular could not be completely eliminated with ML models. In evaluations based on the RAG component, the Qwen 2.5-7B model demonstrated the highest overall performance with an average score of 5.06 points per question. Additionally, both the Qwen 2.5-7B and Meta LLaMA 3.1-8B Instruct models achieved a consistency rate of 92.16%. It was determined that the hybrid decision mechanism produces more balanced and cautious decisions by activating the contextual contribution of the RAG component in cases where ML models are uncertain. As a result, this study provides a framework for the adaptive integration of ML and LLM in CDSS.