WoS İndeksli Yayınlar Koleksiyonu / WoS Indexed Publications Collection
Permanent URI for this collectionhttps://hdl.handle.net/11147/7150
Browse
2 results
Search Results
Article A Machine Learning Model for Predicting Oligoclonal Band Positivity Using Routine Cerebrospinal Fluid and Serum Biochemical Markers(Oxford University Press Inc, 2025) Gözgöz, Hazar; Orhan, Oğuzhan; Akan Konuk, Başak; Akan, PınarOBJECTIVE: To develop and validate a machine learning model for predicting oligoclonal band (OCB) positivity using routine cerebrospinal fluid (CSF) and serum biochemical markers to improve the diagnostic accuracy and efficiency of assessing intrathecal immunoglobulin G (IgG) synthesis. METHODS: In this retrospective study (n = 1709), an ensemble model was developed using 8 refined CSF and serum parameters. Combining optimized CatBoost, XGBoost, and LightGBM classifiers, the model was trained and evaluated using a 2-phase workflow, including 5-fold cross-validation and validation on independent internal (n = 342) and external (n = 49) cohorts. RESULTS: The developed ensemble model achieved a receiver operating characteristic-area under the curve (ROC-AUC) of 0.902 on the internal test set, significantly outperforming the conventional IgG index (ROC-AUC, 0.795). At its optimal threshold, the model demonstrated an accuracy of 0.830, with a sensitivity of 0.714 and a specificity of 0.916. On the external validation cohort, it achieved 90% accuracy and 96% sensitivity. CONCLUSIONS: A novel machine learning ensemble model accurately predicts OCB positivity using routine laboratory data and demonstrates superior performance compared with the IgG index. This approach represents a significant step in applying artificial intelligence in laboratory medicine, with the potential to enhance diagnostic efficiency. Prospective, multicenter validation is essential for broader clinical implementation. © The Author(s) 2025.Conference Object Citation - WoS: 4Citation - Scopus: 9Isbsg Veri Seti Kullanılarak Yazılım Efor Kestirimi: Çoklu Durum Çalışmaları(IEEE, 2021) Ünlü, Hüseyin; Yalçın, Ali Görkem; Öztürk, Dilek; Akkaya, Güliz; Kalecik, Mert; Ekici, Nazım Umut; Orhan, Oğuzhan; Çiftçi, Okan; Yumlu, Selen; Demirörs, OnurEfor kestirimi yazılım projelerinin planlanmasında temel aktivitelerden biridir. Objektif, tekrarlanabilir efor kestirimleri genelde iki ana girdiye ihtiyaç duyar: yazılım büyüklüğü ve efor verisi. Yazılımın büyüklüğü fonksiyonel büyüklük olarak ölçüldüğünde projenin gereksinimlerinin tanımlı olmasından sonra her aşamasında ölçülebilir. Ancak, organizasyonlarda geçmiş projelere ait efor verisine her zaman ulaşmak mümkün olamamaktadır. Bu durumda yeni projeler için geçmiş verilerden yola çıkarak efor kestirim modelleri oluşturmak güç olabilir. Uluslararası Yazılım Kıyaslama Standartları Grubu (International Software Benchmarking Standards Group – ISBSG) veri seti dünya çapında birçok organizasyon tarafından sağlanan yazılım büyüklüğü ve efor bilgisi içeren çok sayıda proje bilgisi içerir. Bu veri seti organizasyonlarda efor kestirimi için kullanılabilir. Bu çalışmada, ISBSG veri setinin sektördeki organizasyonlara ait projelerin efor kestiriminde yararlı olup olmadığını araştırmak amacıyla lisansüstü öğrencileri ile çoklu durum çalışması yapılmıştır. Öğrenciler, çalıştıkları organizasyona ait bir projeyi öncelikle COSMIC İşlevsel Büyüklük Ölçüm yöntemi ile ölçmüş, sonrasında da ISBSG veri setini kullanarak efor kestirim modeli oluşturmuş ve projenin efor tahminini gerçekleştirmiştir. Çalışma sonuçları, efor verisi bulunamayan durumlarda ISBSG kullanarak tutarlı bir efor kestirim modelini oluşturmanın mümkün olduğunu göstermektedir.