Kalp Yetmezliği Hastalığının Erken Teşhisinde Makine Öğrenimi Algoritmalarının Performans Karşılaştırması

Gülay Gürgen; Soydan Serttaş

doi:10.5281/zenodo.8238065

Yazarlar

Gülay Gürgen Kütahya Dumlupınar Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Kütahya, Türkiye https://orcid.org/0000-0001-8887-8675
Soydan Serttaş Kütahya Dumlupınar Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Kütahya, Türkiye https://orcid.org/0000-0001-8887-8675

DOI:

https://doi.org/10.5281/zenodo.8238065

Anahtar Kelimeler:

Kalp Yetmezliği, Makine Öğrenmesi, Tahmin, Sınıflandırma

Özet

Kalp yetmezliği, kalbin yeterli miktarda kan pompalayamadığı bir durumdur ve tedavi edilmediği takdirde ciddi sağlık sorunlarına yol açabilir. Erken teşhis, hastalığın ilerlemesini önleyebilir ve yaşam kalitesini artırabilir. Bu makalede farklı makine öğrenimi algoritmalarının kalp yetmezliği hastalığının erken teşhisindeki performansı değerlendirilmiştir. Kaggle veri tabanından alınan veri seti, kalp yetmezliği hastalığına sahip ve sağlıklı bireylerden oluşan kapsamlı bir hasta veri tabanından 11 bağımsız değişken içerecek şekilde oluşmaktadır. Çalışmada Classification and Regression Tree (CART), K-Nearest Neighbours (KNN), Logistic Regression, Random Forest (RF), AdaBoost, XGBoost, LightGBM ve CatBoost olmak üzere 8 adet algoritma kullanılmıştır. Makalenin sonuçları, kullanılan makine öğrenimi algoritmalarının kalp yetmezliği hastalığının erken teşhisinde etkili bir şekilde kullanılabileceğini göstermektedir. Algoritmalar, yüksek doğruluk oranları ve düşük hata değerleri sergilemiştir. Ayrıca, farklı algoritmalar arasında performans farklılıkları da belirlenmiştir. Random forest, F1 skoru (0.98(1)), ROC AUC (0.999) ve doğruluk (0.99) değerlerine göre çalışmanın en iyi tahminini yapan algoritması olmuştur. Bu bulgular, kalp yetmezliği hastalığının erken teşhisi için makine öğrenimi algoritmalarının potansiyelini vurgulamaktadır.

Referanslar

Aktaş Potur, E., Erginel, N. (2021). Kalp Yetmezliği Hastalarının Sağ Kalımlarının Sınıflandırma Algoritmaları ile Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi. (24), 112-118.

Bergstra, J. ve Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research. 13(Feb), 281-305.

Breiman, L. (2001). Random forests. Machine learning. 45(1), 5-32.

Breiman, L., Friedman, J., Stone, C. J., ve Olshen, R. A. (1984). Classification and Regression Trees. Chapman and Hall/CRC, New York, USA.

Chen, T. ve 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.

Chen, W., Liu, T., Ying, X., Wei, D. Q., ve Li, Y. (2016). Deep learning in bioinformatics: introduction, application, and perspective in big data era. Methods. 93, 3-12.

Chicco, D. ve Jurman, G. (2020). Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone. BMC Medical Informatics and Decision Making. 20(1), 16.

Cover, T. ve Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory. 13(1), 21-27.

Davison, A. (2020). Heart Failure Clinical Data. Kaggle. https://www.kaggle.com/andrewmvd/heart-failure-clinical-data (Erişim tarihi: 21.10.2022).

Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters. 27(8), 861-874.

Freund, Y. ve Schapire, R. E. (1996). Experiments with a new boosting algorithm. Proceedings of the Thirteenth International Conference on Machine Learning. 148-156.

Galen Lab. CPK Testi. https://www.galenlab.com.tr/cpk-testi/ (Erişim tarihi: 12.01.2023).

Goodfellow, I., Bengio, Y. ve Courville, A. (2016). Deep Learning. MIT press, Massachusetts, USA.

Gündoğdu S. (2021). Kalp hastalık risk tahmini için Python aracılığıyla sınıflandırıcı algoritmalarının performans değerlendirmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi. 23(69), 1005-1013.

Hosmer Jr, D. W. ve Lemeshow, S. (1989). Applied Logistic Regression. John Wiley & Sons, New Jersey, USA.

Huang, G., Liu, Z., Van Der Maaten, L., ve Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition. 4700-4708.

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., ... ve Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. In Advances in Neural Information Processing Systems. 3146-3154.

Karanfil, S. (2017). Yapay Öğrenme ile Hastalık Riski Tahmini. (Yüksek Lisans Tezi), İstanbul Kemerburgaz Üniversitesi, Fen Bilimleri Enstitüsü.

Kartal, E. (2015). Sınıflandırmaya Dayalı Makine Öğrenmesi Teknikleri ve Kardiyolojik Risk Değerlendirmesine İlişkin Bir Uygulama. (Doktora Tezi), İstanbul Üniversitesi, Fen Bilimleri Enstitüsü.

Medical Park (2022). https://www.medicalpark.com.tr (Erişim tarihi: 16.01.2023).

Memorial (2022). https://www.memorial.com.tr/ (Erişim tarihi: 03.02.2023).

Coşar, M. ve Deniz, E. (2021). Makine Öğrenimi Algoritmaları Kullanarak Kalp Hastalıklarının Tespit Edilmesi, Avrupa Bilim ve Teknoloji Dergisi. (28), 1112-1116.

Özdemir, C. ve Erdil, E. (2021). Kalp Yetersizliği Hastalarının Sağ Kalım Tahmini. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 21(1), 91-99.

Provost, F. ve Fawcett, T. (2001). Robust classification for imprecise environments. Machine learning. 42(3), 203-231.

Karanfil, S. (2017). Yapay Öğrenme ile Hastalık Riski Tahmini. (Yüksek Lisans Tezi), İstanbul Kemerburgaz Üniversitesi, Fen Bilimleri Enstitüsü.

Shaikhina, T. ve Khovanova, N. A. (2017). Handling limited datasets with neural networks in medical applications: A small-data approach. Artificial Intelligence in Medicine. 75, 51-63.

Swets, J. A. (1988). Measuring the accuracy of diagnostic systems. Science. 240(4857), 1285-1293.

University of California, Irvine. (1999). Heart Disease Data Set. https://archive.ics.uci.edu/ml/datasets/heart+disease (Erişim tarihi: 21.10.2022).

Wang, S., Sun, H., Ma, J., Zang, C., Wang, C., Wang, J., ... ve Liu, Z. (2017). Targeting NEK2 attenuates glioblastoma cell proliferation and radioresistance via inhibiting the ROS/NF-κB signaling pathway. Scientific Reports. 7(1), 1-13.

Kalp Yetmezliği Hastalığının Erken Teşhisinde Makine Öğrenimi Algoritmalarının Performans Karşılaştırması

Yazarlar

DOI:

Anahtar Kelimeler:

Özet

Referanslar

İndir

Yayınlanmış

Nasıl Atıf Yapılır

Sayı

Bölüm

Lisans

Makale Gönder

Dil

Bilgi