Akademik Veri Yönetim Sistemi
8th International Engineering, Architecture and Design Congress, Ankara, Türkiye, 6 - 07 Aralık 2021, ss.1108
Özet: Kalp hastalıkları ölüm
nedenleri arasında en üst sıradadır ve Dünya Sağlık Örgütü’ne göre her yıl
yaklaşık 17,9 milyon insan kardiyovasküler hastalıklardan dolayı vefat etmektedir
[1]. Hastalıkların erken teşhisi ile birçok ölüm engellenebilir durumdadır.
Ayrıca, erken teşhis ile hasta bakım maliyetleri de düşmektedir [2]. Makine
öğrenimi yöntemleri ile veriler arasındaki ilişkiler belirlenerek
genelleştirilmiş hastalık sınıflandırma modelleri oluşturulabilmektedir [3].
Pek çok ülkede kalp hekimi ve uzmanı eksikliği bulunmaktadır ve hasta kayıtları
bilgisayar ortamına doğru kaydedilememektedir [4]. Hasta verileri ile klinik
karar verme süreçlerini yapay zekâ yardımı ile modellenerek erken-aşama kalp
hastalıkları tahmin edilebilir. Bu çalışmada, Kaggle platformu üzerinden elde
edilen ve çeşitli hastanelerden elde edilmiş ve düzenlenmiş durumda olan 1025
hastaya ait veriler kullanılarak kalp rahatsızlığının makine öğrenimi yöntemleri
ile tespiti gerçekleştirilmiştir. Veri setinde yaş, cinsiyet, ağrı tipi,
tansiyon, kolesterol, kan şekeri vb. toplam 13 parametre bulunmaktadır [5]. Tüm
veriler için uzman hekimlerce kalp hastalığının varlığı veya yokluğu veri seti
içinde belirlenmiş haldedir. Danışmanlı makine öğrenimi yöntemlerinden karar
ağaçları, diskriminant analizi, lojistik regresyon (LR), Naive Bayes (NB),
karar destek makineleri (KDM), k-enyakın komşu, kollektif öğrenme ve yapay
sinir ağları (YSA) yöntemleri ile veri seti kullanılarak sınıflandırma
modelleri oluşturulmuştur. Veriler 5-kat çapraz doğrulama yöntemi ile her bir
seferde verinin %80’i eğitim ve %20’si test verisi olarak kullanılmak suretiyle
deneyler gerçekleştirilmiştir. Deneyler sonucunda test verilerinde %99.7 sınıflandırma
doğruluğu ile YSA yöntemi en iyi sonucu vermiştir. Kolektif öğrenme ile %99.5,
k-enyakın komşu ve KDM %99.4, karar ağacı yöntemi %96.4, LR yöntemi %85.1, diskriminant
analizi %84.5 ve NB yöntemi ise %82.6 sınıflandırma doğruluğunu elde etmişlerdir.
Deneyler sonucunda neredeyse hatasız bir şekilde eldeki verilerden
genelleştirilmiş bir kalp hastalığı teşhis yöntemi geliştirilmiştir.
Geliştirilen model bu haliyle kardiyovasküler rahatsızlıkların tespitinde uzman
hekimlere yardımcı olacak bir yazılım aracı konumundadır.
Anahtar Kelimeler: kardiyovasküler hastalıklar,
makine öğrenimi, sınıflandırma
Abstract: Heart diseases are the top causes of
death, and according to the World Health Organization, approximately 17.9
million people die from cardiovascular diseases each year [1]. Many deaths are
preventable with early diagnosis of diseases. In addition, patient care costs
decrease with early diagnosis [2]. Generalized disease classification models
can be created by determining the relationships among data by using machine
learning methods [3]. There is a shortage of heart doctors and specialists in
many countries, and patient records cannot be accurately recorded in the
computer environment [4]. Early-stage heart diseases can be predicted by
modeling patient data and clinical decision-making processes with the help of
artificial intelligence. In this study, the detection of heart disease with
machine learning methods is carried out using the data of 1025 patients
obtained from various hospitals from the Kaggle platform. In the data set there
are 13 parameters in total such as age, gender, pain type, blood pressure,
cholesterol, blood sugar, etc. [5]. For all data, the presence or absence of
heart disease is determined in the data set by specialist physicians.
Classification models using the data set with decision trees, discriminant
analysis, logistic regression (LR), Naive Bayes (NB), support vector machines
(KDM), k-nearest neighbor methods, ensemble learning, and artificial neural
networks (ANN) methods of supervised machine learning methods are created.
Experiments are carried out using the 5-fold cross-validation method using 80%
of the data as training data and 20% as test data. As a result of the
experiments, the ANN method performs the best with 99.7% classification
accuracy in the test data. accuracy of ensemble learning method is 99.5%,
k-nearest neighbor and KDM are 99.4%, decision tree method is 96.4%, LR method is
85.1%, discriminant analysis is 84.5% and NB method is 82.6%. As a result of
the experiments, a generalized method of diagnosing heart disease is developed
from the available data, almost without error. The developed model is a
software tool that may help specialist physicians in the detection of
cardiovascular diseases.
Keywords: cardiovascular diseases, machine
learning, classification