TY  - JOUR
T1  - Koroner Arter Hastalığı Riskinin Veri Madenciliği Yöntemleri İle İncelenmesi
TT  - Identification of Coronary Artery Disease Risk Using Data Mining Techniques
AU  - Karabulut, Bergen
AU  - Cihan, Şeyma
AU  - Arslan, Güvenç
AU  - Cihan, Gökhan
PY  - 2017
DA  - January
DO  - 10.29137/umagd.419663
JF  - International Journal of Engineering Research and Development
JO  - IJERAD
PB  - Kirikkale University
WT  - DergiPark
SN  - 1308-5506
SP  - 85
EP  - 93
VL  - 10
IS  - 1
LA  - tr
AB  - GünümüzdeKardiyovasküler Hastalıklar oldukça yaygındır ve ölüm nedenlerinin başındagelmektedir. Kardiyovasküler Hastalıkların bir tipi olan Koroner ArterHastalığının doğru ve zamanında teşhisi çok önemlidir. Koroner arterhastalığının kesin tanısı ve hastalık şiddetinin saptanmasında invaziv biryöntem olan anjiyografi altın standart olarak kullanılmaktadır. Anjiyografi,maliyeti yüksek ve ileri seviyede uzmanlık gerektiren bir yöntem olmasınınyanında ciddi komplikasyonlara da sebep olabilmektedir. Bu nedenlerle daha ucuzve etkili bir yaklaşım sağlayabilecek olan veri madenciliğinin kullanımı üzerindeçalışmalar yapılmaktadır. Bu çalışmada Koroner Arter Hastalığı riskinintespitinde bir sınıflama modeli geliştirmek için veri madenciliği yaklaşımıuygulanmıştır. Çalışma kapsamında sınıflandırma yöntemleri ile elde edilensonuçlar ve doğru sınıflandırma oranları karşılaştırılmıştır. Bunun içinCleveland kliniğine ait, 303 kayıt ve 14 değişken içeren kalp hastalığı verikümesi kullanılmıştır. Gerekli hesaplamalar ve modelleri elde etmek için Wekapaket programında 1R, J48 Karar Ağacı, Naive Bayes ve Çok katmanlı yapay sinirağı (YSA) sınıflandırma yöntemleri uygulanmıştır. Uygulama sonucunda KoronerArter Hastalığının tespitinde en iyi sonucun %83,498 doğruluk oranı ile Çokkatmanlı YSA sınıflandırma yöntemi ile elde edildiği görülmüştür. Çok katmanlı YSAalgoritmasını Naive Bayes ve Düzenlenmiş J48 Karar Ağacı algoritmalarıizlemiştir.
KW  - Antideprasan
KW  - ilaç etken maddesi
KW  - adsorpsiyon
KW  - izoterm
N2  - CardiovascularDiseases are quite common nowadays and are one of the leading causes of death.The correct and timely diagnosis of Coronary Artery Disease, a type ofCardiovascular Disease, is very important for further treatment of thepatients. For accurate diagnosis of coronary artery disease and determinationof disease severity, angiography, which is an invasive and gold standarddiagnosis tool, is used. Angiography is a costly and advanced method thatrequires clinical expertise and may cause serious complications. For thesereasons, research on using data mining techniques, which is a cheaper and moreeffective approach, for diagnosis is one of today's research topics. In thisstudy, classification-based data mining methods were used to determine the riskof coronary artery disease and these methods were compared in terms ofaccuracy. A data set consisting of 303 patient records and 14 attributes ofCleveland clinic were used. In particular, 1R, J48 Decision Tree, Naive Bayesand Multilayer Artificial Neural Network classification methods were applied onthis data set with the help of WEKA program. The best result (in terms ofcorrect diagnosis ratio) in determining risk of Coronary Artery Disease wasobtained with Artificial Neural Network classification method with an accuracyof 83.498%. The multi-layer ANN algorithm was followed by Naive Bayes and theJ48 Decision Tree algorithms
CR  - Abdullah, A. S. (2012). A Data Mining Model to Predict and Analyze the Events Related to Coronary Heart Disease using Decision Trees with Particle Swarm Optimization for Feature Selection. International Journal of Computer Applications, 55(8).
CR  - Alizadehsani, R., Habibi, J., Hosseini, M. J., Mashayekhi, H., Boghrati, R., Ghandeharioun, A., Sani, Z. A. (2013). A Data Mining Approach for Diagnosis of Coronary Artery Disease. Computer Methods and Programs in Biomedicine, 111(1), 52-61.
CR  - Alizadehsani, R., Hosseini, M. J., Sani, Z. A., Ghandeharioun, A., & Boghrati, R. (2012). Diagnosis of Coronary Artery Disease Using Cost-Sensitive Algorithms. In Data Mining Workshops (ICDMW), 2012 IEEE 12th International Conference on (pp. 9-16). IEEE.
CR  - Anbarasi, M., Anupriya, E., & Iyengar, N. C. S. N. (2010). Enhanced Prediction of Heart Disease with Feature Subset Selection Using Genetic Algorithm. International Journal of Engineering Science and Technology, 2(10), 5370-5376.
CR  - Avşar, A., Önder, Akçı., Beyter, M. E. (2011). Aterosklerozun Patogenezi (Aterogenez). Turkiye Klinikleri Journal of Cardiology Special Topics, 4(2), 1-15.
CR  - Cardiovascular diseases (CVDs),
http://www.who.int/mediacentre/factsheets/fs317/en/ (Erişim tarihi; Ekim, 2016).
CR  - Ceylan, Y., Kaya, Y., & Tuncer, M. (2011). Akut Koroner Sendrom Kliniği ile Başvuran Hastalarda Koroner Arter Hastalığı Risk Faktörleri. Van Tıp Dergisi, 18(3), 147-54.
CR  - Chen, A. H., Huang, S. Y., Hong, P. S., Cheng, C. H., & Lin, E. J. (2011, September). HDPS: Heart Disease Prediction System. In Computing in Cardiology, 2011 (pp. 557-560). IEEE.
CR  - Çınar, H. ve Arslan, G., 2008. “Veri madenciliği ve CRISP-DM yaklaşımı”, XVII. İstatistik Araştırma Sempozyumu, 304-314, Ankara.
CR  - De Flines, J., & Scheen, A. J. (2009). Management Of Metabolic Syndrome And Associated Cardiovascular Risk Factors. Acta Gastro-Enterologica Belgica, 73(2), 261-266.
CR  - El-Bialy, R., Salamay, M. A., Karam, O. H., & Khalifa, M. E. (2015). Feature Analysis of Coronary Artery Heart Disease Data Sets. Procedia Computer Science, 65, 459-468.
CR  - Erdoğan, N., Altın, L., Altunkan, Ş. (2002). Elektron Beam Tomografi ile Koroner Arterlerdeki Kalsiyum Miktar›n›n Saptanması. Tanısal ve Girişimsel Radyoloji, 8, 533-537.
CR  - Griffin, B. P., Callahan T.D., Menon, V.(Eds.). (2012). Manual of Cardiovascular Medicine. Lippincott Williams & Wilkins.
CR  - Mann, D. L., Zipes, D. P., Libby, P., & Bonow, R. O. (2014). Braunwald's Heart Disease: a Textbook of Cardiovascular Medicine. Elsevier Health Sciences.
CR  - Ökçün, B., Gürmen, T. (2007). Koroner Anjiyografi Komplikasyonları ve Tedavisi. Turkiye Klinikleri Journal of Internal Medical Sciences, 3(42), 48-72.
CR  - Palaniappan, S., & Awang, R. (2008). Intelligent Heart Disease Prediction System Using Data Mining Techniques. In Computer Systems and Applications, 2008. AICCSA 2008. IEEE/ACS International Conference on (pp. 108-115). IEEE.
CR  - Pandey, A. K., Pandey, P., & Jaiswal, K. L. (2013). A Heart Disease Prediction Model Using Decision Tree. IUP Journal of Computer Sciences, 7(3), 43.
CR  - Shafique, U., Majeed, F., Qaiser, H., & Mustafa, I. U. (2015). Data Mining in Healthcare for Heart Diseases. International Journal of Innovation and Applied Studies, 10(4), 1312.
CR  - Sharan M.L, Sathees, K.B. (2016). Analysis of Cardiovascular Heart Disease Prediction Using Data Mining Techniques. Analysis, 4(1), 55-58.
CR  - Soni, J., Ansari, U., Sharma, D., Soni, S. (2011). Predictive Data Mining for Medical Diagnosis: An Overview of Heart Disease Prediction. International Journal of Computer Applications, 17(8), 43-48.
CR  - Srinivas, K., Rani, B. K., & Govrdhan, A. (2010). Applications of Data Mining Techniques in Healthcare and Prediction of Heart Attacks. International Journal on Computer Science and Engineering (IJCSE), 2(02), 250-255.
CR  - Onat, A., Sansoy, V., Soydan, İ., Tokgözoğlu, L., & Adalet, K. (2003). TEKHARF, Oniki Yıllık İzleme Deneyimine Göre Türk Erişkinlerinde Kalp Sağlığı. İstanbul Türkiye, 12-4.
CR  - Verma, L., Srivastava, S., Negi, P. C. (2016).  A Hybrid Data Mining Model to Predict Coronary Artery Disease Cases Using Non-Invasive Clinical Data. Journal of Medical Systems, 40(7), 1-7.
CR  - Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a Standard Process Model for Data Mining. In Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining, 29-39.
CR  - Wong, N. D. (2014). Epidemiological Studies of CHD and the Evolution of Preventive Cardiology. Nature Reviews. Cardiology, 11(5), 276.
UR  - https://doi.org/10.29137/umagd.419663
L1  - https://dergipark.org.tr/en/download/article-file/465675
ER  -