Makine Öğrenimi Algoritmaları Kullanarak Kalp Hastalıklarının Tespit Edilmesi

Abstract

Kardiyovasküler hastalıklar, her yıl tahminen 17.9 milyon can kaybına neden olmaktadır. Toplam ölüm miktarının büyük bir çoğunluğunu oluşturan kalp hastalıkları için erken tanı ve tedaviler önemli bir yer kapsamaktadır. Uzun zamandır tıp alanında gerçekleştirilen çalışmalar, son çeyrek yüzyılda bilgisayar bilimlerinin hızlı yükselişi sayesinde makine öğrenmesi ve yapay zekâ gibi yeni tekniklerle desteklenerek daha başarılı hale getirilmiştir. Bu çalışmada kalp rahatsızlığını tespit etmek için örnek veri seti üzerinde makine öğrenmesi teknikleri uygulanmış ve sonuçlar karşılaştırılmıştır. İlk olarak veri seti analiz edilmiştir. Hangi verilerin kalp rahatsızlığına dair işaretlerde bulunabileceği belirtilmiştir. Ardından üç farklı makine öğrenmesi yöntemleri kullanılarak örnek bir model oluşturulmuş ve kalp rahatsızlığı olan bireyler tespit edilmiştir. Elde edilen sonuçlar karşılaştırıldığında, Random Forest algoritması ile %88’lik bir doğruluk oranı ile daha başarılı olduğu gözlemlenmiştir. Bunu sırasıyla %85’lik bir doğrulukla ile Lojistik Regresyon ve %70’lik bir doğruluk ile kNN algoritması takip etmiştir. Bulgular, kalp rahatsızlığının temel birkaç veri ile kolayca tespit edilebileceğini göstermektedir.

Keywords

• Makine öğrenmesi
• Veri madenciliği
• Kalp hastalığı tespit etme
• Medikal veri analizi

Detection of Heart Diseases Using Machine Learning Algorithms

Abstract

Cardiovascular diseases cause an estimated 17.9 million deaths each year. Early diagnosis and treatments have an important place for heart diseases, which make up the majority of the total number of deaths. Studies carried out in the field of medicine for a long time have been made more successful by being supported by new techniques such as machine learning and artificial intelligence, thanks to the rapid rise of computer science in the last quarter century. In this study, machine learning techniques were applied on the sample data set to detect heart disease and the results were compared. First, the data set was analyzed. It has been noted which data may be indicative of heart disease. Then, a sample model was created using three different machine learning methods and individuals with heart disease were identified. When the obtained results are compared, it has been observed that the Random Forest algorithm is more successful with an accuracy rate of 88%. This was followed by Logistic Regression with 85% accuracy and kNN algorithm with 70% accuracy, respectively. The findings how that heart disease can be easily detected with a few basic data

Keywords

• Machine learning
• Data mining
• Detect heart disease
• Medical data analysis

References

1. Akgül, G., Çelik, A., (2020). Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı, Bilişim Teknolojileri Dergisi, Cilt: 13, Sayı: 3, Temmuz 2020, doi: 10.17671/gazibtd.710728
2. Bektaş, B., Babur, S. (2016). Makine Öğrenmesi Teknikleri Kullanılarak Meme Kanseri Teşhisinin Performans Değerlendirmesi, TıpTekno‟16 Tıp Teknolojileri Kongresi, 27-29 Ekim, Antalya
3. Budak, İ., Şen, B. ve Yıldırım, M.Z. (2013), Lojistik Regresyon ile Bilgisayar Ağlarında Anomali Tespiti, Akademik Bilişim Konferansı 2013, Akdeniz Üniversitesi, 23-25 Ocak 2013, Antalya.
4. Çalış, A., Kayapınar, S., Çetinyokuş, T. (2014). Veri Madenciliğinde Karar Ağaci Algoritmalari ile Bilgisayar ve İnternet Güvenliği Üzerine Bir Uygulama, Endüstri Mühendisliği Dergisi, Cilt: 25, Sayı: 3-4, Sayfa: 2-19
5. Çavuşoğlu, Ü., Kaçar, S. (2019). Anormal Trafik Tespiti için Veri Madenciliği Algoritmalarının Performans Analizi, Academic Platform Journal of Engineering and Science 7-2, 205-216, 2019.
6. Fan, C.Y., Chang, P.C., Linb, J.J., Hsiehb, J.C. (2011). A hybrid model combining casebased reasoning and fuzzy decision tree for medical data classification. Applied Soft Computing, 11(2011), pp.632-644
7. Haq, A., Li, J., Memon, M.H., Nazir, S. and Sun, R., (2018). A Hybrid İntelligent System Framework For The Prediction Of Heart Disease Using Machine Learning Algorithms, Mobil Information Systems, Volume 2018, Article ID 3860146, 21 pages, doi: 10.1155/2018/3860146
8. Jain, D., Singh, V. (2018). Feature selection and classification systems for chronic disease prediction: A review. Egyptian Informatics Journal, 19 (2018), pp.179–189, doi: 10.1016/j.eij.2018.03.002

9. Kaggle, (2021). Heart Failure Prediction Dataset | Kaggle. Available at: https://www.kaggle.com/fedesoriano/heart-failure-prediction (accessed Oct. 9, 2021).
10. Nayak, S., Panda, M., Palai, G. (2020). Realization of optical ADDER circuit using photonic structure and KNN algorithm, Optik, Volume 212, June 2020, 164675, doi: 10.1016/j.ijleo.2020.164675
11. Potur, E.A., Erginel, N., (2021). Kalp Yetmezliği Hastalarının Sağ Kalımlarının Sınıflandırma Algoritmaları ile Tahmin Edilmesi, European Journal of Science and Technology Special Issue 24, pp. 112-118, April 2021, doi: 10.31590/ejosat.902357
12. Saygın, E., Baykara, M., (2021). Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi, Fırat Üniversitesi Müh. Bil. Dergisi, 33(2), 367-377, 2021, doi:10.35234/fumbd.832264
13. Selvi, O., (2019). Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması, European Journal of Science and Technology (EJOSAT), Year 2019, Issue 16, 176-185, doi:10.31590/ejosat.553549
14. Taşdelen, D., (2019). Veri Madenciliği Uygulamaları, Yayımlanmamış Yüksek Lisans Tezi, Ankara Üniversitesi Fen Bilimleri Enstitüsü.
15. Veranyurt, Ü. , Deveci, A. , Esen, M. F. ve Veranyurt, O. (2020). Makine Öğrenmesi Teknikleriyle Hastalık Sınıflandırması: Random Forest, K-Nearest Neighbour ve Adaboost Algoritmaları Uygulaması. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 6 (2) , 275-286
16. WikiMedia Commons. (2020). Decision Tree vs. Random Forest, [İnternet], Erişim Tarihi: 10 Ekim, 2021, Available at: https://commons.wikimedia.org/wiki/File:Decision_Tree_vs._Random_Forest.png
17. Wu, X., Kumar, V., Quinlan, R., Ghosh, J. et al. (2007), Top 10 Algorithms in Data Mining. Knowledge and Information Systems. 14, pp.1–37. doi: 10.1007/s10115-007-0114-2