Kalp Yetmezliği Hastalarının Sağ Kalımlarının Sınıflandırma Algoritmaları ile Tahmin Edilmesi

Abstract

Kalp yetmezliği, son yıllarda giderek yaygınlaşan kronik bir hastalıktır. Hastaların ölüm oranları çok yüksektir ve bu durum hastalığın en ciddi kalp hastalıklarından birisi olduğunu göstermektedir. Hastaların hayatta kalma oranı meme kanseri, prostat kanseri ve bağırsak kanseri gibi kanser türlerine göre daha düşüktür. Kalp yetmezliği ile yaşayan hastaların sağ kalımlarının tahmin edilmesinin kritik önemi vardır. Sağ kalım tahmini ile en önemli risk faktörlerinin belirlenmesi ve hastalığın erken aşamada teşhisi sağlanabilir. Veri madenciliği teknikleri son yıllarda klinik verilerin analiz edilmesi ve sınıflandırılması üzerinde büyük gelişim göstermiş, hekimlere ve hastalara faydalar sağlamıştır. Bu çalışmada kalp yetmezliği hastalarının sağ kalımlarının tahmin edilmesi amacıyla Naive Bayes, lojistik regresyon, çok katmanlı algılayıcı, destek vektör makineleri ve J48 karar ağacı sınıflandırma yöntemleri WEKA’da bulunan InfoGainAttributeEval, CfsSubsetEval ve ReliefFAttributeEval öznitelik seçim yöntemleri kullanılarak değerlendirme ölçütleri açısından karşılaştırılmıştır. Değerlendirme ölçütü olarak doğru sınıflandırma oranı, F-ölçütü ve Kappa istatistiği metrikleri kullanılmıştır. En yüksek sınıflandırma başarısına sahip sınıflandırıcı %90 doğru sınıflandırma oranı ile çok katmanlı algılayıcı olmuştur.

Keywords

• veri madenciliği
• kalp yetmezliği
• Sınıflandırma

Predicting Survival of Heart Failure Patients via Classification Algorithms

Abstract

Heart failure is a chronic disease that has become increasingly common in recent years. Patients’ mortality rates are very high, indicating that the disease is one of the most serious heart diseases. The survival rate of patients is lower than cancer types such as breast cancer, prostate cancer and bowel cancer. Predicting the survival of patients living with heart failure is critical. The most important risk factors can be determined and the disease can be diagnosed at an early stage via prediction of survival. Data mining techniques have made great progress in analyzing and classifying clinical data in recent years, providing benefits to physicians and patients. In this study, Naive Bayes, logistic regression, multilayer perceptron, support vector machines and J48 decision tree classification methods were compared in terms of evaluation metrics using InfoGainAttributeEval, CfsSubsetEval and ReliefFAttributeEval feature selection methods in WEKA. The accuracy rate, F-measure and Kappa statistics metrics were used as evaluation metrics. The classifier with the highest classification success was the multilayer perceptron with 90% correct classification rate.

Keywords

• data mining
• hearth failure
• classification

References

1. Türk Kardiyoloji Derneği, Resmi web sitesi, https://tkd.org.tr/kalp-yetersizligi-calisma-grubu/sayfa/toplum_icin_bilgiler, Erişim Tarihi, 01.02.2021
2. American Heart Association, Causes and Risks for Heart Failure, https://www.heart.org/en/health-topics/heart-failure/causes-and-risks-for-heart-failure, Erişim Tarihi, 02.02.2021.
3. Tokgözoğlu, L., Yılmaz, M.B., Abacı, A., Altay, H., Atalar, E., Aydoğdu, S., Bozkurt, E., Çavuşoğlu, Y., Eren, M., Sarı, İ., Selçuk, T., Temizhan, A., Ural, D., Zoghi, M. (2015). Türkiye’de kalp yetersizliği yol haritasi kalp yetersizliğinin ve buna bağlı ölümlerin önlenmesi amacıyla geliştirilebilecek politikalara illişkin öneriler. TKD, 1-31.
4. Patel, J., Upadhyay, T. and Patel, S. (2015). Heart disease prediction using machine learning and data mining technique. International Journal of Computer Science & Communication, 7(1), 129-137.
5. Saqlain, M., Hussain, W., Saqib, N., Khan, M. (2016). Identification of heart failure by using unstructured data of cardiac patients. 45th International Conference on Parallel Processing Workshops, 426-431.
6. Jagad, H., Kandawalla and Nair, S. (2015). Detection of Coronary Heart Diseases using Data Mining Techniques. International Journal on Recent and Innovation Trends in Computing and Communication, 3(1).
7. Küçükakçalı, Z., Çiçek, I., Güldoğan, E., Çolak, C. (2020). Assessment of associative classification approach for predictıng mortality by heart failure. The Journal of Cognitive Systems, 5(2), 41-45.
8. Chicco, D. and 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), 1-16.

9. Gürfidan, R. and Ersoy, M. (2021). Classification of death related to heart failure by machine learning algorithms. Advances in Artificial Intelligence Research, 1(1), 13-18.
10. Phyu, T., Oo, N. (2016). Performance Comparison of Feature Selection Methods. MATEC Web of Conferences.
11. Gnanambal, S., Thangaraj, M., Meenatchi, V.T., Gayathri, V. (2018). Classification algorithms with attribute selection: an evaluation study using WEKA. Int. J. Advanced Networking and Applications, 9(6), 3640-3644.
12. Çavuşoğlu, Ü. ve Kaçar, S. (2019). Anormal Trafik Tespiti için Veri Madenciliği Algoritmalarının Performans Analizi. Akademik Platform Mühendislik ve Fen Bilimleri Dergisi, 7 (2), 205-216.
13. Zaffar, M., Hashmani, M.A., Savita, K.S. (2017). Performance analysis of feature selection algorithm for educational data mining. In: IEEE Conference on Big Data and Analytics (ICBDA), 7(12).
14. Rosario, S.F. and Thangadurai, K. (2015). RELIEF: Feature selection approach, International Journal of Innovative Research & Development, 4(11), 218-224.
15. Zaffar, M., Savita, K.S., Hashmani, M.A., Rizvi, S. (2018). A study of feature selection algorithms for predicting students academic performance. International Journal of Advanced Computer Science and Applications, 9(5), 541-549.
16. Han, J., Kamber, M. and Pei, J. (2012). Data mining: Concepts and techniques. (3rd Edition). Waltham: Morgan Kaufmann.
17. Tan, P. N., Steinbach, M. and Kumar, V. (2006). Introduction to data mining. USA: Addison-Wesley.
18. Akşehirli, Ö., Ankaralı, H., Aydın, D., Saraçlı, Ö. (2013). Tıbbi tahminde alternatif bir yaklaşım: Destek vektör makineleri. Turkiye Klinikleri Journal of Biostatistics, 5(1), 19-28.
19. Hosmer, D.W., Lemeshow, S., Sturdivant, R.X. (2013). Applied Logistic Regression. (3rd Edition). John Wiley & Sons.
20. Giudici, P. (2003). Applied data mining: Statistical methods for business and industry. New York: J. Wiley.
21. Öztemel, E. (2012). Yapay sinir ağları. (3.baskı). İstanbul: Papatya Yayıncılık.