A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers

Öz

Heart failure (HF) is a health problem that affects people's quality of life and can lead to serious complications. The complexity of the disease and the diversity of individual factors make the prediction of patient survival very difficult. However, nowadays, decision support systems based on machine learning (ML) play an important role in predicting the survival of patients with HF. These systems help to make more accurate predictions by combining many information such as genetic profiles, clinical characteristics and treatment responses of patients. In this study, a model based on ML is proposed to predict the survival of HF patients. The model is built with significant features determined by correlation-based feature selection and the performance of seven different ML classifiers is evaluated using thirteen different resampling techniques. The 80:20 hold-out technique is used to determine the performance of the models and their performance is evaluated according to five different performance metrics. In the analyses, the highest performance in terms of accuracy metric has been achieved with 82% with the XGBoost algorithm when the EditedNearestNeighbors undersampling technique was applied. These findings emphasize that besides ML algorithms, sampling techniques also play a critical role in HF patient survival prediction.

Anahtar Kelimeler

• heart failure
• resample feature techniques
• classifier

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi

Öz

Kalp yetmezliği (KY), insanların yaşam kalitesini etkileyen ve ciddi komplikasyonlara yol açabilen bir sağlık sorunudur. Hastalığın karmaşıklığı ve bireysel faktörlerin çeşitliliği, hastaların sağkalımlarının tahminini oldukça zorlaştırmaktadır. Ancak günümüzde, KY tanılı hastaların sağkalımlarını tahmininde makine öğrenimine (MÖ) dayalı karar destek sistemleri önemli bir rol oynamaktadır. Bu sistemler, hastaların genetik profilleri, klinik özellikleri ve tedavi yanıtları gibi birçok bilgiyi birleştirerek daha doğru tahminler yapılmasına yardımcı olmaktadır. Gerçekleştirilen çalışmada, KY hastalarının sağkalımını öngörmek için MÖ temelli bir model önerilmiştir. Model korelasyon temelli özellik seçimine göre belirlenen anlamlı özelliklerle oluşturulmuş ve yedi farklı MÖ sınıflandırıcısının performansı, on üç farklı yeniden örnekleme tekniği kullanılarak değerlendirilmiştir. Modellerin performansını belirlemek adına 80:20 hold-out tekniği kullanılmış ve başarımları beş farklı performans metriğine göre değerlendirilmiştir. Yapılan analizlerde doğruluk metriği açısından en yüksek başarım %82 ile EditedNearestNeighbours az örnekleme tekniğinin uygulanması durumunda XGBoost algoritmasıyla elde edilmiştir. Bu bulgular, MÖ algoritmalarının yanı sıra örnekleme tekniklerinin de KY hastalarının sağkalım tahmininde kritik bir rol oynadığını vurgulamaktadır.

Anahtar Kelimeler

• kalp yetmezliği
• yeniden örnekleme teknikleri
• sınıflandırma

Kaynakça

1. [1] G. Lippi, and F. Sanchis-Gomar, “Global epidemiology and future trends of heart failure”,. AME Medical Journal, vol. 1, no.15, pp.1-6, 2020.
2. [2] A. Feher, B. Bednarski, R. J. Miller, A. Shanbhag, M. Lemley, L. Miras, Miras, Albert J. Sinusas, Edward J. Miller and P. J. Slomka, “Artificial intelligence predicts hospitalization for acute heart failure exacerbation in patients undergoing myocardial perfusion imaging”, Journal of Nuclear Medicine, vol. 65, no. 5, pp. 768-774, 2024.
3. [3] İ.Ş. Yapıcı, R. U. Arslan, and O. Erkaymaz, “Kalp yetmezliği tanılı hastaların hayatta kalma tahmininde topluluk makine öğrenme yöntemlerinin performans analizi”, Karaelmas Fen ve Mühendislik Dergisi, vol. 14, no. 1, pp. 59-69, 2024.
4. [4] T. Ahmad, A. Munir, S. H: Bhatti, M. Aftab, and M. A. Raza, “Survival analysis of heart failure patients: A case study”, PloS One, vol. 12, no. 7, p.e0181001, 2017.
5. [5] İ. Atacak, “Kalp yetmezliği tahmininin kategorik olarak farklı tip makine öğrenmesi yöntemleri ile uygulanmasına yönelik bir değerlendirme çalışması”, EMO Bilimsel Dergi, vol. 14, no. 1, pp. 73-85, 2024.
6. [6] F.S. Alotaibi, “Implementation of machine learning model to predict heart failure disease”, International Journal of Advanced Computer Science and Applications, vol. 10, no. 6, pp.261- 268, 2019.
7. [7] D. Chicco, and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone”, BMC Medical Informatics and Decision Making, vol. 20, no. 1, pp.1-16, 2020.
8. [8] Ç. B. Erdaş and D. Ölçer, "A Machine Learning-Based Approach to Detect Survival of Heart Failure Patients," 2020 Medical Technologies Congress (TIPTEKNO), Antalya, Turkey, 2020, pp. 1-4, doi: 10.1109/TIPTEKNO50054.2020.9299320.

9. [9] Y. Chen, X. Qin, L. Zhang, and B. Yi, “A novel method of heart failure prediction based on DPCNN-Xgboost model”, Computers, Materials & Continua, vol. 65, no.1, pp. 495-510, 2020.
10. [10] A. Ishaq, S. Sadiq, M. Umer, S. Ullah, S. Mirjalili, V. Rupapara, and M. Nappi, “Improving the prediction of heart failure patients’ survival using SMOTE and effective data mining techniques”, IEEE access, vol. 9, pp. 39707-39716, 2021.
11. [11] N. S. Mansur Huang, Z. Ibrahim, and N. Mat Diah, “Machine learning techniques for early heart failure prediction”, Malaysian Journal of Computing, vol. 6, no. 2, pp. 872-884,2021.
12. [12] M. Mamun, A. Farjana, M. A. Mamun, M. S. Ahammed and M. M. Rahman, "Heart failure survival prediction using machine learning algorithm: am I safe from heart failure?," 2022 IEEE World AI IoT Congress (AIIoT), Seattle, WA, USA, 2022, pp. 194-200, doi: 10.1109/AIIoT54504.2022.9817303.
13. [13] M. Muntasir Nishat, F. Faisal, I. Jahan Ratul, A. Al-Monsur, A. M. Ar-Rafi, S. M. Nasrullah, M. T. Reza and M. R. H. Khan, “A comprehensive investigation of the performances of different machine learning classifiers with SMOTE-ENN oversampling technique and hyperparameter optimization for imbalanced heart failure dataset”, Scientific Programming, vol. 2022, pp. 1-17, 2022.
14. [14] F. A. Özbay, and E. Özbay, “Makine öğrenmesi algoritmalarının kalp yetmezliği hastalarının hayatta kalma tahmini üzerindeki performans karşılaştırılması”, 2. International Mediterranean Scientific Research and Innovation Congress, pp. 503-515, Girne, KKTC, 2022.
15. [15] R. K. Sachdeva, K. D. Singh, S. Sharma, P. Bathla and V. Solanki, "An Organized Method for Heart Failure Classification," 2023 International Conference on Emerging Smart Computing and Informatics (ESCI), Pune, India, 2023, pp. 1-6, doi: 10.1109/ESCI56872.2023.10099809.
16. [16] M. Mudassar, M. Afzal and T. Muhammad, "A Machine Learning Based Predictive Model to Diagnose Heart Failure Patients using Imbalanced Classification Problem," 2023 4th International Conference on Advancements in Computational Sciences (ICACS), Lahore, Pakistan, 2023, pp. 1-8, doi: 10.1109/ICACS55311.2023.10089759.
17. [17] S. B. Keser, and K. Keskin, “Kalp yetmezliği hastalarının sağ kalım tahmini: Sınıflandırmaya dayalı makine öğrenmesi algoritmalarının bir uygulaması”, Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, vol. 23, no. 2, pp. 362-369, 2023.
18. [18] R. Ghorbani and R. Ghousi, "Comparing Different Resampling Methods in Predicting Students’ Performance Using Machine Learning Techniques," in IEEE Access, vol. 8, pp. 67899-67911, 2020, doi: 10.1109/ACCESS.2020.2986809.
19. [19] M. A. Aydın, “Müşteri Kaybı Tahmininde Sınıf Dengesizliği Problemi”, Politeknik Dergisi, vol. 25, no. 1, pp. 351 - 360, 2020.
20. [20] R. Uzun, Y. Isler and M. Toksan, "Use of Support Vector Machines to Predict the Success of Wart Treatment Methods," 2018 Innovations in Intelligent Systems and Applications Conference (ASYU), Adana, Turkey, 2018, pp. 1-4, doi: 10.1109/ASYU.2018.8554010.
21. [21]S. Gündoğdu, “Efficient prediction of early-stage diabetes using XGBoost classifier with random forest feature selection technique”, Multimedia Tools and Applications, vol. 82, no. 22, pp. 34163-34181, 2023.
22. [22] N. Q. K. Le, D. T. Do, and Q. A. Le, “A sequence-based prediction of Kruppel-like factors proteins using XGBoost and optimized features”, Gene, vol. 787, pp. 145643, 2021.
23. [23] K. Karthick, S. K., Aruna, R. Samikannu, R. Kuppusamy, Y. Teekaraman, and A. R. Thelkar, “Implementation of a heart disease risk prediction model using machine learning”, Computational and Mathematical Methods in Medicine, vol. 2022, pp. 6517716, 2022.
24. [24] W. Wang, and D. Sun, “The improved AdaBoost algorithms for imbalanced data classification”, Information Sciences, vol. 563, pp. 358-374, 2021.
25. [25] L. Abhishek, "Optical Character Recognition using Ensemble of SVM, MLP and Extra Trees Classifier," 2020 International Conference for Emerging Technology (INCET), Belgaum, India, 2020, pp. 1-4, doi: 10.1109/INCET49848.2020.9154050.
26. [26] R. Uzun, Y. Isler, and M. Toksan, “Prediction of the Success of Wart Treatment Methods”, Karaelmas Fen Ve Mühendislik Dergisi, vol. 10, no. 1, pp. 44-52, 2020.
27. [27] S. E. Awan, M. Bennamoun, F. Sohel, F. M. Sanfilippo, and G. Dwivedi, “Machine learning‐based prediction of heart failure readmission or death: implications of choosing the right model and the right metrics,” ESC heart failure, vol. 6, no. 2, pp. 428-435, 2019.
28. [28] R. J. P. Princy, S. Parthasarathy, P. S. H. Jose, A. R. Lakshminarayanan, and S. Jeganathan, “Prediction of cardiac disease using supervised machine learning algorithms,” In 2020 4th International Conference on Intelligent Computing and Control Systems, pp. 570-575.
29. [29] R. Bharti, A. Khamparia, M. Shabaz, G. Dhiman, S. Pande, and P. Singh, “Prediction of heart disease using a combination of machine learning and deep learning,” Computational intelligence and neuroscience, vol. 2021, 8387680, 2021.