Veri Bilimi Uygulamalarının Hastalık Teşhisinde Kullanılması: Kalp Krizi Örneği

Abstract

Dünyanın en yaygın hastalıklarından olan kalp hastalıklarının, uzun süre daha bir numaralı ölüm sebebi olmaya devam edeceği öngörülmektedir. Kalp hastalıkları faktörlerinin birçoğunun önlenebilir ya da tedavi edilebilir olması hastalık sonucu can kaybının azalması için bir fırsattır. Bu nedenle, vaka verilerine algoritmik ve istatistiksel yöntemler uygulayarak hastalığın tespitini amaçlayan birçok çalışma yapılmıştır. Bu çalışmanın amacı, belirlenen niteliklerin kalp krizi tanısıyla ilişkisini incelemek ve kalp krizi tanısını maksimum düzeyde doğru tahmin etmektir. Göğüs ağrısı tipi, egzersize bağlı anjin ve egzersize bağlı ST depresyonu niteliklerinin kalp krizi tanısıyla yüksek oranda kolerasyona sahip olduğu bulgulanmıştır. Analiz sonuçları görselleştirilerek çalışmaya eklenmiştir. Kalp krizi teşhisi için diğer çalışmalarda başarı gösteren C4.5 karar ağacı, k-en yakın komşu, rastgele orman ve DVM olmak üzere 4 farklı algoritma uygulanmış ve sonuçları karşılaştırılmıştır. Kalp krizi tanısını en doğru tahmin eden algoritma C4.5 karar ağacı algoritması olmuştur.

Keywords

• Kalp Krizi
• Veri Bilimi
• C4.5 Karar Ağacı
• K-En Yakın Komşu
• Rastgele Orman
• Destek Vektör Makineleri

Using Data Science Applications in Diagnosis of Disease: A Heart Attack Example

Abstract

It is predicted that heart disease, one of the most common diseases in the world, will continue to be the number one cause of death for a long time. The fact that many of the factors of heart disease can be prevented or treated is an opportunity to decrease the loss of life as a result of the disease. For this reason, many studies aimed at detecting the disease by applying algorithmic and statistical methods to case data have been conducted. The aim of this study is to examine the relationship between the characteristics determined and the diagnosis of heart attack and to predict the diagnosis of a heart attack at the maximum level. The values in the data set with 12 qualities and 303 cases were cleared and then analyzes were made. It has been found that the characteristics of chest pain type, exercise-induced angina, and exercise-induced ST depression have a high rate of correlation with the diagnosis of a heart attack. Analysis results were visualized and added to the study. For the diagnosis of heart attack, 4 different algorithms were applied, namely the C4.5 decision tree, k-nearest neighbor, random forest, and SVM, which were successful in other studies, and their results were compared. The C4.5 decision tree algorithm has been the most accurate algorithm for predicting heart attack diagnosis

References

1. [1] F. Bulut, “AdaBoost ile Kalp Krizi Risk Tespiti,” CBÜ Fen Bilimleri Dergisi, pp. 459-472, 2016.
2. [2] N. Bilir, Sigara ve Kalp-Damar Hastalıkları, Ankara: T.C. Sağlık Bakanlığı Yayınları, 2008.
3. [3] WHO, Noncommunicable Diseases Country Profiles, Geneva: World Health Organization, 2014.
4. [4] F. Bulut, “Heart Attack Risk Detection Using Bagging Classifier,”24th Signal Processing and Communication Application Conference (SIU), Zonguldak, 2016.
5. [5] A. B. Storrow ve W. B. Gibler, “Chest Pain Centers: Diagnosis of Acute Coronary Syndromes,” Annals of Emergency Medicine, cilt 35, no. 5, pp. 449-461, 2000.
6. [6] İ. Buçan, Kalp Krizi Karar Destek Sistemi, Trabzon: Karadeniz Teknik Üniversitesi Sağlık Bilimleri Enstitüsü, 2017.
7. [7] S. Güleç, “Kalp Damar Hastalıklarında Global Risk ve Hedefler,” Türk Kardiyoloji Derneği Araştırmaları, cilt 37, no. 2, pp. 1-10, 2009.
8. [8] Ş. Doğan, “Heart attack detection from cardiac by using decision trees,” Engineering Sciences, pp. 39-50, 2007.

9. [9] M. Anbarasi, E. Anupriya ve N. C. S. N. Iyengar, “Enhanced Prediction of Heart Disease with Feature Subset Selection Using Genetic Algorithm,” International Journal of Engineering Science and Technology, pp. 5370-5376, 2010.
10. [10] S. Çakmakçı ve D. T. Kahyaoğlu, “Yağ Asitlerinin Sağlık ve Beslenme Üzerine Etkileri,” Türk Bilimsel Derlemeler Dergisi, pp. 133-137, 2012.
11. [11] M. E. Taşçı ve R. Şamlı, “Veri Madenciliği İle Kalp Hastalığı Teşhisi,” Avrupa Bilim ve Teknoloji Dergisi, pp. 88-95, 2020.
12. [12] A. Oğuzlar, “Veri Ön İşleme,” Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, pp. 67-76, 2003.
13. [13] R. J. Roiger, Data Mining:A Tutorial-Based Primer(Second Edition), CRC Press, 2016.
14. [14] H. Hong, J. Liu, D. T. Bui, B. Pradhan, T. D. Acharya, B. T. Pham, A.-X. Zhu, W. Chen ve B. B. Ahmad, “Landslide susceptibility mapping using C4.5 Decision Tree with AdaBoost, Bagging and Rotation Forest ensembles in the Guangchang area (China),” Catena, pp. 399-413, 2018.
15. [15] E. Taşçı ve A. Onan, “K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi,” 18. Akademik Bilişim Konferansı, Aydın, 2016.
16. [16] J. Han, J. Pei ve M. Kamber, Data Mining: Concepts and Techniques, Burlington: Elseiver, 2011. [17] B. Daş ve İ. Türkoğlu, “DNA Dizilimlerinin Sınıflandırılmasında Karar Ağacı Algoritmalarının Karşılaştırılması,”Eleco 2014 Elektrik – Elektronik – Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, Bursa, 2014.
17. [18] S. Ayhan ve Ş. Erdoğmuş, “Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, cilt 9, no. 1, pp. 175-201, 2014.
18. [19] M. Ertürk, “Rose Angina Anketi”nin Türk Toplumunda Uygulanabilirliği ve Efor Testi Sonuçları ile Karşılaştırılması, İstanbul: Prof. Dr. Siyami Ersek Göğüs Kalp ve Damar Cerrahisi Merkezi, 2005.