Heart failure is a cardiovascular disease with significant morbidity and mortality, affecting an increasing number of people worldwide. It is very difficult to predict the survival of patients diagnosed with heart failure using clinical data. In this study, an intelligent machine learning (ML)-based artificial intelligence model is designed by identifying important features and an effective ML algorithm that will improve the accuracy of survival prediction of patients diagnosed with heart failure. For this purpose, the performance of seven different ML algorithms were compared regarding the extracted features from the dataset. Synthetic minority oversampling technique (SMOTE) and two different cross-validation techniques were used to remove the imbalance in the dataset and to obtain models with more realistic accuracy. Experimental results showed that SMOTE technique significantly improve the performance of classifiers in predicting the survival rate of patients diagnosed with heart failure. In the one-out cross-validation technique, the random forest algorithm achieved 90% accuracy, while in the 10-fold cross-validation technique, the extreme gradient boosting algorithm achieved the highest performance with 93% accuracy. When the results obtained are compared with the studies conducted in the literature used similar data sets, it is found that the proposed method exhibits higher performance. The proposed method has the potential to both improve the healthcare system and be an effective method for healthcare providers in predicting the survival of patients diagnosed with heart failure. In addition, it will guide specialist physicians in planning the treatment process of patients diagnosed with heart failure.
Kalp yetmezliği önemli morbidite ve mortaliteye sahip bir kardiyovasküler hastalık olup, dünya çapında giderek daha fazla insanı etkilemektedir. Klinik verilerle kalp yetmezliği tanılı hastaların sağ kalımlarını tahmin etmek oldukça zordur. Bu çalışmada, kalp yetmezliği tanılı hastaların hayatta kalma tahmininin doğruluğunu artıracak önemli özellikler ve etkili makine öğrenme (MÖ) algoritması tespit edilerek, etkili ve verimli bir MÖ temelli bir yapay zeka modeli tasarlanmaya çalışılmıştır. Bunun için yedi farklı MÖ algoritmasının performansları veri setinden çıkarılan belirleyici özelliklere dayanarak karşılaştırılmıştır. Veri setindeki dengesizliği gidermek ve daha gerçekçi doğruluk değerine sahip modeller elde etmek için amacıyla sentetik azınlık aşırı örnekleme tekniği (SMOTE) ile iki farklı çapraz doğrulama tekniğinden yararlanılmıştır. Yapılan benzetim çalışmaları sonucunda SMOTE tekniğinin kalp yetmezliği tanılı hastaların hayatta kalma oranını tahmininde sınıflandırıcıların performanslarını önemli ölçüde arttırdığı tespit edilmiştir. Birisi dışarıda çapraz doğrulama tekniğinde rastgele orman algoritmasıyla %90’lık bir başarım elde edilirken, 10 kat çapraz doğrulama tekniğinde ekstrem gradyan arttırma algoritmasıyla %93 doğruluk değeriyle en yüksek başarım değerine ulaşılmıştır. Elde edilen sonuçlar literatürde benzer veri seti kullanılarak yapılan çalışmalarla kıyaslandığında önerilen yöntemin daha yüksek performans sergilediği tespit edilmiştir. Önerilen yöntem hem sağlık sistemini iyileştirme hem de sağlık hizmeti sağlayıcıları için kalp yetmezliği tanılı hastaların hayatta kalmasını tahmininde etkili bir yöntem olma potansiyeli bulunmaktadır. Bununla birlikte uzman hekimlere kalp yetmezliği tanılı hastaların tedavi sürecinin planlanmasında yol gösterici olacaktır.
Primary Language | Turkish |
---|---|
Subjects | Information Systems (Other) |
Journal Section | Research Articles |
Authors | |
Publication Date | April 29, 2024 |
Submission Date | January 31, 2024 |
Acceptance Date | February 12, 2024 |
Published in Issue | Year 2024 Volume: 14 Issue: 1 |