Makine öğrenmesi algoritmaları ile kalp hastalığı tespitinin performans karşılaştırmaları

Öz

Kalp hastalıkları, dünya çapında önde gelen ölüm nedenlerinden biri olup, erken teşhis ve doğru tedavi planlaması hastaların yaşam kalitesi ve hayatta kalma oranları açısından kritik öneme sahiptir. Bu çalışma ile makine öğrenmesi algoritmalarının kalp hastalığı teşhisindeki performansının Weka platformunda kapsamlı biçimde incelenmesi amaçlanmaktadır. Veri madenciliği yöntemleri kullanılarak elde edilen veri seti üzerinde; regresyon, sınıflandırma ve kümeleme algoritmaları uygulanmış, ardından kesinlik, hassasiyet ve F-skoru gibi performans ölçütleriyle değerlendirilmiştir. Bulgular, incelenen çeşitli algoritmaların kalp hastalığı teşhisinde başarı sağladığını ortaya koymaktadır. Elde edilen sonuçlar, hem sağlık profesyonelleri hem de araştırmacılar için makine öğrenmesi tekniklerinin kalp hastalığı teşhisine uygulanması konusunda yol gösterici niteliktedir ve hasta teşhis süreçlerinin iyileştirilmesine katkı sunmaktadır.

Anahtar Kelimeler

• Weka
• Makine öğrenmesi algoritmaları
• Performans analizi
• Veri analizi

Performance comparison of heart disease detection with machine learning algorithms

Abstract

Heart diseases are one of the leading causes of death worldwide, and early diagnosis and proper treatment planning are critical for patients' quality of life and survival rates. This study aims to comprehensively investigate the performance of machine learning algorithms in heart disease diagnosis on the Weka platform. Regression, classification and clustering algorithms were applied on the data set obtained using data mining methods, and then evaluated with performance measures such as precision, accuracy and F-score. The findings reveal that the various algorithms examined provide success in the diagnosis of heart disease. The obtained results provide guidance for both healthcare professionals and researchers on the application of machine learning techniques to heart disease diagnosis and contribute to the improvement of patient diagnosis processes.

Keywords

• Weka
• Machine learning algorithms
• Performance analysis
• Data analysis.

References

1. [1] Pushpawathi TP, Kumari S, Kubra NK. “Heart failure prediction by feature ranking analysis in machine learning”. IEEE 2021 International Conference on Inventive Computation Technologies, Coimbatore, India, 20-22 January 2021.
2. [2] American Heart Association Statistics Committee and Stroke Statistics Subcommittee. “Executive summary: heart disease and stroke statistics-2016 update”. A Report from the American Heart Association, 133(4), 447-454, 2016.
3. [3] Kumar NM, Mallick PK. “The internet of things: Insights into the building blocks, component interactions, and architecture layers”. Procedia Computer Science, 132, 109-117, 2018.
4. [4] Özmen T, Kuzu Ü, Koçyiğit Y, Sarnel H. “Metasezgisel yöntemlerle öznitelik sayısını azaltarak diyabetin erken dönemde tespiti”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 29(6), 596–606, 2023.
5. [5] Çiftçi S, Batur Sir GD. “Acil servise başvuru sayısının zaman serisi analiz ve makine öğrenmesi yöntemleri ile tahmin edilmesine yönelik bir uygulama”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 29(7), 667-679, 2023.
6. [6] Topol EJ. “High-performance medicine: the convergence of human and artificial intelligence”. Nature Medicine, 25(1), 44-56, 2019.
7. [7] Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. “The WEKA data mining software: An update. ACM SIGKDD”. Explorations Newsletter, 11, 10-18, 2009.
8. [8] Çifçi ME. Kalp Hastalıklarında Kullanılan Yapay Zeka Teknikleri ve Uygulamaları. Yüksek Lisans Tezi, Necmettin Erbakan Üniversitesi, Konya, Türkiye, 2019.

9. [9] Coşar M, Deniz E. “Makine öğrenimi algoritmaları kullanarak kalp hastalıklarının tespit edilmesi”. Avrupa Bilim ve Teknoloji Dergisi, 28, 1112-1116, 2021.
10. [10] Mohan, S, Thirumalai, C, Srivastava, G. “Effective heart disease prediction using hybrid ML techniques”. IEEE Access, 7, 81542–81554, 2019.
11. [11] Dipto I, Islam T, Rahman H, Rahman M. “Comparison of different machine learning algorithms for the prediction of coronary artery disease”. Journal of Data Analysis and Information Processing, 8, 41–68, 2020.
12. [12] Kim JK, Kang S. “Neural network-based coronary heart disease risk prediction using feature correlation analysis”. Journal of Healthcare Engineering, 2017. https://doi.org/10.1155/2017/2780501.
13. [13] Mohamed TS, Ali MH. “Heart diseases prediction using WEKA”. Journal of Baghdad College of Economic Sciences, 58, 1-12, 2019.
14. [14] Sen SK. “Predicting and diagnosing of heart disease using machine learning algorithms”. International Journal of Engineering and Computer Science, 6(6), 21623–21631, 2017.
15. [15] KAGGLE. “Heart Failure Prediction Dataset”. https://www.kaggle.com/fedesoriano/heart-failure-prediction (15.04.2023).
16. [16] Gökhan A, Doğan N. “Veri madenciliğinde kullanılan güncel bir analiz programı: WEKA”. Journal of Measurement and Evaluation in Education And Psychology, 10(1), 80-95, 2019.
17. [17] Siper M. Yapay Zeka Yöntemleriyle Üstyapı Performans Tahmini. Yüksek Lisans Tezi, Necmettin Erbakan Üniversitesi, Konya, Türkiye, 2021.
18. [18] Kara Ş, Şamlı R. “Yazılım projelerinin maliyet tahmini için WEKA’da makine öğrenmesi algoritmalarının karşılaştırmalı analizi”. Avrupa Bilim ve Teknoloji Dergisi, 23, 415-426, 2021.
19. [19] Taşçı ME, Şamlı R. “Veri madenciliği ile kalp hastalığı teşhisi”. Avrupa Bilim ve Teknoloji Dergisi, 2020. https://doi.org/10.31590/ejosat.araconf12.
20. [20] Pat G. Araştırma projelerinde kümeleme ile çoklu analiz. Yüksek Lisans Tezi, Sakarya Üniversitesi, Sakarya, Türkiye, 2020.
21. [21] Aydemir E. Weka ile Yapay Zeka. 1. Baskı. Ankara, Türkiye, Seçkin Yayınevi, 2018.
22. [22] Işık K, Ulusoy SK. “Determining the factors that affect the production time in metal industry utilizing data mining methods”. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(4), 1949-1962, 2021.