Cardiovascular diseases are one of the leading reasons for mortality worldwide. With the rise of cardiovascular diseases and their effect on lives, it becomes crucial to have an accurate and fast result for diagnosis.
Nowadays, machine learning techniques are widely being used to interpret and classify the information or different measurement techniques for various diseases. Among others, cardiovascular diseases are one the most time and accuracy sensitive cases as even the minutes are important, especially for myocardial infarction.
For many cases, diagnosis of myocardial infarction can be done by simply looking to electrocardiogram. But in some cases, physicians may not be able to determine the myocardial infarction condition by an electrocardiogram test; therefore, a blood test becomes a necessity which takes 40-60 minutes to complete. To overcome the current time consuming process in one of the previous studies, an electronic nose has been used to classify MI, stable coronary artery disease and healthy individuals which happens to be a fast result promising method.
In this study, we focused on to the classification algorithm by using the dataset used in the above mentioned study. We noticed that there might be a room for classification accuracies performance improvement while reducing the complexity of the process which has the potential to affect the clinical results. The results of proposed algorithm indicate that it is possible to achieve improved overall classification accuracy while complexity of the process reduced using an appropriate shallow neural network even with a single classification step.
Myocardial infarction Stable coronary artery disease Machine Learning Neural Network Classification
Kardiyovasküler hastalıklar dünya çapında ölümlerin önde gelen nedenlerinden biridir. Kalp ve damar hastalıklarının artması ve yaşam üzerindeki etkileri ile birlikte teşhis için doğru ve hızlı sonuç alınması büyük önem arz etmektedir.
Günümüzde makine öğrenmesi teknikleri, çeşitli hastalıklar için bilgileri veya farklı ölçüm tekniklerini yorumlamak ve sınıflandırmak için yaygın olarak kullanılmaktadır. Diğerlerinin yanı sıra kardiyovasküler hastalıklar, özellikle miyokard enfarktüsü için dakikalar bile önemli olduğundan, zamana ve kesinliğe en duyarlı vakalardan biridir.
Çoğu durumda, miyokard enfarktüsünün teşhisi sadece elektrokardiyograma bakarak yapılabilir. Ancak bazı durumlarda doktorlar bir elektrokardiyogram testi ile miyokard enfarktüsünün durumunu belirleyemeyebilirler; bu nedenle, tamamlanması 40-60 dakika süren bir kan testi bir zorunluluk haline gelir. Önceki çalışmalardan birinde mevcut zaman alıcı sürecin üstesinden gelmek için, hızlı sonuç vaat eden bir yöntem olan MI, stabil koroner arter hastalığı ve sağlıklı bireyleri sınıflandırmak için elektronik bir burun kullanılmıştır.
Bu çalışmada, yukarıda bahsedilen çalışmada kullanılan veri seti kullanılarak sınıflandırma algoritmasına odaklanılmıştır. Klinik sonuçları etkileme potansiyeline sahip sürecin karmaşıklığını azaltırken, sınıflandırma doğruluğu performans iyileştirmesi için bir yer olabileceğini fark ettik. Önerilen algoritmanın sonuçları, tek bir sınıflandırma adımıyla bile uygun bir sığ sinir ağı kullanılarak işlemin karmaşıklığı azaltılırken, gelişmiş genel sınıflandırma doğruluğu elde etmenin mümkün olduğunu göstermektedir.
Miyokard enfarktüsü Stabil koroner arter hastalığı Makine Öğrenimi Sinir Ağı Sınıflandırma
Birincil Dil | İngilizce |
---|---|
Konular | Mühendislik |
Bölüm | Makaleler |
Yazarlar | |
Erken Görünüm Tarihi | 26 Temmuz 2022 |
Yayımlanma Tarihi | 31 Ağustos 2022 |
Yayımlandığı Sayı | Yıl 2022 Sayı: 38 |