FORECASTING THE RISK OF DEATH IN HEART FAILURE DISEASE BY USING RANDOM FOREST AND BINARY PARTICLE SWARM INTELLIGENCE

Öz

With the rapid increase of heart diseases in recent years, the number of people who die from these diseases is also increasing rapidly. Therefore, early diagnosis of diseases is very important in increasing human life span. In the study, records of 299 clinical patients with heart failure, covering the months of April and December 2015, were taken from the open access website and used. The data obtained from the open access website were made ready for analysis with artificial intelligence by passing through the data preprocessing stage. Firstly, the data set was determined by hyper parameters of the Random Forest algorithm. Using the obtained hyper parameters, binary particle swarm intelligence method, a global feature selection was made from the data set. The obtained results were trained again with random forest algorithm and 10 times 10 iteration cross validation, and the most appropriate model showing death risk situation was obtained. The average accuracy rate of 100 trainings of the model obtained was determined as 79.66%.

Anahtar Kelimeler

• Heart Failure
• Machine Learning
• Random Forest
• Feature Selection
• Optimization
• BPSO.

RASGELE ORMAN VE İKİLİ PARÇACIK SÜRÜ ZEKÂSI YÖNTEMİYLE KALP YETMEZLİĞİ HASTALIĞINDAKİ ÖLÜM RİSKİNİN TAHMİNLENMESİ

Öz

Son yıllarda kalp hastalıkların hızla artışı ile birlikte bu hastalıklardan ölen insanların sayısı da hızla artmaktadır. Bu nedenle hastalıkların erken teşhisi, insan yaşam ömrünü arttırmada oldukça önemlidir. Çalışmada 2015 yılı nisan ve aralık aylarını kapsayan kalp yetmezliği hastalarına ait toplam 299 klinik hastaya ait kayıtlar açık erişimli internet sitesinden alınarak kullanılmıştır. Açık erişimli internet sitesinden elde edilen veriler veri ön işleme aşamasından geçirilerek yapay zekâ ile analiz için hazır hale getirilmiştir. Veri seti ilk olarak Rasgele Orman algoritmasının hiper parametreleri belirlenmiştir. Elde edilen hiper parametreler, ikili parçacık sürü zekâ yöntemi kullanılarak veri seti üzerinde global bir özellik seçimi gerçekleştirilmiştir. Elde edilen sonuçlar tekrar rasgele orman algoritması ve 10 kat 10 iterasyonu ile çapraz doğrulama ile eğitilerek ölüm risk durumunu gösteren en uygun model elde edilmiştir. Elde edilen modelin 100 eğitimin ortalama doğruluk oranı ise %79.66 olarak belirlenmiştir.

Anahtar Kelimeler

• Makine Öğrenmesi
• Rasgele Orman Algoritması
• Özellik Seçimi
• Optimizasyon
• İkili Parçacık Sürü Optimizasyonu.
• Heart Failure
• Machine Learning
• Random Forest
• Feature Selection
• Optimization
• BPSO.

Kaynakça

1. 1. Kanbay, M., Yerlikaya, A., Sag, A. A., Ortiz, A., Kuwabara, M., Covic, A., Wiecek, A., Stenvinkel, P., Afsar B., “A journey from microenvironment to macroenvironment: the role of metaflammation and epigenetic changes in cardiorenal disease”, Clinical Kidney Journal, Vol. 12, Issue 6 Pages 861-870, 2019.
2. 2. Görgülü, S., “Acil Servis’e Kalp Yetmezliği Semptomları İle Başvuran Hastalara Uygulanan Diüretik Tedavi Neticesinde Karşılaşılabilecek Akut Böbrek Yetmezliği Tablosunu Önceden Belirlemede”,Uzmanlık Tezi, Hacettepe Üniversitesi, Ankara, 2020.
3. 3. ekin, H., & Polat, Ü.,“Kalp yetmezliği olan hastaların hastalık algısı ve bakımlarına ilişkin görüşlerinin değerlendirilmesi”, Genel Tip Dergisi, Cilt 28, Sayı 1, Sayfa14-22, 2018. s 4. Çavuşoğlu, Y., Altay, H., Ekmekçi, A., “Kronik kalp yetersizliği tedavisinde pratik yaklaşımlar: Güncel uygulamada sık sorulanlar, gözden kaçanlar, tartışmalı durumlar”, Anatol J Cardiol, Cilt 15, Sayfa 1–65, 2015.
4. 5. Ponikowski, P., Voors, A.A., Anker, S.D., et al. “ESC Guidelines For The Diagnosis And Treatment of acute and chronic heart failure”,European heart journal, Vol. 39 Issue 10, Pages 2129, 2018.
5. 6. Değertekin, M., Erol, Ç., Ergene, O., “Türkiye’deki kalpyetmezliği prevalansı ve öngördücüleri: HAPPY çalışması”,Turk Kardiyol DernArs, Cilet 40, Sayfa 298-308, 2012.
6. 7. Faris, R.F., Flather, M., Purcell H., Poole‐Wilson P. A., Coats A.J., “Diuretics for heart failure”, Cochrane Database of Systematic Reviews, 2012. https://doi.org/10.1002/14651858.CD003838.pub3
7. 8. National Heart Lung and Blood Institute (NHLBI),“Heart failure”,https://www.nhlbi.nih.gov/health-topics/heart-failure. Ağustos 20, 2020.
8. 9. Chicco, D., & Jurman, G.,“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, Issue 1, Pages1-16, 2020.

9. 10. Meng, F., Zhang, Z., Hou, X., Qian, Z., Wang, Y., Chen, Y., Wang, Y., Zhou, Y.,Chen, Z., Zhang, X., Yang, J., Zhang, J., Guo, J., Li, K., Chen, L., Zhuang, R.,Jiang, H., Zhou, W., Tang, S., Wei, Y., Zou, J.,“Machine learning for predictionof sudden cardiac death in heart failure patients with low left ventricularejection fraction: study protocol for a retroprospective multicentreregistry in Chin”, Br Med J (BMJ) Open, Vol. 9, Issue 5, Pages 1-9, 2019.
10. 11. Nauta, J.F., Jin, X., Hummel, Y.M., Voors, A.A.,“Markers of left ventricular systolic dysfunction when left ventricular ejection fraction is normal”, Eur J Heart Fail, Vol. 20, Issue 12, Pages, 1636-1638, 2018.
11. 12. Nanayakkara, S., Kaye, DM.,“Targets for heart failure with preserved ejection fraction”, Clin Pharmacol Ther.Clinical Pharmacology & Therapeutics, Vol. 102, Issue 2, Pages 228–237, 2017.
12. 13. McMurray, J. J. V., Adamopoulos, S., Anker, S. D., Auricchio, A., Böhm, M., Dickstein, K., Falk, V., Filippatos, G., Fonseca, C., Gomez-Sanchez, M. A. N., Jaarsma, T., Kober, L., Lip, G. Y. H., Maggioni, A. P. I., Parkhomenko, A., Pieske, B. M., Popescu, B. A., Ronnevik, K., Rutten, F. H., “Akut ve Kronik Kalp Yetersizliği Tani ve Tedavisine Yönelik 2012 ESC Kilavuzu”,Turk Kardiyoloji Dernegi Arsivi, Cilt 40, Sayfa 77-137, 2012.
13. 14. Alkan, B., “Kronik Kalp Yetmezliği Hastalarında Semptom Limitli Merdiven Çıkma Testinin Etkinliğinin Değerlendirilmesi”, Doktora Tezi, Dokuz Eylül Üniversitesi, İzmir, 2018.
14. 15. Paksoy, V. M., “Elektronik sağlık kayıtlarının güvenlik ve mahremiyet uygulamalarının özel hastanelerde değerlendirilmesi: Kayseri ili örneği”,Doktora Tezi, Marmara Üniversitesi, İstanbul, 2019.
15. 16. Hartley, C., Jones, E., “EHR Implementation: A Step-by-Step Guide for the Medical Practice”, American Medical Association, 2th Edition, Chicago, 2012. 17. Aldosari, B.,“Causes of EHR Projects Stalling or Failing: A Study of EHR Projects in Saudi Arabia”, Computers in Biology and Medicine, Vol. 91, Pages 372- 381, 2017.
16. 18. Büyükgöze, S., & Dereli, E., “Dijital Sağlık Uygulamalarında Yapay Zeka”, VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi-Fen ve Sağlık, 07-10, Online, 2020.
17. 19. Cheng, J. C., Chen, W., Chen, K., & Wang, Q., “Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms” Automation in Construction, Vol. 112, Pages 1-21, 2020.
18. 20. Kaynar, O., Tuna, M. F., Görmez, Y., & Deveci, M. A., “Makine öğrenmesi yöntemleriyle müşteri kaybı analizi”, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt 18, Sayı 1, Sayfa 1-14, 2017.
19. 21. Filiz, E., Karaboğa, H. A., & Akoğul, S., “Bıst-50 Endeksi Değişim Değerlerinin Sınıflandırılmasında Makine Öğrenmesi Yöntemleri Ve Yapay Sinir Ağları Kullanımı”, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt 26, Sayı 1, Sayı 231-241, 2017.
20. 22. Cervante, L., Xue, B., Zhang, M., & Shang, L., “Binary particle swarm optimisation for feature selection: A filter based approach” In 2012 IEEE Congress on Evolutionary Computation, Sayfa 1-8, Brisbane, 2012.
21. 23. Whitney, A., “A direct method of nonparametric measurement selection,” IEEE Transactions on Computers, vol. C-20,Issue 9, Pages 1100–1103, 1971.
22. 24. Marill, T., and Green, D., “On the effectiveness of receptors in recognition systems,” IEEE Transactions on Information Theory, Vol. 9, Sayı 1, Pages 11–17, 1963.
23. 25. Tao, Z., Huiling, L., Wenwen, W., & Xia, Y.“GA-SVM based feature selection and parameter optimization in hospitalization expense modeling”, Applied Soft Computing, Vol. 75, Pages 323-332, 2019.
24. 26. Kushwaha, N., & Pant, M.,“Link based BPSO for feature selection in big data text clustering”, Future Generation Computer Systems, Vol. 82, Pages190-199, 2018.
25. 27. Shunmugapriya, P., & Kanmani, S., “A hybrid algorithm using ant and bee colony optimization for feature selection and classification (AC-ABC Hybrid)”, Swarm and Evolutionary Computation, Vol. 36, Pages 27-36, 2017.
26. 28. Manoj, R. J., Praveena, M. A., & Vijayakumar, K., “An ACO–ANN based feature selection algorithm for big data”, Cluster Computing, Vol.22, Issue 2, Pages 3953-3960, 2019.
27. 29. Ahmad, T., Munir, A., Bhatti, S.H., Aftab, M., Raza, M.A.,“Survival analysis of heart failure patients: a case study”, PLoS ONE,Vol. 12, Issue 7, Pages 1-8, 2017.
28. 30. UCI Heart failure clinical records Data Set. -https://archive.ics.uci.edu/ml/datasets/Heart+failure+clinical+records. Ağustos 2020.
29. 31. Breiman, L., “Rastgele Ormanlar”, Machine Learning, Vol. 45, Pages, 5-32, 2001.
30. 32. Mursalin, M., Zhang, Y., Chen, Y., & Chawla, N. V., “Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier”, Neurocomputing, Vol. 241, Pages 204-214, 2017.
31. 33. Akar, Ö., & Güngör, O.,“Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması”, Jeodezi ve Jeoinformasyon Dergisi, Cilt 1, Issue 2, 139-146,2012.
32. 34. Korkmaz, D., Çelik, H. E., & Kapar, M.,“Sınıflandırma ve Regresyon Ağaçları ile Rastgele Orman Algoritması Kullanarak Botnet Tespiti: Van Yüzüncü Yıl Üniversitesi Örneği”, Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Vol. 23, Issue 3, Pages 297-307, 2018.
33. 35. Chen, J., Li, K., Tang, Z., Bilal, K., Yu, S., Weng, C., & Li, K., “A parallel random forest algorithm for big data in a spark cloud computing environment”, IEEE Transactions on Parallel and Distributed Systems, Vol. 28, Issue 4, Pages 919-933, 2016.
34. 36. Gulia, A., Vohra, R., & Rani, P., “Liver patient classification using intelligent techniques”, International Journal of Computer Science and Information Technologies, Vol. 5, Issue 4, Pages, 5110-5115, 2014.
35. 37. Sevli, O.,“Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması”, Avrupa Bilim ve Teknoloji Dergisi, Sayı 16, Sayfa 176-185, 2019.
36. 38. DOĞAN, M., & ÖZKAN, İ. A., “Sürü zekası yöntemleriyle aşırı öğrenme makinesi’nin öğrenme parametreleri optimizasyon”, Selçuk-teknik dergisi, Cilt 19,Sayı 2, Sayfa 35-50,2020.
37. 39. KAYA, S., KARAÇİZMELİ, İ. H., AYDİLEK, İ. B., TENEKECİ, M. E., & GÜMÜŞÇÜ, A., “Akış tipi çizelgeme problemlerinin hibrit ateşböceği ve parçacık sürü optimizasyonu algoritmasıyla çözümünde başlangıç popülasyonlarının etkileri”, Pamukkale University Journal of Engineering Science, Cilt 26, Sayı 1, Sayfa 104-149 ,2020.
38. 40. Güney, H. M., “Hibrit parçacık sürü optimizasyonu algoritması ile hidrolojik model kalibrasyonu”, Yüksek Lisans Tezi, Balıkesir Üniversitesi, Balıkesir, 2020.
39. 41. Mirjalili, S.,“Particle swarm optimisation”, In Evolutionary Algorithms and Neural Networks", Pages 15-31, Springer, Cham,2018.
40. 42. Cui, Z., Zhang, J., Wu, D., Cai, X., Wang, H., Zhang, W., & Chen, J.,“Hybrid many-objective particle swarm optimization algorithm for green coal production problem”, Information Sciences, Vol. 518, Pages 256-271, 2020.
41. 43. Liang, J., Ge, S., Qu, B., Yu, K., Liu, F., Yang, H., ... & Li, Z., “Classified perturbation mutation based particle swarm optimization algorithm for parameters extraction of photovoltaic models”, Energy Conversion and Management, Vol. 203, 112138, 1-20, 2020.
42. 44. Zhang, P., Yin, Z. Y., Jin, Y. F., & Chan, T. H.,“A novel hybrid surrogate intelligent model for creep index prediction based on particle swarm optimization and random forest”, Engineering Geology, Vol. 265, 105328, Pages 1-12, 2020.
43. 45. Elbaz, K., Shen, S. L., Sun, W. J., Yin, Z. Y., & Zhou, A., “Prediction model of shield performance during tunneling via incorporating improved Particle Swarm Optimization into ANFIS”, IEEE Access, Vol. 8, Pages 39659-39671, 2020.