Kalp hastalıkları ölüm nedenleri arasında en üst sıradadır ve Dünya Sağlık Örgütü’ne göre her yıl yaklaşık 17,9 milyon insan kardiyovasküler hastalıklardan dolayı vefat etmektedir [1]. Hastalıkların erken teşhisi ile birçok ölüm engellenebilir durumdadır. Ayrıca, erken teşhis ile hasta bakım maliyetleri de düşmektedir [2]. Makine öğrenimi yöntemleri ile veriler arasındaki ilişkiler belirlenerek genelleştirilmiş hastalık sınıflandırma modelleri oluşturulabilmektedir [3]. Pek çok ülkede kalp hekimi ve uzmanı eksikliği bulunmaktadır ve hasta kayıtları bilgisayar ortamına doğru kaydedilememektedir [4]. Hasta verileri ile klinik karar verme süreçlerini yapay zekâ yardımı ile modellenerek erken-aşama kalp hastalıkları tahmin edilebilir. Bu çalışmada, Kaggle platformu üzerinden elde edilen ve çeşitli hastanelerden elde edilmiş ve düzenlenmiş durumda olan 1025 hastaya ait veriler kullanılarak kalp rahatsızlığının makine öğrenimi yöntemleri ile tespiti gerçekleştirilmiştir. Veri setinde yaş, cinsiyet, ağrı tipi, tansiyon, kolesterol, kan şekeri vb. toplam 13 parametre bulunmaktadır [5]. Tüm veriler için uzman hekimlerce kalp hastalığının varlığı veya yokluğu veri seti içinde belirlenmiş haldedir. Danışmanlı makine öğrenimi yöntemlerinden karar ağaçları, diskriminant analizi, lojistik regresyon (LR), Naive Bayes (NB), karar destek makineleri (KDM), k-enyakın komşu, kollektif öğrenme ve yapay sinir ağları (YSA) yöntemleri ile veri seti kullanılarak sınıflandırma modelleri oluşturulmuştur. Veriler 5-kat çapraz doğrulama yöntemi ile her bir seferde verinin %80’i eğitim ve %20’si test verisi olarak kullanılmak suretiyle deneyler gerçekleştirilmiştir. Deneyler sonucunda test verilerinde %99.7 sınıflandırma doğruluğu ile YSA yöntemi en iyi sonucu vermiştir. Kolektif öğrenme ile %99.5, k-enyakın komşu ve KDM %99.4, karar ağacı yöntemi %96.4, LR yöntemi %85.1, diskriminant analizi %84.5 ve NB yöntemi ise %82.6 sınıflandırma doğruluğunu elde etmişlerdir. Deneyler sonucunda neredeyse hatasız bir şekilde eldeki verilerden genelleştirilmiş bir kalp hastalığı teşhis yöntemi geliştirilmiştir. Geliştirilen model bu haliyle kardiyovasküler rahatsızlıkların tespitinde uzman hekimlere yardımcı olacak bir yazılım aracı konumundadır.
Anahtar Kelimeler: kardiyovasküler hastalıklar, makine öğrenimi, sınıflandırma
|
