Kardiyovasküler Hastalıkların Belirlenmesi için Yapay Zekâ Yöntemleriyle Kural Tabanlı Teşhis Algoritmalarının Geliştirilmesi

Year 2022, Volume: 9 Issue: 4, 1265 - 1273, 31.12.2022

Nilay Nisa Taçyıldız , Buse Nur Karaman , Zeynep Bağdatlı , Sude Çiğnitaş , Muhammed Kürşad Uçar

https://doi.org/10.31202/ecjse.1133297

Abstract

Dünya Sağlık Örgütü (DSÖ) verilerine göre kalp hastalıkları en fazla ölüm oranına sahip hastalıklar arasındadır. Kardiyovasküler hastalıklar olarak bilinen kalp ve damar hastalıkları, damarın iç duvarında plak oluşması ile damarların sertleşmesiyle damarın daralması ve kanın akışını zorlaştırması olarak tanımlanır. Hastalığın teşhisi, çeşitli klinik bulguların incelenmesiyle konulmaktadır. Klinik bulgu ve testlerin zaman alması teşhis aşamasını uzatmaktadır. Bu nedenle hastalık teşhis sürecini kolaylaştıracak yeni araç ve yöntemler araştırılmaktadır. Çalışmada erişime açık paylaşım sitesi Kaggle’dan kalp hastalığı veri kümesi kullanılmıştır. Veri setinde 14 adet özellik bulunmaktadır. Özellikler Eta kolerasyon katsayısı ile seçilerek 11’e indirilmiştir. Karar ağaçları algoritmaları yardımıyla kural tabanlı teşhis algoritmaları geliştirilmiştir. Çalışma sonucunda ortalama 94,15 doğruluk oranı, 0,98 duyarlılık, 0,91 özgüllük oranıyla yaklaşık 5 seviyede kural tabanlı algoritmalar geliştirilmiştir. Sonuç: Model performanslarına göre, KVH teşhisi için yapay zekâ yöntemleriyle geliştirilen yüksek doğruluk oranına sahip olup, klinikte hekim tarafından kural tabanlı teşhis algoritması olarak kullanılabileceği düşünülmektedir.

Keywords

Kardiyovasküler hastalık, Eta korelasayon katsayısı, Karar ağaçları

Supporting Institution

Sakarya Üniversitesi

Project Number

2116

Development of Rule-Based Diagnostic Algorithms with Artificial Intelligence Methods for the Determination of Cardiovascular Diseases

Abstract

According to the World Health Organization (WHO) data, heart diseases are among the diseases with the highest mortality rate. Cardiovascular diseases, known as cardiovascular diseases, are defined as the formation of plaque on the inner wall of the vessel, the hardening of the vessels, the narrowing of the vessel and making the blood flow difficult. The diagnosis of the disease is made by examining various clinical findings. The clinical findings and tests take time, prolonging the diagnostic phase. For this reason, new tools and methods are being researched to facilitate the disease diagnosis process. Materials and Methods: Heart disease dataset from Kaggle, a public sharing site, was used in the study. There are 14 features in the dataset. The features were selected with the Eta correlation coefficient and reduced to 11. Rule-based diagnostic algorithms have been developed with the help of decision tree algorithms. Results: As a result of the study, rule-based algorithms were developed at approximately 5 levels, with an average accuracy rate of 94.15, sensitivity of 0.98, and specificity of 0.91. Conclusion: According to the model performances, it has a high accuracy rate developed with artificial intelligence methods for the diagnosis of CVD, and it is thought that it can be used as a rule-based diagnostic algorithm by the clinician.

Keywords

Cardiovascular disease, Eta correlation coefficient, Decision trees

Project Number

2116

References

• [1] Nabiyev V.V., “Yapay Zeka: İnsan-Bilgisayar Etkileşimi”, Seçkin Yayıncılık, 2012.
• [2] Aytekin A., Sönmez Çakır F., Yücel Y. B., Kulaözü İ., “Algoritmaların Hayatımızdaki Yeri ve Önemi”, Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi,, cilt 5, no. 7, pp. 143-150, 2018.
• [3] Aitkenhead M., “A Co-Evolving Decision Tree Classification Method”, Expert Systems with Applications, cilt 34, no. 1, pp. 18-25, 2008.
• [4] Kotsiantis S.B., “Decision trees: a recent overview”, Artificial Intelligence Review, no. 4, pp. 261-283, 2013.
• [5] Kasapoğlu E.S., Enç N., “Koroner Arter Hastaları için Bir Rehber”, Journal of Cardiovascular Nursing , cilt 8, no. 15, pp. 1-7, 2017.
• [6] Bulut F., “Determining Heart Attack Risk Ration Through Adaboost/ Adaboost ile Kalp Krizi Risk Tespiti”, CBÜ Fen Bil.Dergi., cilt 12, no. 3, pp. 459-472, 2016.
• [7] Budak H., “Özellik Seçim Yöntemleri ve Yeni Bir Yaklaşım”, Süleymen Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt 22, no. Özel Sayı, pp. 21-31, 2018.
• [8] Chen Y., Wang T., Wang B., Li Z., “A Survey of Fuzzy Decision Tree Classifier”, Fuzzy Information And Engineering , cilt 2, no. 6, pp. 149-159, 2009.
• [9] Todorovskı L., Džeroski S. , “Combining Classifiers with Meta Decision Trees,» Machine Learning, pp. 223-249, 2003.
• [10] Ekrem Ö., Salman O. K. M., Aksoy B., İnan S. A., “Yapay Zekâ Yöntemleri Kullanılarak Kalp Hastalığının Tespiti”, Mühendislik Bilimleri ve Tasarım Dergisi, cilt 8, no. Özel Sayı: : Uluslararası Mühendislikte Yapay Zeka ve Uygulamalı Matematik Konferansı (UMYMK 2020), pp. 241-254, 2020.
• [11] Taşcı M. E., Şamlı R., “Veri Madenciliği İle Kalp Hastalığı Teşhisi”, Avrupa Bilim ve Teknoloji Dergisi, no. Özel Sayı, pp. 88-95, 2020.
• [12] Persil Özkan Ö., Büyükünal S. K., Yiğit Z., İnci Z., Şakar F. Ş., Özçelik Ersü D., “Kardiyovasküler Hastalık Tanısı Almış Hastaların Sağlıklı Yaşam Biçimi Davranışlarının Değerlendirilmesi”, Mersin Univ Saglık Bilim Dergisi, cilt 12, no. 1, pp. 22-31, 2019.
• [13] Sayın H., Salman O. K. M., Aksoy B., Köse U., “EKG Sinyallerini kullanarak Kalp Ritimlerinin Yapay Zekâ ile Sınıflandırılması”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, cilt 9, no. 1, pp. 7-15, 2020.