AdaBoost ile Kalp Krizi Risk Tespiti

Dünyada genelinde en çok ölüme sebep olan hastalık türü Kalp ve Damar hastalıklardır. Çalışmamız, kolektif yapay sınıflandırma yöntemlerini kullanarak bireyde kalp krizi risk oranını belirlenmesi üzerinedir. Bu amaçla kalp krizi veya bir kalp rahatsızlığı geçirmiş hastalara ait gerekli bir takım tıbbi veriler resmi izinlerle hastanelerden alınmıştır. Bu veriler bir veri setine aktarılarak sınıflandırıcı algoritmalarda kullanılmıştır. Yapılan deneysel uygulamalarda başarı oranı yüksek AdaBoost kolektif sınıflandırıcısı ile bireyde olası kalp hastalıkları riski erkenden tespit edilebilmiştir. Çapraz geçerleme işlemleri ile önerilen model başka sınıflandırıcılara kıyaslanmış ve daha yüksek sınıflandırma performansı elde edildiği gözlemlenmiştir. Tasarlanan erken uyarı sistemi ile bu sayede muhtemel kalp krizine karşı önceden önlem alınabilmesi sağlanmış olmaktadır.

Determining Heart Attack Risk Ration Through AdaBoost

Cardiovascular diseases are the most common cause of death all over the world. This study is based on to predict the heart attack risk of an individual by using Artificial Ensemble Classification algorithms. For this reason, relevant clinical data has been obtained by the official permissions from the hospitals where there are some patients who have had heart attacks before. A dataset has been constructed using this collected data in order to use in the classifiers. In the practical applications, heart attack risks can be recognized for an individual by using a powerful ensemble classifier, AdaBoost. Furthermore, it is detected that proposed technique explicitly shows a high-performance in validating when compared with other classifiers. Therefore, this suggested early warning system allows taking required precautions before a possible heart attack.

PDF

___

[1] Coşkun, M.Z.; Tarı. E., Ateş. S., Kırma. C., Kılıçgedik. A., İzgi. A., Durduran. K. İstanbul'da Akut Kalp Krizi Haritalarının Coğrafi Bilgi Sistemleri İle Üretilmesi ve Geoistatiksel Olarak İncelenmesi, Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara, 11-15 Mayıs 2009.
[2] Haney, M. Ö.; Bahar, Z. Çoçuk Kalp Sağlığını Geliştirme Tutum Ölçeği'nin Geçerlik ve Güvenirliği, Dokuz Eylül Üniversitesi Hemşirelik Fakültesi Elektronik Dergisi. 2014; 2.
[3] Güleç, S. Kalp Damar Hastalıklarında Global Risk Ve Hedefler, Türk Kardiyol Derneği Arştırmaları, 2009.
[4] Anbarasi, I. N. C. S. N. Enhanced prediction of heart disease with feature subset selection using genetic algorithm, International Journal of Engineering Science and Technology. 2010; 2, 5370-5376.
[5] Lichman. M. UCI Machine Learning Repository, Irvine, CA: University of California, School of Information and Computer Science., 2015. [http://archive.ics.uci.edu/ml]. Erişildi: 01/10/2016.
[6] Srinivas, K.; B, Rani, K., Govrdhan, A. Applications of data mining techniques in healthcare and prediction of heart attacks. International Journal on Computer Science and Engineering (IJCSE). 2010; 2, 250-255.
[7] Palaniappan, S.; & Awang, R. Intelligent heart disease prediction system using data mining techniques. IEEE/ACS International Conference on Computer Systems and Applications. 2008; 108-115.
[8] Chandna, D. Diagnosis Of Heart Disease Using Data Mining Algorithm. Int. J. Comput. Sci. Inf. Technol.(IJCSIT). 2014; 5, 1678-1680.
[9] Jin, Z.; Sun, Y., & Cheng, A.C. Predicting cardiovascular disease from real-time electrocardiographic monitoring: An adaptive machine learning approach on a cell phone. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2009; 6889-6892.
[10] Karakoyun, H.M. Biyomedikal Veri Kümeleri İle Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması, DEÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi. 2014; 16, 30-41.
[11] Öztürk, S. Kardiyovasküler Risk Faktörü Olarak Dislipidemilere Yaklaşım, Abant Medical Journal. 2012; 2, 89-93.
[12] Çakmakçı, S.; Kahyaoğlu, D. Yağ Asitlerinin Sağlık Ve Beslenme Üzerine Etkileri, Türk Bilimsel Derlemeler Dergisi. 2012; 2, 133-137.
[13] Buckland. G.; Carlos. A. G. The role of olive oil in disease prevention: a focus on the recent epidemiological evidence from cohort studies and dietary intervention trials., British Journal of Nutrition. 2015; 113, 94-101.
[14] Nehir, S.; Çam, O. Miyokard İnfarktüsü Geçiren Hastalarda Psikososyal Sağlık ve Hastalık Uyumu, Ege Üniversitesi Hemşirelik Yüksek Okulu Dergisi. 2010; 26, 73- 84.
[15] Zhou, Z.-H. Ensemble Methods: Foundations and Algorithms, Press: CRC, New York, 2012.
[16] Freund, Y.; Schapire, R., Abe, N. A short introduction to boosting. Journal-Japanese Society For Artificial Intelligence. 1999; 14, 771-780.
[17] Breiman, L. Bias, Variance, and Arcing Classifiers, Technical Report, STATISTICS Department, Unıversity Of California, Berkeley, 1996.
[18] Tetik, Y.E.; Bolat, B. Gürültülü Ortamlarda Konuşma Tespiti İçin Yeni Bir Öznitelik Çıkarım Yöntemi. ElektrikElektronik ve Bilgisayar Sempozyumu, Fırat ÜniversitesiElazığ, 2011.
[19] Alpaydın, E. Yapay Öğrenme, Press: Boğaziçi Üniversitesi Yayınevi, İstanbul, 2010; 417.
[20] Domingos, P. A Few Useful Things To Know About Machine Learning, Communications of the ACM. 2012; 55, 78-87.
[21] Şimşek, H.; Demiral. Y., Aslan. Ö, Toğrul. B. Ü. Bir Üniversite Hastanesinde Koroner Kalp Hastalarına Uygulanan Tedavi Oranları, DEÜ Tıp Fakültesi Dergisi. 2012; 2, 111-117.
[22] Estevez, P.A.; Tesmer, M., Perez, C.A., Zurada, J.M. Normalized Mutual Information Feature Selection, IEEE Neural Networks. 2009; 20, 189-201.