Amaç: Bu çalışmada amaç; makine öğrenmesi tekniklerini ve bu tekniklerin veriden öğrenme yeteneğini kullanarak kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastanın mortalite riskini öngörebilmektir. Çalışma planı: Veri seti Acıbadem Maslak Hastanesi'nden temin edildi. European System for Cardiac Operative Risk Evaluation (EuroSCORE) risk faktörleri, mortalite riskini tahmin etmek için kullanıldı. Hastaların 30 günlük takip bilgileri veri setinde mevcut olmadığından çalışmada ilk olarak Standart EuroSCORE puanları hesaplandı ve risk grupları belirlendi. Modeller; beş farklı makine öğrenmesi algoritması ile yaş, serum kreatinin, sol ventrikül disfonksiyonu ve pulmoner hipertansiyonun Dataset 1’de sayısal, Dataset 2’de kategorik olduğu iki farklı veri kümesiyle oluşturuldu. Model performans değerlendirmesi, 10-kat çapraz geçerleme ile yapıldı. Bulgular: Veri analizi ve performans değerlendirmesi R, RStudio ve Shiny ile gerçekleştirildi. C4.5 algoritmasıyla Dataset 1 üzerinde kurulan model risk tahmini için en iyi model olarak seçildi (doğruluk= 0.989). Bu model; pulmoner hipertansiyon, geçirilmiş miyokard enfarktüsü ve torasik aort cerrahisi niteliklerini bir hastanın mortalite riskini etkileyen ilk üç risk faktörü olduğuna işaret etmektedir. Ayrıca, bu model mobil cihazlardan da erişilebilen dinamik bir web uygulaması geliştirmek için kullanıldı (https://elifkartal.shinyapps.io/euSCR/). Sonuç: Bir hastanın mortalite riskini öngörebilmede C4.5 karar ağacı modeli, kullanılan veri seti olan Dataset 1’de en iyi performansa sahip bir model olduğu belirlendi. Risk faktörlerinin sayısal değerlerini kullanmak, makine öğrenmesi modellerinin performansını artırmada yararlı olabilir. Bu çalışmadaki uygulamada olduğu gibi hastaneye özgü veri kullanılarak yerel değerlendirme sistemlerinin geliştirilmesi hem hastalar hem de doktorlar için yararlı olabilecektir.
Background: The objective of this study was to predict the mortality risk of patients during or shortly after cardiac surgery by using machine learning techniques and their learning abilities from collected data.Methods: The dataset was obtained from Acıbadem Maslak Hospital. Risk factors of the European System for Cardiac Operative Risk Evaluation (EuroSCORE) were used to predict mortality risk. First, Standard EuroSCORE scores of patients were calculated and risk groups were determined, because 30-day follow-up information of patients was not available in the dataset. Models were created with five different machine learning algorithms and two different datasets including age, serum creatinine, left ventricular dysfunction, and pulmonary hypertension were numeric in Dataset 1 and categorical in Dataset 2. Model performance evaluation was performed with 10-fold cross-validation.Results: Data analysis and performance evaluation were performed with R, RStudio and Shiny. C4.5 was selected as the best algorithm for risk prediction (accuracy= 0.989) in Dataset 1. This model indicated that pulmonary hypertension, recent myocardial infarct, surgery on thoracic aorta are the primary three risk factors that affect the mortality risk of patients during or shortly after cardiac surgery. Also, this model is used to develop a dynamic web application which is also accessible from mobile devices (https://elifkartal.shinyapps.io/euSCR/).Conclusion: The C4.5 decision tree model was identified as having the highest performance in Dataset 1 in predicting the mortality risk of patients. Using the numerical values of the risk factors can be useful in increasing the performance of machine learning models. Development of hospital-specific local assessment systems using hospital data, such as the application in this study, would be beneficial for both patients and doctors. ">
[PDF] Makine öğrenmesi teknikleriyle kardiyak risk değerlendirmesi | [PDF] Machine learning techniques in cardiac risk assessment
Amaç: Bu çalışmada amaç; makine öğrenmesi tekniklerini ve bu tekniklerin veriden öğrenme yeteneğini kullanarak kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastanın mortalite riskini öngörebilmektir. Çalışma planı: Veri seti Acıbadem Maslak Hastanesi'nden temin edildi. European System for Cardiac Operative Risk Evaluation (EuroSCORE) risk faktörleri, mortalite riskini tahmin etmek için kullanıldı. Hastaların 30 günlük takip bilgileri veri setinde mevcut olmadığından çalışmada ilk olarak Standart EuroSCORE puanları hesaplandı ve risk grupları belirlendi. Modeller; beş farklı makine öğrenmesi algoritması ile yaş, serum kreatinin, sol ventrikül disfonksiyonu ve pulmoner hipertansiyonun Dataset 1’de sayısal, Dataset 2’de kategorik olduğu iki farklı veri kümesiyle oluşturuldu. Model performans değerlendirmesi, 10-kat çapraz geçerleme ile yapıldı. Bulgular: Veri analizi ve performans değerlendirmesi R, RStudio ve Shiny ile gerçekleştirildi. C4.5 algoritmasıyla Dataset 1 üzerinde kurulan model risk tahmini için en iyi model olarak seçildi (doğruluk= 0.989). Bu model; pulmoner hipertansiyon, geçirilmiş miyokard enfarktüsü ve torasik aort cerrahisi niteliklerini bir hastanın mortalite riskini etkileyen ilk üç risk faktörü olduğuna işaret etmektedir. Ayrıca, bu model mobil cihazlardan da erişilebilen dinamik bir web uygulaması geliştirmek için kullanıldı (https://elifkartal.shinyapps.io/euSCR/). Sonuç: Bir hastanın mortalite riskini öngörebilmede C4.5 karar ağacı modeli, kullanılan veri seti olan Dataset 1’de en iyi performansa sahip bir model olduğu belirlendi. Risk faktörlerinin sayısal değerlerini kullanmak, makine öğrenmesi modellerinin performansını artırmada yararlı olabilir. Bu çalışmadaki uygulamada olduğu gibi hastaneye özgü veri kullanılarak yerel değerlendirme sistemlerinin geliştirilmesi hem hastalar hem de doktorlar için yararlı olabilecektir. ">
Amaç: Bu çalışmada amaç; makine öğrenmesi tekniklerini ve bu tekniklerin veriden öğrenme yeteneğini kullanarak kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastanın mortalite riskini öngörebilmektir. Çalışma planı: Veri seti Acıbadem Maslak Hastanesi'nden temin edildi. European System for Cardiac Operative Risk Evaluation (EuroSCORE) risk faktörleri, mortalite riskini tahmin etmek için kullanıldı. Hastaların 30 günlük takip bilgileri veri setinde mevcut olmadığından çalışmada ilk olarak Standart EuroSCORE puanları hesaplandı ve risk grupları belirlendi. Modeller; beş farklı makine öğrenmesi algoritması ile yaş, serum kreatinin, sol ventrikül disfonksiyonu ve pulmoner hipertansiyonun Dataset 1’de sayısal, Dataset 2’de kategorik olduğu iki farklı veri kümesiyle oluşturuldu. Model performans değerlendirmesi, 10-kat çapraz geçerleme ile yapıldı. Bulgular: Veri analizi ve performans değerlendirmesi R, RStudio ve Shiny ile gerçekleştirildi. C4.5 algoritmasıyla Dataset 1 üzerinde kurulan model risk tahmini için en iyi model olarak seçildi (doğruluk= 0.989). Bu model; pulmoner hipertansiyon, geçirilmiş miyokard enfarktüsü ve torasik aort cerrahisi niteliklerini bir hastanın mortalite riskini etkileyen ilk üç risk faktörü olduğuna işaret etmektedir. Ayrıca, bu model mobil cihazlardan da erişilebilen dinamik bir web uygulaması geliştirmek için kullanıldı (https://elifkartal.shinyapps.io/euSCR/). Sonuç: Bir hastanın mortalite riskini öngörebilmede C4.5 karar ağacı modeli, kullanılan veri seti olan Dataset 1’de en iyi performansa sahip bir model olduğu belirlendi. Risk faktörlerinin sayısal değerlerini kullanmak, makine öğrenmesi modellerinin performansını artırmada yararlı olabilir. Bu çalışmadaki uygulamada olduğu gibi hastaneye özgü veri kullanılarak yerel değerlendirme sistemlerinin geliştirilmesi hem hastalar hem de doktorlar için yararlı olabilecektir.
Background: The objective of this study was to predict the mortality risk of patients during or shortly after cardiac surgery by using machine learning techniques and their learning abilities from collected data.Methods: The dataset was obtained from Acıbadem Maslak Hospital. Risk factors of the European System for Cardiac Operative Risk Evaluation (EuroSCORE) were used to predict mortality risk. First, Standard EuroSCORE scores of patients were calculated and risk groups were determined, because 30-day follow-up information of patients was not available in the dataset. Models were created with five different machine learning algorithms and two different datasets including age, serum creatinine, left ventricular dysfunction, and pulmonary hypertension were numeric in Dataset 1 and categorical in Dataset 2. Model performance evaluation was performed with 10-fold cross-validation.Results: Data analysis and performance evaluation were performed with R, RStudio and Shiny. C4.5 was selected as the best algorithm for risk prediction (accuracy= 0.989) in Dataset 1. This model indicated that pulmonary hypertension, recent myocardial infarct, surgery on thoracic aorta are the primary three risk factors that affect the mortality risk of patients during or shortly after cardiac surgery. Also, this model is used to develop a dynamic web application which is also accessible from mobile devices (https://elifkartal.shinyapps.io/euSCR/).Conclusion: The C4.5 decision tree model was identified as having the highest performance in Dataset 1 in predicting the mortality risk of patients. Using the numerical values of the risk factors can be useful in increasing the performance of machine learning models. Development of hospital-specific local assessment systems using hospital data, such as the application in this study, would be beneficial for both patients and doctors. ">
Amaç: Bu çalışmada amaç; makine öğrenmesi tekniklerini ve bu tekniklerin veriden öğrenme yeteneğini kullanarak kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastanın mortalite riskini öngörebilmektir. Çalışma planı: Veri seti Acıbadem Maslak Hastanesi'nden temin edildi. European System for Cardiac Operative Risk Evaluation (EuroSCORE) risk faktörleri, mortalite riskini tahmin etmek için kullanıldı. Hastaların 30 günlük takip bilgileri veri setinde mevcut olmadığından çalışmada ilk olarak Standart EuroSCORE puanları hesaplandı ve risk grupları belirlendi. Modeller; beş farklı makine öğrenmesi algoritması ile yaş, serum kreatinin, sol ventrikül disfonksiyonu ve pulmoner hipertansiyonun Dataset 1’de sayısal, Dataset 2’de kategorik olduğu iki farklı veri kümesiyle oluşturuldu. Model performans değerlendirmesi, 10-kat çapraz geçerleme ile yapıldı. Bulgular: Veri analizi ve performans değerlendirmesi R, RStudio ve Shiny ile gerçekleştirildi. C4.5 algoritmasıyla Dataset 1 üzerinde kurulan model risk tahmini için en iyi model olarak seçildi (doğruluk= 0.989). Bu model; pulmoner hipertansiyon, geçirilmiş miyokard enfarktüsü ve torasik aort cerrahisi niteliklerini bir hastanın mortalite riskini etkileyen ilk üç risk faktörü olduğuna işaret etmektedir. Ayrıca, bu model mobil cihazlardan da erişilebilen dinamik bir web uygulaması geliştirmek için kullanıldı (https://elifkartal.shinyapps.io/euSCR/). Sonuç: Bir hastanın mortalite riskini öngörebilmede C4.5 karar ağacı modeli, kullanılan veri seti olan Dataset 1’de en iyi performansa sahip bir model olduğu belirlendi. Risk faktörlerinin sayısal değerlerini kullanmak, makine öğrenmesi modellerinin performansını artırmada yararlı olabilir. Bu çalışmadaki uygulamada olduğu gibi hastaneye özgü veri kullanılarak yerel değerlendirme sistemlerinin geliştirilmesi hem hastalar hem de doktorlar için yararlı olabilecektir.
Machine learning techniques in cardiac risk assessment
Background: The objective of this study was to predict the mortality risk of patients during or shortly after cardiac surgery by using machine learning techniques and their learning abilities from collected data.Methods: The dataset was obtained from Acıbadem Maslak Hospital. Risk factors of the European System for Cardiac Operative Risk Evaluation (EuroSCORE) were used to predict mortality risk. First, Standard EuroSCORE scores of patients were calculated and risk groups were determined, because 30-day follow-up information of patients was not available in the dataset. Models were created with five different machine learning algorithms and two different datasets including age, serum creatinine, left ventricular dysfunction, and pulmonary hypertension were numeric in Dataset 1 and categorical in Dataset 2. Model performance evaluation was performed with 10-fold cross-validation.Results: Data analysis and performance evaluation were performed with R, RStudio and Shiny. C4.5 was selected as the best algorithm for risk prediction (accuracy= 0.989) in Dataset 1. This model indicated that pulmonary hypertension, recent myocardial infarct, surgery on thoracic aorta are the primary three risk factors that affect the mortality risk of patients during or shortly after cardiac surgery. Also, this model is used to develop a dynamic web application which is also accessible from mobile devices (https://elifkartal.shinyapps.io/euSCR/).Conclusion: The C4.5 decision tree model was identified as having the highest performance in Dataset 1 in predicting the mortality risk of patients. Using the numerical values of the risk factors can be useful in increasing the performance of machine learning models. Development of hospital-specific local assessment systems using hospital data, such as the application in this study, would be beneficial for both patients and doctors.
44. RStudio. shinyapps.io. Available at: http://www.shinyapps.io/. [Accessed: November 10, 2017].
43. RStudio. Shiny. Available at: https://shiny.rstudio.com/. [Accessed: November 10, 2017].
42. Chang W. Shinythemes: Themes for Shiny. 2016, Available at: https://CRAN.R- project.org/package=shinythemes. Accessed: November 10, 2017].
41. Chang W, Cheng J, Allaire JJ, Xie Y, McPherson J. Shiny: Web Application Framework for R. 2017. Available at: https:// CRAN.R-project.org/package=shiny. [Accessed: November 10, 2017].
40. Witten IH, Frank E. Data Mining: Practical machine learning tools and techniques. 2nd ed. San Francisco: Morgan Kaufmann; 2005.
39. Hornik K, Buchta C, Zeileis A. Open-source machine learning: R meets weka. Comput Stat 2009;24:225-32.
38. Wei B, Yang F, Wang X, Ge Y. knnGarden: Multi-distance based k-Nearest Neighbors, 2012, Available at: https:// CRAN.R-project.org/package=knnGarden. [Accessed: November 10, 2017].
37. Meyer D, Dimitriadou E, Hornik K, Weingessel A, Leisch F. e1071: Misc Functions of the Department of Statistics (e1071), TU Wien, 2017, Available at: https://CRAN.R-project.org/package=e1071. [Accessed: November 10, 2017].
36. RStudio, Take control of your R code. Available at: https://www.rstudio.com/products/rstudio/. [Accessed: November 10, 2017].
35. R-project, The R Project for Statistical Computing. Available at: http://www.r-project.org/. [Accessed: November 10, 2017].
34. Sokolova M., Lapalme G. A Systematic analysis of performance measures for classification tasks. Inf Proc Manage 2009;45:427-37.
33. Karabulut E, Alpar R. Lojistik regresyon, In: Alpar R, editör. Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. Ankara: Detay Yayıncılık; 2011. s. 591-660.
32. Dekhtyar A. CSC 466: Knowledge Discovery from Data - Distance/Similarity Measures. Available at: http://users.csc. calpoly.edu/~dekhtyar/560-Fall2009/lectures/lec09.466.pdf. [Accessed: November 10, 2017].
31. Gan G. Data Clustering in C++: An Object-Oriented Approach. Florida: CRC Press; 2011.
30. Balaban ME, Kartal E. Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları. 1. Baskı. İstanbul: Çağlayan Kitabevi; 2015.
29. Özkan Y. Veri madenciliği yöntemleri. İstanbul: Papatya Yayıncılık Eğitim; 2008.
28. Han J, Kamber M. Data mining: concepts and techniques (the Morgan Kaufmann Series in data management systems). 2nd ed. California: Elsevier; 2006.
27. EuroSCORE for patients. Available at: http://www.euroscore.org/patienteuroscore2.html. [Accessed: November 10, 2017].
26. Additive/logistic EuroSCORE interactive calculator. Available at: http://euroscore.org/calc.html. [Accessed: November 10, 2017].
25. Shearer C. The CRISP-DM model: the new blueprint for data mining. J Data Warehous 2000;5:13-22.
24. Tunca A. Predicting Risk of Mortality in Patients Undergoing Cardiovascular Surgery. Master of Science Thesis, Ankara: Bilkent University; 2008.
23. Lippmann RP, Kukolich L, Shahian D. Predicting the risk of complications in coronary artery bypass operations using neural networks. In: Tesauro G, Toretzky DS, Leen TK, editors. Advances in Neural Information Processing Systems 7. Cambridge: The MIT Press; 1995. p. 1055-62.
22. Tu JV, Weinstein MC, McNeil BJ, Naylor CD. Predicting mortality after coronary artery bypass surgery: what do artificial neural networks learn? The Steering Committee of the Cardiac Care Network of Ontario. Med Decis Making 1998;18:229-35.
21. Nouei MT, Kamyad AV, Sarzaeem M, Ghazalbash S. Developing a genetic fuzzy system for risk assessment of mortality after cardiac surgery. J Med Syst 2014;38:102.
20. Mohri M, Rostamizadeh A, Talwalkar A. Foundations of Machine Learning. London: The MIT Press; 2012.
19. Simon HA, Why should machines learn?. In: Michalski RS, Carbonell JG, Mitchell TM, editors. Machine learning: An artificial intelligence approach. Berlin: Springer; 1984. p. 25-37.
18. Alpaydın E. Introduction to Machine Learning. Cambridge: MIT Press; 2014.
16. EuroSCORE Project Group, EuroSCORE II. Available at: http://www.euroscore.org/calc.html. [Accessed: November 10, 2017].
15. Roques F, Michel P, Goldstone AR, Nashef SA. The logistic EuroSCORE. Eur Heart J 2003;24:881-2.
14. Roques F, Gabrielle F, Michel P, De Vincentiis C, David M, Baudet E. Quality of care in adult heart surgery: proposal for a self-assessment approach based on a French multicenter study. Eur J Cardiothorac Surg 1995;9:433-9.
13. Roques F, Nashef SA, Michel P, Gauducheau E, de Vincentiis C, Baudet E, et al. Risk factors and outcome in European cardiac surgery: analysis of the EuroSCORE multinational database of 19030 patients. Eur J Cardiothorac Surg 1999;15:816-22.
12. Nashef SA, Roques F, Michel P, Gauducheau E, Lemeshow S, Salamon R. European system for cardiac operative risk evaluation (EuroSCORE). Eur J Cardiothorac Surg 1999;16:9-13.
11. What is euroSCORE ? (for patients). Available at: http://www.euroscore.org/patient.htm. [Accessed: November 10, 2017].
10. What is euroSCORE ? Available at: http://www.euroscore. org/what_is_euroscore.htm. [Accessed: November 10, 2017].
8. Republic of Turkey Social Security Institution. Social Security Institution Declaration of Healthcare Implementation, (22.10.2014 Change Notification up-to-date 2013). Available at: http://www.sgk.gov.tr/wps/portal/sgk/tr/kurumsal/ merkez-teskilati/ana _ hizmet _ birimleri/gss _ genel _ mudurlugu/anasayfa_duyurular/duyuru_20141022_03. [Accessed: November 10, 2017].
7. Dişcigil B, Badak Mİ, Gürcün U, Boğa M, Özkısacık EA, Güneş TÜ. Açık Kalp Cerrahisi Sonuçlarının Avrupa Kardiyak Risk Skorlama Sistemi (Euroscore) ile Değerlendirilmesi. ADÜ Tıp Fakültesi Dergisi 2005;6:19-23.
6. Geissler HJ, Hölzl P, Marohl S, Kuhn-Régnier F, Mehlhorn U, Südkamp M, et al. Risk stratification in heart surgery: comparison of six score systems. Eur J Cardiothorac Surg 2000;17:400-6.
4. Akar AR, Kurtcephe M, Sener E, Alhan C, Durdu S, Kunt AG, et al. Validation of the EuroSCORE risk models in Turkish adult cardiac surgical population. Eur J Cardiothorac Surg 2011;40:730-5.
3. Turkish Statistical Institute. Türkiye İstatistik Kurumu Ölüm Nedeni İstatistikleri. 2016, 24572. Available at: http://www. tuik.gov.tr/PreHaberBultenleri.do?id=24572. [Accessed: November 10, 2017].
2. American Heart Association. New statistics show one of every three U.S. deaths caused by cardiovascular disease. Available at: http://newsroom.heart.org/news/new-statistics-show-one-of-every-three-u-s-deaths-caused-by-cardiovascular-disease. [Accessed: November 10, 2017].
1. World Health Organization, Cardiovascular diseases (CVDs). Available at: http://www.who.int/mediacentre/factsheets/ fs317/en/. [Accessed: November 10, 2017].