AI Summary & Key Takeaways
AI InsightThe findings how that heart disease can be easily detected with a few basic data
📌 3 Key Takeaways
Abstract
Cardiovascular diseases cause an estimated 17.9 million deaths each year. Early diagnosis and treatments have an important place for heart diseases, which make up the majority of the total number of deaths. Studies carried out in the field of medicine for a long time have been made more successful by being supported by new techniques such as machine learning and artificial intelligence, thanks to the rapid rise of computer science in the last quarter century. In this study, machine learning techniques were applied on the sample data set to detect heart disease and the results were compared. First, the data set was analyzed. It has been noted which data may be indicative of heart disease. Then, a sample model was created using three different machine learning methods and individuals with heart disease were identified. When the obtained results are compared, it has been observed that the Random Forest algorithm is more successful with an accuracy rate of 88%. This was followed by Logistic Regression with 85% accuracy and kNN algorithm with 70% accuracy, respectively. The findings how that heart disease can be easily detected with a few basic data
Özet
Kardiyovasküler hastalıklar, her yıl tahminen 17.9 milyon can kaybına neden olmaktadır. Toplam ölüm miktarının büyük bir çoğunluğunu oluşturan kalp hastalıkları için erken tanı ve tedaviler önemli bir yer kapsamaktadır. Uzun zamandır tıp alanında gerçekleştirilen çalışmalar, son çeyrek yüzyılda bilgisayar bilimlerinin hızlı yükselişi sayesinde makine öğrenmesi ve yapay zekâ gibi yeni tekniklerle desteklenerek daha başarılı hale getirilmiştir. Bu çalışmada kalp rahatsızlığını tespit etmek için örnek veri seti üzerinde makine öğrenmesi teknikleri uygulanmış ve sonuçlar karşılaştırılmıştır. İlk olarak veri seti analiz edilmiştir. Hangi verilerin kalp rahatsızlığına dair işaretlerde bulunabileceği belirtilmiştir. Ardından üç farklı makine öğrenmesi yöntemleri kullanılarak örnek bir model oluşturulmuş ve kalp rahatsızlığı olan bireyler tespit edilmiştir. Elde edilen sonuçlar karşılaştırıldığında, Random Forest algoritması ile %88’lik bir doğruluk oranı ile daha başarılı olduğu gözlemlenmiştir. Bunu sırasıyla %85’lik bir doğrulukla ile Lojistik Regresyon ve %70’lik bir doğruluk ile kNN algoritması takip etmiştir. Bulgular, kalp rahatsızlığının temel birkaç veri ile kolayca tespit edilebileceğini göstermektedir.