AI Summary & Key Takeaways
AI InsightThe proposed system could be presented as continous learning web service to health automation systems.
📌 3 Key Takeaways
Abstract
Today a significant amount of human mortality is because of cardiac disease. These mortality could be reduced considerably by diagnosis on early stages. In this study we propose an artificial intelligence based early diagnosis system for cardiac disease prediction. For the research we utilized Cleveland and Z-Alizadehsani datasets. For Cleveland database which contains 76 attributes, 13 attributes selected in order to predict heart disease presence. For Z-Alizadehsani database which contains 55 attributes, all attributes are utilized for prediction. System implements not only basic classifiers as Naïve-Bayes, Linear Regression, Polynomial Regression, Support Vector Machine (SVM) but also ensemble classifer Random Forest and complex models like artificial neural network based multilayer perceptron. On cardiac disease prediction two cross validation techniques employed. Firstly 20 experiments processed for each method by utilizing holdout cross validation technique. Secondly K-fold (10 fold) cross validation is applied for all methods. Multiple Linear Regression with holdout cross validation has achieved best results as 0.91 accuracy for Cleveland dataset and 0.91 for Z-Alizadehsani dataset. For these two datasets when K fold is utilized 0.93 accuracy score achieved for both. Best result is obtained as 0.97 accuracy by SVM method with Z-Alizadehsani dataset. Generally it is observed that K fold method has better results than Holdout method. Detailed and comparable results of experiments are given in tables. Illnesses could be detected correctly in early phases by integrating these models to health systems like hospital otomations. The proposed system could be presented as continous learning web service to health automation systems.
Özet
Günümüzde insan ölümlerinin önemli bir kısmı kalp hastalıkları kaynaklıdır. Bu tür hastalıklar erken teşhis ile tedavi edildiğinde belirtilen ölüm oranları ciddi bir şekilde azalabilmektedir. Bu çalışmada Cleveland ve Z-Alizadehsani veri kümeleri için yapay zeka teknikleriyle kalp hastalığı teşhisi uygulamaları gerçekleştirilmiştir. Cleveland veri kümesi için yaş, cinsiyet, göğüs ağrı türü, kan basıncı, kolesterol, kan şekeri, elektrokardiyografi sonucu, en yüksek kalp atış hızı, indüklenen göğüs ağrısı, eski zirve, eğim, majör damar sayısı, tal isimleriyle ifade edilen 13 özellik yapay zeka tabanlı erken teşhis sistemine girdi özellikler olarak verilmiştir. Z-Alizadehsani veri kümesi için ise veritabanında bulunan 55 özelliğin tamamı aynı yapay zeka sistemine girdi özellik olarak kullanılmıştır. Önerilen yapay zeka sisteminde Naive-Bayes, Lineer Regresyon, Polinomiyal Regresyon, Destek Vektör Makinası (DVM) gibi basit sınıflandırıcıların yanı sıra bir topluluk sınıflandırma yaklaşımı olan Rassal Orman ve Yapay Sinir Ağı tabanlı Çok Katmanlı Algılayıcı (ÇKA) kullanılmıştır. Yapılan deneylerde 10 K katlama ve Bekletme (20 çalıştırma) çapraz doğrulama yöntemleri kullanılmıştır. Çoklu Lineer Regresyon yaklaşımı bekletme yöntemiyle Cleveland veri kümesi için 0.90’a kadar doğruluk değeri üretirken Z-Alizadehsani veri kümesi için 0.91’e kadar doğruluk değeri üretmiştir. K katlama çapraz doğrulama yöntemi uygulandığında ise bu değerler iki veri kümesi için de 0.93’e kadar doğruluk oranına ulaşmıştır. DVM yöntemi Cleveland veri kümesi için K katlama yöntemiyle 0.97 doğruluk oranıyla en yüksek sonucu vermiştir. Genel olarak K katlama yönteminin Bekletme yöntemine göre daha başarılı sonuçlar ürettiği gözlemlenmiştir. Deneylerin detaylı sonuçları ve literatürde yapılan çalışmlarla karşılaştırmalı sonuçları çizelgelerde verilmiştir. Çalışmada kullanılan modeller Türkiye’deki hastane otomasyonları gibi sistemlere entegre edilerek hastalıkların erken ve doğru teşhis edilmesi sağlanabilecektir. Önerilen sistem, ideale yakın bir düzeyde geliştirildiğinde sürekli öğrenen bir web servis olarak hastanelerin otomasyon sistemlerine sunulabilecektir.