Dergiler / Engineering Sciences / 2026 / Cilt: 9 Sayı: 2

HİPERTANSİYONA ETKİ EDEN FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE İNCELENMESİ

DETERMINING AFFECTING FACTORS OF HYPERTENSION WITH DATA MINING TECHNIQUES

Sayfa
15–25
Yayın Tarihi
2014-03-01
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sınıflandırma algoritmalarından C4.5, Naive Bayes ve Çok Katmanlı Algılayıcının kullanıldığı bu çalışmada, C4.5 algoritmasının daha başarılı sonuçlar verdiği görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada 150 kişiden alınan; Yaş, Cinsiyet, Vücut Kütle İndeksi, HDL, LDL, Trigliserid, Ürik Asit ve Sigara Kullanımı verileri, veri madenciliği sınıflandırma yöntemleriyle incelenmiştir.
📊
Temel Bulgular & Veri:Ayrıca elde edilen sonuçlara göre bir karar ağacı oluşturularak, hipertansiyona doğrudan ve dolaylı olarak etki eden faktörler belirlenmiştir.
💡
Sonuç & Katkı:Sınıflandırma algoritmalarından C4.5, Naive Bayes ve Çok Katmanlı Algılayıcının kullanıldığı bu çalışmada, C4.5 algoritmasının daha başarılı sonuçlar verdiği görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hipertansiyon · Veri Madenciliği · C4.5

Özet

Bu çalışmada 150 kişiden alınan; Yaş, Cinsiyet, Vücut Kütle İndeksi, HDL, LDL, Trigliserid, Ürik Asit ve Sigara Kullanımı verileri, veri madenciliği sınıflandırma yöntemleriyle incelenmiştir. Veriler normal veya hasta olacak şekilde iki sınıfa ayrılmıştır. Böylelikle hipertansiyon hasta adaylarının, hipertansiyon olup olmadığını tahmin edecek bir teşhis sistemi geliştirilmiştir. Ayrıca elde edilen sonuçlara göre bir karar ağacı oluşturularak, hipertansiyona doğrudan ve dolaylı olarak etki eden faktörler belirlenmiştir. Sınıflandırma algoritmalarından C4.5, Naive Bayes ve Çok Katmanlı Algılayıcının kullanıldığı bu çalışmada, C4.5 algoritmasının daha başarılı sonuçlar verdiği görülmüştür.

Abstract

In this paper, Age, Gender, Body Mass Index, HDL, LDL, Triglyceride, Uric Acid and The Use of Smoking data gathered from 150 patients are analyzed with data mining classification algorithms. The data is divided into two different classes which are normal and patient. Thus, a diagnostic system is developed which predicts whether a candidate patient has hypertension or not. Besides, a decision tree is created and factors affecting hypertension directly and indirectly are determined. In this study, C4.5, Naive Bayes and Multilayer perceptron classification algorithms are used, and shown that C4.5 algorithm gives better results.

🔖

Bu Makaleye Atıf Yap

Kökver, Y., Barışçı, N., Çiftçi, A., Ekmekçi, Y. (2014). HİPERTANSİYONA ETKİ EDEN FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE İNCELENMESİ. Engineering Sciences, Cilt: 9 Sayı: 2, 15–25. https://doi.org/10.12739/NWSA.2014.9.2.1A0352

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Chae, Y.M., Ho, S.E.,Cho, K.W.,Lee, D.H., and Ji, S.E., (2001). Data mining approach to policy analysis in a health insurance domain. International Journal of Medical Informatics, Volume: 62, Issues: 2-3, ss: 103-111.
  2. Almazyad, A.S., Ahamad, M.G., and Siddiqui,M.K., (2010). Effective Hypertensive Treatment Using Data Mining In Saudi Arabia. Journal of Clinical Monitoring and Computing, Volume: 24, ss: 391-401.
  3. Chang, C.D., Wang, C.C., and Jiang, B.C., (2011). Using Data Mining Techniques For Multi-Diseases Prediction Modeling of Hypertension and Hyperlipidemia by Common Risk Factors. Expert Systems with Applications, Volume: 38, ss:5507-5513.
  4. Ture, M.,Kurt,I., Kurum, A.T., and Ozdamar, K., (2005). Comparing Classification Techniques for Predicting Essential
  5. Hypertension. Expert Systems with Applications, Volume: 29, ss: 583-5 Heart Disease and Stroke Statistics-2007 (2007). Update: A Report From the American Heart Association Statistics Committee and Stroke Statistics Subcommittee. Circulation. Volume: 115, ss: 69-171.
  6. Summary of 1993 World Health Organisation-International Society of Hypertension Guidelines for The Management of Mild Hypertension Subcommittee of WHO/ISH Mild Hypertension Liaison Committee. (1993). BMJ.Volume: 307, ss: 1541-1546.
  7. Şarlı, Ş., (2011). Hipertansiyon Hastalığı Olanlarda Tedaviye Uyum, Etkileyen Faktörler ve Yaşam Kalitesinin Değerlendirilmesi. Tıpta Uzmanlık Tezi, Kayseri: Erciyes Üniversitesi Tıp Fakültesi Halk Sağlığı Anabilim Dalı.
  8. Lenfant C., Aram V., Daniel W., and Roccella, E.J., (2003). The seventh report of the joint national committee on prevention, detection, evaluation, and treatment of high blood pressure (JNC -7 Report). Hypertension, Volume: 41, ss: 1178.
  9. Wang, J., (2006). Encyclopedia of Data Warehousing and Mining. Information Science Reference, Volume: 49, ss: 140.
  10. Özkan, Y., (2008). Veri Madenciliği Yöntemleri. İstanbul: Papatya Yayıncılık.
  11. Göktepe, A.B., Agar, E. and Lav, A.H., (2004). Comparison of Multilayer Perceptron and Adaptive Neuro-Fuzzy System on Backcalculating the Mechanical Properties of Flexible Pavements. ARI The Bulletin of the Istanbul Technical University, Volume: 54(3), ss: 65-77.
  12. Haykin, S., (2010). Neural Networks and Learning Machines, PHI Learning Private Limited,.
  13. Kökver, Y., (2012). Veri Madenciliğinin Nefroloji Alanına Uygulanması. Yüksek Lisans Tezi. Kırıkkale: Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü.
  14. Chang, C.D., Wang, C.C., and Jiang, B.C., (2011). Using Data Mining Techniques For Multi-Diseases Prediction Modeling of Hypertension and Hyperlipidemia by Common Risk Factors. Expert Systems with Applications, Volume: 38, ss:5507-5513.