Son yıllarda yapılan araştırmalar ve istatistikler ani yaşam kayıplarının yüzde 46,2’si (17,5 milyon) kalp ve damar hastalıkları nedeni yaşandığını göstermektedir.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Son yıllarda yapılan araştırmalar ve istatistikler ani yaşam kayıplarının yüzde 46,2’si (17,5 milyon) kalp ve damar hastalıkları nedeni yaşandığını göstermektedir.
📊
Temel Bulgular & Veri:Bu nedenle erken teşhis ve müdahalenin önemli olduğu bu tür hastalıkların basit ve kolay bir takım testler ile hastanın rutin kontrolü son derece önemlidir.
💡
Sonuç & Katkı:Bu çalışmada destek vektör makinası ve ileri yayılımlı YSA tahmin algoritmalarının kalp hastalığının erken teşhisinde kullanılabilir olduğu önerilmiş ve kullanılmıştır. 170 adet kişiden alınan veriler kişisel ve tıbbi veriler kullanılarak yapılan çalışmada İleri yayılımlı YSA ile % 83.33, destek vektör makinası algoritması ile de % 91.67’lik bir doğrulukta kalp hastalığının varlığının tespiti başarılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:170 adet
⚙️Değişkenler:yapay sinir ağları · destek vektör makinası · kalp rahatsızlığı tahmi
Özet
Son yıllarda yapılan araştırmalar ve istatistikler ani yaşam kayıplarının yüzde 46,2’si (17,5 milyon) kalp ve damar hastalıkları nedeni yaşandığını göstermektedir. Bu nedenle erken teşhis ve müdahalenin önemli olduğu bu tür hastalıkların basit ve kolay bir takım testler ile hastanın rutin kontrolü son derece önemlidir. Bu çalışmada destek vektör makinası ve ileri yayılımlı YSA tahmin algoritmalarının kalp hastalığının erken teşhisinde kullanılabilir olduğu önerilmiş ve kullanılmıştır. 170 adet kişiden alınan veriler kişisel ve tıbbi veriler kullanılarak yapılan çalışmada İleri yayılımlı YSA ile % 83.33, destek vektör makinası algoritması ile de % 91.67’lik bir doğrulukta kalp hastalığının varlığının tespiti başarılmıştır.
OZCAN, İ., TASAR, B., TATAR, A. B., YAKUT, O. (2019). Destek Vektör Makinasi Algoritması ile Kalp Hastalıklarının Tahmini. Bilgisayar Bilimleri, Cilt: 4 - Sayı: 2, 74–79. https://ajindex.com/articles/743220
Bajaj, P., Choudhary, K. and Chauhan, R. (2015) Prediction of Occurrence of Heart Disease and Its Dependability on RCT Using Data Mining Techniques. Advances in Intelligent Systems and Computing, Springer India, 340, 851-858.
Beheshti, Z., Shamsuddin, S.M., Beheshti, E. and Yuhaniz, S.S. (2014) Enhancement of Artificial Neural Network Learning Using Centripetal Accelerated Particle Swarm Optimization for Medical Diseases Diagnosis. Soft Computing, 18, 2253-2270. http://dx.doi.org/10.1007/s00500-013-1198-0
Das, R., Turkoglu, I. and Sengur, A. (2009) Effective Diagnosis of Heart Disease through Neural Networks Ensembles. Expert Systems with Applications, 36, 7675-7680. http://dx.doi.org/10.1016/j.eswa.2008.09.013
Howard D., Mark B., (2014). Neural Network Toolbox For Use with MATLAB®,Issue-6, The MathWorks, Inc.3 Apple Hill Drive Natick, MA 01760-2098Global Action Plan for The Prevention and Control of NCDs 2013-2020 WHO 2013. http://www. who.int/ nmh/publications/ncd-action-plan/en/ (Global Action Plan 2013-2020) (Erişim Haziran 2014) Global Status Report on Noncommunicable Diseases 2014, WHO, http://apps.who.int/iris/bitstream/10665/148114/1/9789241564854_eng.pdf?ua=1 (Erişim tarihi Mayıs 2015)
Kahramanli, H. and Allahverdi, N.(2008) Design of a Hybrid System for the Diabetes and Heart Diseases. Expert Systems with Applications, 35, 82-89. http://dx.doi.org/10.1016/j.eswa.2007.06.004
Kumari, M. and Godara, S. (2011) Comparative Study of Data Mining Classification Methods in Cardiovascular Disease Prediction 1. International Journal of Computer Science and Technology, 2, 304-308.
Mazurowski, M.A., Habas, P.A., Zurada, J.M., Lo, J.Y., Baker, J.A. and Tourassi, G.D. (2008) Training Neural Network Classifiers for Medical Decision Making: The Effects of Imbalanced Datasets on Classification Performance. Neural Networks, 21, 427-436. http://dx.doi.org/10.1016/j.neunet.2007.12.031
Pal, M., Foody, G.M., (2010), Feature selection for classification of hyperspectral data by SVM, IEEE Transactions on Geoscience and Remote Sensing, 48(5), 2297–2307.
Peker, M., (2016) A decision support system to improve medical diagnosis using a combination of k-medoids clustering based attribute weighting and SVM, Journal of Medical Systems, 40: 116. doi:10.1007/s10916-016-0477-6
Purwar, A. and Singh, S.K. (2015) Hybrid Prediction Model with Missing Value Imputation for Medical Data. Expert Systems with Applications, 42, 5621-5631. http://dx.doi.org/10.1016/j.eswa.2015.02.050 Shao,