Dergiler / Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi / 2018 / Cilt: 10 - Sayı: 1

Koroner Arter Hastalığı Riskinin Veri Madenciliği Yöntemleri İle İncelenmesi

Identification of Coronary Artery Disease Risk Using Data Mining Techniques

Sayfa
85–93
Yayın Tarihi
2017-01-29
DOI
—
🏛️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)

Çok katmanlı YSA algoritmasını Naive Bayes ve Düzenlenmiş J48 Karar Ağacı algoritmaları izlemiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde Kardiyovasküler Hastalıklar oldukça yaygındır ve ölüm nedenlerinin başında gelmektedir.
📊
Temel Bulgular & Veri:Bu nedenlerle daha ucuz ve etkili bir yaklaşım sağlayabilecek olan veri madenciliğinin kullanımı üzerinde çalışmalar yapılmaktadır.
💡
Sonuç & Katkı:Çok katmanlı YSA algoritmasını Naive Bayes ve Düzenlenmiş J48 Karar Ağacı algoritmaları izlemiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Antideprasan · ilaç etken maddesi · adsorpsiyon

Özet

Günümüzde Kardiyovasküler Hastalıklar oldukça yaygındır ve ölüm nedenlerinin başında gelmektedir. Kardiyovasküler Hastalıkların bir tipi olan Koroner Arter Hastalığının doğru ve zamanında teşhisi çok önemlidir. Koroner arter hastalığının kesin tanısı ve hastalık şiddetinin saptanmasında invaziv bir yöntem olan anjiyografi altın standart olarak kullanılmaktadır. Anjiyografi, maliyeti yüksek ve ileri seviyede uzmanlık gerektiren bir yöntem olmasının yanında ciddi komplikasyonlara da sebep olabilmektedir. Bu nedenlerle daha ucuz ve etkili bir yaklaşım sağlayabilecek olan veri madenciliğinin kullanımı üzerinde çalışmalar yapılmaktadır. Bu çalışmada Koroner Arter Hastalığı riskinin tespitinde bir sınıflama modeli geliştirmek için veri madenciliği yaklaşımı uygulanmıştır. Çalışma kapsamında sınıflandırma yöntemleri ile elde edilen sonuçlar ve doğru sınıflandırma oranları karşılaştırılmıştır. Bunun için Cleveland kliniğine ait, 303 kayıt ve 14 değişken içeren kalp hastalığı veri kümesi kullanılmıştır. Gerekli hesaplamalar ve modelleri elde etmek için Weka paket programında 1R, J48 Karar Ağacı, Naive Bayes ve Çok katmanlı yapay sinir ağı (YSA) sınıflandırma yöntemleri uygulanmıştır. Uygulama sonucunda Koroner Arter Hastalığının tespitinde en iyi sonucun %83,498 doğruluk oranı ile Çok katmanlı YSA sınıflandırma yöntemi ile elde edildiği görülmüştür. Çok katmanlı YSA algoritmasını Naive Bayes ve Düzenlenmiş J48 Karar Ağacı algoritmaları izlemiştir.

Abstract

Cardiovascular Diseases are quite common nowadays and are one of the leading causes of death. The correct and timely diagnosis of Coronary Artery Disease, a type of Cardiovascular Disease, is very important for further treatment of the patients. For accurate diagnosis of coronary artery disease and determination of disease severity, angiography, which is an invasive and gold standard diagnosis tool, is used. Angiography is a costly and advanced method that requires clinical expertise and may cause serious complications. For these reasons, research on using data mining techniques, which is a cheaper and more effective approach, for diagnosis is one of today's research topics. In this study, classification-based data mining methods were used to determine the risk of coronary artery disease and these methods were compared in terms of accuracy. A data set consisting of 303 patient records and 14 attributes of Cleveland clinic were used. In particular, 1R, J48 Decision Tree, Naive Bayes and Multilayer Artificial Neural Network classification methods were applied on this data set with the help of WEKA program. The best result (in terms of correct diagnosis ratio) in determining risk of Coronary Artery Disease was obtained with Artificial Neural Network classification method with an accuracy of 83.498%. The multi-layer ANN algorithm was followed by Naive Bayes and the J48 Decision Tree algorithms

🔖

Bu Makaleye Atıf Yap

CİHAN, Ş., KARABULUT, B., ARSLAN, G., CİHAN, G. (2017). Koroner Arter Hastalığı Riskinin Veri Madenciliği Yöntemleri İle İncelenmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, Cilt: 10 - Sayı: 1, 85–93. https://ajindex.com/articles/889469

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Abdullah, A. S. (2012). A Data Mining Model to Predict and Analyze the Events Related to Coronary Heart Disease using Decision Trees with Particle Swarm Optimization for Feature Selection. International Journal of Computer Applications, 55(8). Alizadehsani, R., Habibi, J., Hosseini, M. J., Mashayekhi, H., Boghrati, R., Ghandeharioun, A., Sani, Z. A. (2013). A Data Mining Approach for Diagnosis of Coronary Artery Disease. Computer Methods and Programs in Biomedicine, 111(1), 52-61.
  2. Alizadehsani, R., Hosseini, M. J., Sani, Z. A., Ghandeharioun, A., & Boghrati, R. (2012). Diagnosis of Coronary Artery Disease Using Cost-Sensitive Algorithms. In Data Mining Workshops (ICDMW), 2012 IEEE 12th International Conference on (pp. 9-16).
  3. IEEE. Anbarasi, M., Anupriya, E., & Iyengar, N. C. S. N. (2010). Enhanced Prediction of Heart Disease with Feature Subset Selection Using Genetic Algorithm. International Journal of Engineering Science and Technology, 2(10), 5370-5376.
  4. Avşar, A., Önder, Akçı., Beyter, M. E. (2011). Aterosklerozun Patogenezi (Aterogenez). Turkiye Klinikleri Journal of Cardiology Special Topics, 4(2), 1-15. Cardiovascular diseases (CVDs), http://www.who.int/mediacentre/factsheets/fs317/en/ (Erişim tarihi; Ekim, 2016).
  5. Ceylan, Y., Kaya, Y., & Tuncer, M. (2011). Akut Koroner Sendrom Kliniği ile Başvuran Hastalarda Koroner Arter Hastalığı Risk Faktörleri. Van Tıp Dergisi, 18(3), 147-54.
  6. Chen, A. H., Huang, S. Y., Hong, P. S., Cheng, C. H., & Lin, E. J. (2011, September). HDPS: Heart Disease Prediction System. In Computing in Cardiology, 2011 (pp. 557-560).
  7. IEEE. Çınar, H. ve Arslan, G., 2008. “Veri madenciliği ve CRISP-DM yaklaşımı”, XVII. İstatistik Araştırma Sempozyumu, 304-314,
  8. Ankara.
  9. De Flines, J., & Scheen, A. J. (2009). Management Of Metabolic Syndrome And Associated Cardiovascular Risk Factors. Acta Gastro-Enterologica Belgica, 73(2), 261-266.
  10. El-Bialy, R., Salamay, M. A., Karam, O. H., & Khalifa, M. E. (2015). Feature Analysis of Coronary Artery Heart Disease Data Sets. Procedia Computer Science, 65, 459-468.
  11. Erdoğan, N., Altın, L., Altunkan, Ş. (2002). Elektron Beam Tomografi ile Koroner Arterlerdeki Kalsiyum Miktar›n›n Saptanması. Tanısal ve Girişimsel Radyoloji, 8, 533-537.
  12. Griffin, B. P., Callahan T.D., Menon, V.(Eds.). (2012). Manual of Cardiovascular Medicine. Lippincott Williams & Wilkins. Mann, D. L., Zipes, D. P., Libby, P., & Bonow, R. O. (2014). Braunwald's Heart Disease: a Textbook of Cardiovascular Medicine. Elsevier Health Sciences. Ö