Kalp yetmezliği riskinin makine öğrenmesi yöntemleri ile analiz edilmesi
Analysis of heart failure risk with machine learning methods
- Tez No: 730163
- Danışmanlar: DR. ÖĞR. ÜYESİ AYŞE ELDEM
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 152
Özet
Kalp hastalıkları, damarlarda oluşan tıkanıklık, kanın vücuda pompalanamaması, oksijen eksikliği gibi birçok nedenden dolayı oluşabilen bir hastalık türüdür. Kişilerin kaliteli bir yaşam sürdürebilmesi için kalp hastalıkları ve türlerinin erken teşhis edilmesi ve hastalığın derecesinin belirlenmesi tedavide kolaylık sağlanması için önemli bir rol oynamaktadır. Uzman kişilerin karar verme süreçlerinde farklı çıkarımlar elde etmesinin önüne geçebilmek amacıyla yapay zeka modellerinin kullanımı hızla artmaktadır. Yapay zeka alanında makine öğrenmesi yöntemleriyle oluşturulan modellerin ortak ve objektif çıktılar elde edebilmesi sağlanmaktadır. Bu amaçla oluşturulan bu tez kapsamında kalp hastalıklarının teşhis edilebilmesi için makine öğrenmesi tabanlı sınıflandırma yöntemleri kullanılmıştır. Bu çalışmada açık erişime sahip UCI ve Kaggle veritabanından alınan Kalp Yetmezliği, Cleveland kalp hastalığı, Statlog kalp hastalığı ve Framingham kalp hastalığı veri setleri kullanılmıştır. KNN, Karar Ağaçları, Navie Bayes, Destek Vektör Makineleri, Rastgele Orman ve Lojistik Regresyon makine öğrenmesi algoritmaları 5 çapraz doğrulama yöntemi kullanılarak veri setlerine uygulanmıştır. Veri ön işlem adımı olarak standardizasyon ve normalizasyon tercih edilmiş olup doğruluk(accuracy), duyarlılık(recall), kesinlik(precision) ve f1 score performans ölçüm metrikleri ile sonuçlar karşılaştırılmıştır. Yapılan testlerde en yüksek başarı oranlarına ait doğruluk değerleri; Kalp Yetmezliği veri seti için %90, Cleveland veri seti için %88, Statlog veri seti için %85 ve Framingham veri seti için %83 ile Rastgele Orman algoritması kullanılarak elde edilmiştir. Bu çalışmaya ek olarak; modeli etkileyen özniteliklerin sonuç üzerindeki etkilerini inceleyen açıklanabilir yapay zeka yöntemlerinden LIME yöntemi, tez kapsamında ele alınarak incelenmiştir. Bireylerin kalp hastalığını etkileyen öznitelikler her bir veri seti için ayrı ayrı tespit edilmiştir.
Özet (Çeviri)
A type of disease caused by many reasons such as heart diseases, clogged arteries, inability of blood to pump and lack of oxygen. In order for people to lead a quality life, early diagnosis of heart diseases and their types and determining the degree of the disease play an important role in facilitating treatment. The use of artificial intelligence models is increasing rapidly in order to prevent experts from obtaining different inferences in decision-making processes. It is ensured that models created with machine learning methods in the field of artificial intelligence can obtain common and objective outputs. Within the scope of this thesis created for this purpose, machine learning-based classification methods have been used to diagnose heart diseases. Heart Failure, Cleveland heart disease, Statlog heart disease and Framingham heart disease datasets from the open access UCI and Kaggle databases were used in this study. KNN, Decision Trees, Navie Bayes, Support Vector Machines, Random Forest and Logistic Regression machine learning algorithms were applied to the data sets using 5 cross validation methods. Standardization and normalization were preferred as data preprocessing steps and the results were compared with accuracy, recall, precision and f1 score performance measurement metrics. The accuracy values of the highest success rates in the tests were obtained using the Random Forest algorithm with 90% for the Heart Failure dataset, 88% for the Cleveland dataset, 85% for the Statlog dataset and 83% for the Framingham dataset. In addition to this study; The LIME method, which is one of the explainable artificial intelligence methods that examines the effects of the features that affect the model on the result, has been examined within the scope of the thesis. The features that affect the heart disease of individuals were determined separately for each data set.
Benzer Tezler
- Detection cardiovascular diseases using machine learning algorithms
Makine öğrenmesi algoritmaları ile kardiyovasküler hastalıkların tahmin edilmesi
SIMA BEHBUDOVA
Yüksek Lisans
Türkçe
2023
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDURRAHİM AKGÜNDOĞDU
- Development of a modular pulmonary resuscitation device for chronic and acute respiratory support
Kronik ve akut solunum desteği için modüler pulmoner resüsitasyon cihazının geliştirilmesi
MUNAM ARSHAD
Doktora
İngilizce
2023
BiyofizikKoç ÜniversitesiBiyomedikal Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. İSMAİL LAZOĞLU
- Hemodiyalize giren pediatri hastalarında anemi sıklığı ve böbrek yetmezliği nedenleri
Frequency of anemia and causes of renal failure in pediatric patients undergoing hemodialysis
ZAINAB MOHAMMED ABED AL-KHUZAMEE
Yüksek Lisans
Türkçe
2023
HemşirelikKırşehir Ahi Evran ÜniversitesiÇocuk Sağlığı ve Hastalıkları Hemşireliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL ÜNLÜ
- Minimal invaziv ve robotik kalp cerrahisi yapılan hastalarda pacemaker implantasyonu ve uzun dönem pacemaker bağımlılığı oranları
Pacemaker implantation and long-term pacemaker dependence rates in patients undergoing minimally invasive and robotic cardiac surgery
ÖZKAN ERAVCI
Tıpta Uzmanlık
Türkçe
2023
KardiyolojiSağlık Bilimleri ÜniversitesiKardiyoloji Ana Bilim Dalı
PROF. DR. HASAN KUTSİ KABUL
- Neonatal Kolestaz tanılı olguların geriye dönük olarak incelenmesi
Retrospective analysis of children with neonatal cholestasis
FATMA SERCAN AYNACI
Tıpta Uzmanlık
Türkçe
2009
GastroenterolojiOndokuz Mayıs ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. AYHAN GAZİ KALAYCI