Görüntüleme
33
İndirme
7
Kalp yetmezliği, son yıllarda giderek yaygınlaşan kronik bir hastalıktır. Hastaların ölüm oranları çok yüksektir ve bu durum hastalığın en ciddi kalp hastalıklarından birisi olduğunu göstermektedir. Hastaların hayatta kalma oranı meme kanseri, prostat kanseri ve bağırsak kanseri gibi kanser türlerine göre daha düşüktür. Kalp yetmezliği ile yaşayan hastaların sağ kalımlarının tahmin edilmesinin kritik önemi vardır. Sağ kalım tahmini ile en önemli risk faktörlerinin belirlenmesi ve hastalığın erken aşamada teşhisi sağlanabilir. Veri madenciliği teknikleri son yıllarda klinik verilerin analiz edilmesi ve sınıflandırılması üzerinde büyük gelişim göstermiş, hekimlere ve hastalara faydalar sağlamıştır. Bu çalışmada kalp yetmezliği hastalarının sağ kalımlarının tahmin edilmesi amacıyla Naive Bayes, lojistik regresyon, çok katmanlı algılayıcı, destek vektör makineleri ve J48 karar ağacı sınıflandırma yöntemleri WEKA’da bulunan InfoGainAttributeEval, CfsSubsetEval ve ReliefFAttributeEval öznitelik seçim yöntemleri kullanılarak değerlendirme ölçütleri açısından karşılaştırılmıştır. Değerlendirme ölçütü olarak doğru sınıflandırma oranı, F-ölçütü ve Kappa istatistiği metrikleri kullanılmıştır. En yüksek sınıflandırma başarısına sahip sınıflandırıcı %90 doğru sınıflandırma oranı ile çok katmanlı algılayıcı olmuştur.
Heart failure is a chronic disease that has become more and more common in recent years. Patient death rates are very high and this condition indicates that the disease is one of the most serious heart disease. The survival rate of patients is lower compared to cancers such as breast cancer, prostate cancer and intestinal cancer. It is critical to predict the survival of patients with heart failure. The right survival estimate can provide the identification of the most important risk factors and the early diagnosis of the disease. Data mining techniques have shown great advances in the analysis and classification of clinical data in recent years, providing benefits to doctors and patients. In this study, in order to predict the survivors of heart failure patients, Naive Bayes, logistical regression, multi-layer detector, support vector machines and J48 decision tree classification methods were compared in terms of assessment criteria using InfoGainAttributeEval, CfsSubsetEval and ReliefFAttributeEval preference selection methods found in WEKA. The correct classification ratio, F-dimension and Kappa statistical metrics have been used as the evaluation measurement. The classifier with the highest classification success has been a multi-layer detector with a 90% correct classification rate.
Heart failure is a chronic disease that has become increasingly common in recent years. Patients’ mortality rates are very high, indicating that the disease is one of the most serious heart diseases. The survival rate of patients is lower than cancer types such as breast cancer, prostate cancer and bowel cancer. Predicting the survival of patients living with heart failure is critical. The most important risk factors can be determined and the disease can be diagnosed at an early stage via prediction of survival. Data mining techniques have made great progress in analyzing and classifying clinical data in recent years, providing benefits to physicians and patients. In this study, Naive Bayes, logistic regression, multilayer perceptron, support vector machines and J48 decision tree classification methods were compared in terms of evaluation metrics using InfoGainAttributeEval, CfsSubsetEval and ReliefFAttributeEval feature selection methods in WEKA. The accuracy rate, F-measure and Kappa statistics metrics were used as evaluation metrics. The classifier with the highest classification success was the multilayer perceptron with 90% correct classification rate.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
