Açıklanabilir yapay zeka modelleri ile kardiyovasküler hastalık tahmini

Yapay zeka teknolojileri mühendislik, savunma sanayi, eğitim gibi birçok alanda kullanıldığı gibi sağlık alanında da oldukça önemli bir popülerliğe ulaşmıştır. Kalp hastalıkları dünya genelinde ölümlerin önde gelen nedenlerinden biridir. Bu nedenle kalp hastalıkları risk faktörlerinin tanımlanması, hastalık riskinin doğru bir şekilde tahmin edilmesi önemlidir. Yapay zeka teknikleri ile veri kümeleri analiz edilerek hastalık tanısı, tedavisi ve öngörüsü konularında önemli bilgiler sağlamaktadır. Bu teknikler sağlık gibi yüksek riskli alanlarda kullanıldığında yalnızca yüksek doğruluk değil aynı zamanda tahminlerin altında yatan nedenlerin de açıklanabilir olması gerekmektedir. Bu sayede karar vericiler modelin iç işleyişini daha iyi anlayarak, verilen tahminlerin doğruluğunu ve geçerliliğini değerlendirme olanağına sahip olur. Bu çalışmada kalp hastalığı risk parametrelerinin yer aldığı açık erişimli veri setlerinden "Kalp Hastalığı" veri seti kullanılarak Lojistik Regresyon, Rastgele Orman, Aşırı Gradyan Arttırma (Extreme Gradient Boosting – XGBoost), Gradyan Artırma Algoritması (GradientBoost – GB), Hafif Gradyan Artırma Makineleri Sınıflandırıcısı (Light Gradient Boosting Machine – LightGBM) modellerinin, Özyinelemeli Özellik Seçme yöntemi (Recursive Feature Elimination – RFE) ile performans karşılaştırması yapılmıştır. Değerlendirme ölçütleri olarak doğruluk, kesinlik, duyarlılık ve F1 skoru kullanılmıştır. Değerlendirme sonucunda RFE uygulandıktan Lojistik Regresyon algoritması %91,67 doğruluk oranıyla en iyi yüksek doğruluk oranına ulaşmıştır. Açıklanabilir yapay zeka yöntemlerinden biri olan Shapley Katkı Açıklamaları (SHapley Additive exPlanations – SHAP) yöntemi kullanılarak veri seti öznitelik analizi yapılmıştır. Her bir özniteliğin hedef değişken üzerindeki pozitif veya negatif etkisi ile önem sıralaması gösterilmiştir.