Hasta sağlığı veri tabanı kullanarak veri madenciliğine dayalı kalp hastalığı tahmini

Veri madenciliği (VM), büyük verilerden alınan enformasyon içerisinden bilgi bulmak veya çıkartmak işlemine verilen addır. VM, veri tabanı içerisindeki Bilgi Keşfi (BK) işlemi içerisinde modeller bulmak için akıllı yöntemler kullanır. VM'nin insanlara büyük çaplı verileri anlama ve çözme konusunda yeni bir teknik ve iyi bir araç vereceği konusundaki inanış henüz netlik kazanmamış bir husustur. VM uygulaması içerisindeki geniş fonksiyon yelpazesi içerisinde sınıflandırma, kümeleme, regresyon kural jenerasyonu, sekans analizi ve ilinti bulmak vardır. Sınıflandırma VM'nin önemli tekniklerinden bir tanesidir. Dünyada bilim, ticaret, sanayi ve tıp gibi alanlardaki sorunların birçoğu bu yaklaşımların kullanımı ile çözülebilir. Sinir Ağları (SA) sınıflandırma için iyi bir enstrüman gibi görünmektedir. Kalp Hastalıkları (KH) veri tabanı çalışması SA yaklaşımı kullanılarak test edilmiştir. KH teşhisi kolay bir husus değildir ve çok fazla tecrübe ve bilgi gerektirir. KH öngörüsünde bulunmanın genel yöntemi doktor kontrolü veya ECG, Kalp MRI ve Stres Testi gibi farklı muayene yöntemleridir. Günümüzde kliniksel teşhisler ile ilgili birçok problemi çözebilmek adına 'Yapay Sinir Ağı' (YSA) yaygın olarak kullanılan bir tekniktir. YSA 'insan beyninin simülasyonudur ', gözetimli bir eğitimdir. Mevcut araştırma, SA tekniği ve Özellik Alt Küme Seçimi (ÖAKS) algoritması kullanarak sınıflandırma yapmak için hastalardan istenen biyomedikal testlerin sayısını optimize etmek veya düşürmeyi amaçlamaktadır. ÖAKS bir ön işleme aşamasıdır ve özellik sayısını azaltıp gereksiz verilerin çıkarılmasını amaçlamaktadır. KH değerleri kullanılır ve asıl olarak 13 özellik bulunmaktadır ve bu özellikler KH'yi sınıflandırmak için kullanılır. Özellik sayısını azaltmak veya optimize etmek için farklı değerlendirme ve araştırma yöntemleri belirlenmiştir. Bu araştırmada STALOG veri seti üzerinde bu iki çalışma uygulanmıştır. İlk çalışmada üç algoritma kullanılmıştır: Naïve Bayes (NB) 85.182 oranında bir doğruluk sağlamıştır. Öte yandan J84 oranı 91.4815 ve SA algoritma oranı 99.6296 olmuştur. Ancak, ikinci çalışmada NB 85.925 oranından elde etmiş ve J84 ise 91.4815oranından elde etmiştir. Son olarak, SA 99.2593 oranından elde etmiştir. Ayrıca, iki çalışmadaki SA algoritması doğruluğu, geçmiş çalışmalar ile karşılaştırıldığında en iyi sonuçları elde etmiştir.