Integrative machine learning approaches for enhanced cardiovascular disease prediction: A comparative analysis of XGBoost and ANFIS algorithms

Kardiyovasküler hastalıklar (KVH'ler) dünya genelinde önde gelen ölüm nedenidir ve bu durum, hasta sonuçlarını iyileştirmek için gelişmiş tespit ve tanı yöntemlerine olan ihtiyacı vurgulamaktadır. Bu çalışma, kalp hastalığını tahmin etmede iki makine öğrenmesi algoritmasının, XGBoost ve Adaptif Nöro-Bulanık Çıkarım Sistemi'nin (ANFIS) etkinliğini çeşitli veri setlerinde araştırmaktadır. Çalışmada, UCI Makine Öğrenmesi Veritabanı'ndan alınan İsviçre, Cleveland, Macaristan, Long Beach VA ve Statlog Kalp veri setleri kullanılmış ve modelleme koşullarının tutarlılığını sağlamak amacıyla imputasyon, standardizasyon, one-hot encoding ve SMOTEENN gibi standart ön işleme teknikleri uygulanmıştır. Her iki model de kapsamlı bir şekilde eğitilmiş ve optimize edilmiştir. XGBoost, özellikle İsviçre ve Statlog veri setlerinde %100 doğruluk oranı elde ederek üstün başarı göstermiştir; ANFIS ise karmaşık desenleri modellemedeki gücünü, özellikle Cleveland veri setinde mükemmel doğruluk oranı elde ederek kanıtlamıştır. Doğruluk, kesinlik, geri çağırma, F1 skoru, F2 skoru ve ROC-AUC skoru gibi performans değerlendirmeleri, güvenilir KVH tanısı için XGBoost'un tutarlı yüksek kesinlik ve geri çağırma oranlarını vurgulamıştır. Buna karşın, ANFIS'in yüksek F2 skorları ile klinik ortamlarda, yanlış negatiflerin azaltılmasına vurgu yaparak, potansiyelini göstermiştir. Çalışma, XGBoost ve ANFIS gibi gelişmiş makine öğrenmesi modellerinin kardiyovasküler tanılarda kullanımının avantajlarını vurgulamakta ve bu modelleri iyileştirmek ve makine öğrenmesini kullanarak tıbbi tanılarda ilerleme kaydetmek amacıyla daha büyük ve daha çeşitli veri setleriyle daha fazla araştırma yapılmasını önermektedir.