Kardiyovasküler hastalık tahmininin veri madenciliği yöntemleri ile tespit edilmesi

Kardiyovasküler hastalıklar (KVH), dünya genelinde milyonlarca insanı etkileyen ve önde gelen ölüm nedenlerinden biridir. Dünya Sağlık Örgütü'ne göre, bu hastalıkların erken teşhisi tedavi ve önleme süreçlerini kolaylaştırabilir. Ancak mevcut tanı yöntemleri pahalı, zaman alıcı ve etkisiz olabilmektedir, bu da düzenli tıbbi takibi zorlaştırmaktadır. Bu soruna yanıt olarak, otomatik öğrenme ve yapay zekâ teknikleri doğru, hızlı ve düşük maliyetli tanılar sunma potansiyeli taşımaktadır. Bu çalışmada, Cleveland, Macaristan, İsviçre ve VA Long Beach'ten alınan 1.190 örnek içeren Kaggle veri seti kullanılmıştır (561 sağlıklı, 629 hasta). Veriler Python ile %80 eğitim ve %20 test olarak bölünmüştür. K-En Yakın Komşu, Karar Ağaçları, Rastgele Orman, Gradient Boosting, SVM ve Çok Katmanlı Algılayıcı algoritmaları eğitilmiş ve 10 katlı K-Fold çapraz doğrulama ile değerlendirilmiştir. Gradient Boosting, %93 doğruluk, kesinlik, duyarlılık ve F1 skoru ile en iyi performansı göstermiştir. Bu sonuçlar, yapay zekâ tabanlı tekniklerin KVH'lerin erken teşhisini kolaylaştırma ve hasta bakımını iyileştirme potansiyelini kanıtlamaktadır.