Makine öğrenmesi ile hipertansiyon olma riskinin öngörülmesi

Hipertansiyon, dünya genelinde önlenebilir ölüm sebepleri içerisinde en başta gelen risk faktörüdür. Hipertansiyon genellikle asemptomatik olarak karşımıza çıkar. Hipertansiyonu olan kişilerde sürekli yükselmiş kan basıncına maruz kalmak genellikle arteriyoskleroz, miyokard enfarktüsü ve felç gibi istenmeyen durumlara sebebiyet vermektedir Önemli bir küresel sağlık riski olan hipertansiyon, dünya genelinde 1,13 milyar kişiyi etkilemektedir. Fakat bireylerin hemen hemen yarısı hipertansiyonu olduğunu bilmemektedir. Bu sebeple, kardiyovasküler hastalıkların (KVH) meydana gelme ihtimalinin azaltılması ve kan basıncı değerlerinin optimum seviyede tutulması için hipertansiyon tanısını ve izlenmesini geliştirmek önemlidir. Bu hastalığın teşhisinde genellikle kan değerleri, fizik muayene bulguları, idrar tetkikleri, evde kan basıncı izlemi kullanılmaktadır. Bu tanı yöntemlerinin dışında, birçok alanda olduğu gibi, bu hastalığın tanısı için de bilgisayar destekli programlar kullanılmaktadır. Bu tez çalışmasının amacı, ilerleyen aşamalara kadar asemptomatik seyreden, genellikle komplikasyonlarla karşımıza çıkan, erken tespit edildiğinde komplikasyonların önüne geçilebilecek bir hastalık olan hipertansiyonun erken aşamada tanınabilmesi amacıyla makine öğrenmesi algoritmaları kullanılarak hipertansiyonun erken teşhis edilebilmesi ile bireyi doğru ve erken tedaviye yönlendirerek bireyi geç kalınmış teşhis ve bununla beraber gelen diğer hastalık risklerinden korumak, konforlu ve rahat bir yaşam sürebilmesine yardımcı olabilmektir. Bu çalışmadaki veri seti Isparta Süleyman Demirel Üniversitesi Aile Hekimliği Polikliniği'ne 01.01.2019-01.01.2023 tarihleri arasında başvuran hastalardan elde edilen verilerden hazırlanmıştır. Veri seti toplam 399 kişiden oluşmaktadır. Bu veri seti 34 parametreden oluşmaktadır. Bunlardan bir tanesi sınıf değişkenidir. Çalışmada HT erken aşamada tespit etmek için 4 farklı makine öğrenmesi algoritması kullanılmıştır. Bu algoritmaların performansları WEKA paket programı ile değerlendirilmiştir. Veriler %66 eğitim seti, %34 test seti şeklinde ayrılarak analiz edilmiştir. Analizler sonucundan en iyi performansı %80,147 doğruluk oranı ile SVM (Destek Vektör Makineleri) algoritması vermiştir. TP oranı: 0,801, FP Oranı: 0,202 ve ROC Alanı:0,800 olarak hesaplanmıştır. Çalışmayla ilgili uygulanan bütün algoritmalara ait bulgular çalışma içinde bulunan tablolarda detaylı olarak gösterilmiştir.