Yapay zeka yöntemleri kullanılarak kalp yetersizliğinin tahmini

Bu tez çalışmasında, Macaristan'daki hastane kayıtlarından elde edilen 1099 örneklem ve 20 özellikli nispeten küçük bir veri üzerinde yapılan çalışmayı sunmaktadır. Çeşitli veri analiz yöntemleri uygulanarak, avantaj ve dezavantajlar sunulmuştur. Ayarlanmış bir SVM modelinin, ANNs, RF veya karar ağacı ile kıyaslandığında bir sınıflandırma probleminin doğruluğunu maliyet açısından daha iyi bir tahmin sonuçları olduğunu göstermektedir. Tez, R yazılım paketinde geliştirilen veri analiz yönteminden faydalanarak ve Yapay Sinir Ağları, RF ve SVM modelleri de dahil tahmin problemlerinde en çok kullanılan teknolojilerin tahminlerini ve performanslarını karşılaştırmaktadır. Sonuçlar, tıbbi teşhisler ve diğer uygulama türleri için tahminler yaparken SVM'nin ne kadar önemli olduğunu göstermektedir. Bu çalışmadan ve benzer çalışmalardan elde edilen sonuçlara göre hastane personeli daha iyi ekipmanlar kullanarak kabul edilen hastalara daha kaliteli hizmet sunabilirler. Hastaların hayatta kalma ve iyileşmesinde hayati bir rol oynar. Küçük bir hatanın çok riskli olabileceği, insan hayatıyla ilgili olduğu için, bu tür tahminler yapılırken doğruluk ve maliyetin çok daha üst seviyelerde olması gerekmektedir. Bu çalışmada SVM kullandığında büyük tahminlere ulaşılmıştır. Ayrıca, SVM modelini kullanarak ROC tarafından ölçülen üst düzey bir performans elde edilmiştir. Eldeki veri kümesinin en iyi modelini seçmenin ne kadar önemli olduğunu yukardaki paragraflardan görebiliriz. Kullanılması gereken R yazılım paketini, modellemeye geçmeden önce kontrol edilmesi gereken bir konudur. Tez çalışması R stüdyosunda R dili kullanarak yapılmıştır. Ancak Matlab ve Python da kullanılabilir. Tez verilen veri kümesi için R'yi yeterli bir yazılım adayı olarak sunmaktadır.