Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi

Authors : Rukiye Uzun Arslan, İrem Şenyer Yapıcı

Pages : 35-47

View : 23 | Download : 33

Publication Date : 2024-07-30

Article Type : Research Paper

Abstract :Kalp yetmezliği (KY), insanların yaşam kalitesini etkileyen ve ciddi komplikasyonlara yol açabilen bir sağlık sorunudur. Hastalığın karmaşıklığı ve bireysel faktörlerin çeşitliliği, hastaların sağkalımlarının tahminini oldukça zorlaştırmaktadır. Ancak günümüzde, KY tanılı hastaların sağkalımlarını tahmininde makine öğrenimine (MÖ) dayalı karar destek sistemleri önemli bir rol oynamaktadır. Bu sistemler, hastaların genetik profilleri, klinik özellikleri ve tedavi yanıtları gibi birçok bilgiyi birleştirerek daha doğru tahminler yapılmasına yardımcı olmaktadır. Gerçekleştirilen çalışmada, KY hastalarının sağkalımını öngörmek için MÖ temelli bir model önerilmiştir. Model korelasyon temelli özellik seçimine göre belirlenen anlamlı özelliklerle oluşturulmuş ve yedi farklı MÖ sınıflandırıcısının performansı, on üç farklı yeniden örnekleme tekniği kullanılarak değerlendirilmiştir. Modellerin performansını belirlemek adına 80:20 hold-out tekniği kullanılmış ve başarımları beş farklı performans metriğine göre değerlendirilmiştir. Yapılan analizlerde doğruluk metriği açısından en yüksek başarım %82 ile EditedNearestNeighbours az örnekleme tekniğinin uygulanması durumunda XGBoost algoritmasıyla elde edilmiştir. Bu bulgular, MÖ algoritmalarının yanı sıra örnekleme tekniklerinin de KY hastalarının sağkalım tahmininde kritik bir rol oynadığını vurgulamaktadır.
Keywords : kalp yetmezliği, yeniden örnekleme teknikleri, sınıflandırma