Heart disease diagnostic using data mining techniques

Abstract

Son zamanlarda, biyoteknoloji ve fitness bilimleri alanlarındaki devam eden yaklaşımlar nedeniyle büyük veri yığınları oluşturulmuştur. Elektronik Sağlık Kayıtlarında (EHR'ler) bulunan klinik bilgileri ve genetik verileri birleştirir. Öte yandan, birçok zorluğu önlemek için erken aşamada ekonomik yükleri omuzlarına yerleştirmenin yanı sıra insan sağlığını da inandırabilecek semptomları tanımak gerekmektedir. Son zamanlarda, birçok veri madenciliği prosedürü, sendromları etkili ve doğru bir şekilde tanımlayabilen otomatik operasyonların geliştirilmesinde hayati bir rol oynamıştır. Bu tezde, belirtileri tanımlamak için veri madenciliği prosedürlerini uygulayan bazı araştırma disiplinlerini sağlarız. Buna ek olarak, Karar Ağaçları (j48), Naïve Bayes, Çok Katmanlı Perceptron (ÇKP) ve Rastgele Orman (RO) gibi bir dizi iyi bilinen veri madenciliği metodu, kamuya açık kalp hastalıkları veri setini kullanarak sınıflandırma görevini gerçekleştirirken değerlendirilmiştir.

Lately, large masses of data have been generated due to the ongoing approaches in biotechnology and fitness sciences areas. It combines clinical information and genetic data which included in Electronic Health Records (EHRs). On the other side, it is required to recognize symptoms, which can wrongly convince the human health in addition to placing economic burdens on their shoulders, in an early stage to avoid many difficulties. Lately, several data mining procedures have played a vital role in developing automated operations that can identify syndromes efficiently and correctly. In this thesis, we satisfy some of the research disciplines that have employed either the data mining procedures for identifying symptoms. Additionally, a set of well-known data mining methods including Decision Trees (j48), Naïve Bayes, Multilayer Perceptron (MLP), and Random Forest (RF) has been assessed in performing the classification task using a publicly available heart diseases dataset.