Makine öğrenmesi sınıflama algoritmalarıyla kalp yetersizliği mortalitesinin tahminlenmesi

Abstract

Amaç: Bu tez çalışmasında sağlık alanında yapay zekâ (artificial intelligence, AI) literatürüne ve bu alanda çalışma yapmak isteyen araştırmacılara ilgili teorik alt yapıyı sunarak kalp yetersizliği mortalitesinin ML sınıflandırma algoritmalarıyla tahminlenmesi konusunda uygulama çalışması ile katkı sağlamak amaçlanmıştır. Yöntem: Makine Öğrenmesi (machine learning, ML) insan beyninin anlama kapasitesini aşan verileri anlamlı bir şekilde işlemek için gerekli olan temel teknolojidir. Geleneksel yaklaşımlar ile makine öğrenmi arasındaki temel fark, makine öğreniminde bir modelin kurallarla programlanmak yerine örneklerden öğrenmesidir. Tahmine dayalı doğruluğun kritik öneme sahip olduğu özellikle sağlık uygulamalarında olduğu gibi yüzlerce değişken ve birimler arasında istatistiksel modeller bulma işlemi ancak insanüstü bir performansla mümkün olabilmektedir. Bununla birlikte, bu modeller yeni tedavilerin geliştirilmesinin önemli rol oynayan temel tıbbi yöntemlerin veya risk faktörlerinin tanımlanmasına da yardımcı olmaktalardır. Ayrıca, özelleştirilmiş makine öğrenmesi modelleri hekimlerin girdiği tıp notları, tıbbi görüntüler, sensörlerden gelen izleme verileri ve yardımcı genomik veriler gibi modern klinik bakımdan üretilen karmaşık ve heterojen veri türlerinden öğrenmek için de çok uygundur. Kalp yetersizliği; kalbin, dokuların metabolik ihtiyaçlarını karşılayacak ölçüde oksijen sağlayamamasına neden olan işlevsel veya kardiyak yapısal bir bozukluk olarak tanımlanmaktadır. Kalpteki işlevsel ya da yapısal bozukluk sebepli hastalarda görünen klinik bir sendromdur. Kalp yetersizliği hayatı olumsuz etkileyen bir sağlık problemidir. Amerikan Kalp Birliği (American Heart Association) 2012-2030 yılları arası akut kalp yetersizliğinde yaklaşık olarak %46'lık bir artma öngörmüştür. Bu tez çalışmasında kalp yetersizliği mortalitesini tahmin etmek amacıyla makine öğrenmesi sınıflandırma yöntemlerinden olan yapay sinir ağı, destek vektör makinesi, naive bayes sınıflandırıcı, k en yakın komşuluk, lojistik regresyon, karar ağacı ve rasgele orman algoritmaları kullanılmıştır. Veri sayısını artırmak amacıyla sentetik veri türetme işlemi uygulanmıştır. Ayrıca model doğruluğunu artırma için çapraz doğrulama uygulanmıştır. Karmaşıklık matrisi ve ROC AUC (Receiver Operating Characteristic, Area Under The Curve) skoru ile model başarısı ölçülmüştür.Bulgular: Yapılan uygulama çalışmasında kalp yetersizliği mortalitesinde risk faktörlerinin hasta takip süresi, ejeksiyon fraksiyonu, serum kreatinin düzeyi ve hastanın yaşı olduğu tespit edilmiştir. Uygulama sonucunda %85.0 doğruluk, %78.1 duyarlık, %88.2 özgüllük ve %83.1 ROC AUC değerlerine Rasgele Orman algoritmasıyla ulaşılmıştır. Sonuç: Sonuç olarak kalp mortalitesinin tahminlenmesinde makine öğrenmesi sınıflandırma algoritmalarının kullanımı hekimlere karar destek mekanizması olarak önemli bir katkı sunma potansiyeline sahip olduğu görülmüştür.

Objective: In this thesis, it is aimed to contribute to the artificial intelligence (AI) literature in the field of health and to the researchers who want to work in this field, by presenting the relevant theoretical infrastructure, with an application study on the estimation of heart failure mortality with ML classification algorithms. Method: Machine Learning (ML) is the underlying technology needed to meaningfully process data that exceeds the human brain's comprehension capacity. The main difference between traditional approaches and machine learning is that in machine learning, a model learns from examples rather than being programmed with rules. Finding statistical models among hundreds of variables and units, especially in healthcare applications where predictive accuracy is critical, is only possible with superhuman performance. However, these models also help identify key medical modalities or risk factors that play an important role in the development of new treatments. In addition, customized machine learning models are well suited for learning from complex and heterogeneous data types generated by modern clinical care, such as physician-input medical notes, medical images, tracking data from sensors, and ancillary genomic data. Heart failure is defined as a functional or cardiac structural disorder that causes the heart to not be able to provide oxygen to meet the metabolic needs of the tissues. It is a clinical syndrome that appears in patients with functional or structural disorders in the heart. Heart failure is a health problem that negatively affects life. The American Heart Association predicted an approximately 46% increase in acute heart failure between 2012 and 2030. In this thesis, artificial neural network, support vector machine, naive bayes classifier, k nearest neighbor, logistic regression, decision tree and random forest algorithms, which are machine learning classification methods, were used to predict heart failure mortality. In order to increase the number of data, synthetic data derivation was applied. In addition, cross validation was applied to increase model accuracy. Model success was measured by confusion matrix and ROC AUC (Receiver Operating Characteristic, Area Under The Curve) score.Results: In the practice study, it was determined that the risk factors for heart failure mortality were the duration of patient follow-up, ejection fraction, serum creatinine level and age of the patient. As a result of the application, 85.0% accuracy, 78.1% sensitivity, 88.2% specificity and 83.1% ROC AUC values were reached with Randım Forrest algorithm.Conclusion: In conclusion, it has been seen that the use of machine learning classification algorithms in the estimation of cardiac mortality has the potential to provide an important contribution to physicians as a decision support mechanism.