Amaç: Bu çalışmada amaç; makine öğrenmesi tekniklerini ve bu tekniklerin veriden öğrenme yeteneğini kullanarak kalp ameliyatı sırasında ya da kalp ameliyatı geçirdikten kısa bir süre sonra hastanın mortalite riskini öngörebilmektir.

Çalışma planı: Veri seti Acıbadem Maslak Hastanesi'nden temin edildi. European System for Cardiac Operative Risk Evaluation (EuroSCORE) risk faktörleri, mortalite riskini tahmin etmek için kullanıldı. Hastaların 30 günlük takip bilgileri veri setinde mevcut olmadığından çalışmada ilk olarak Standart EuroSCORE puanları hesaplandı ve risk grupları belirlendi. Modeller; beş farklı makine öğrenmesi algoritması ile yaş, serum kreatinin, sol ventrikül disfonksiyonu ve pulmoner hipertansiyonun Dataset 1’de sayısal, Dataset 2’de kategorik olduğu iki farklı veri kümesiyle oluşturuldu. Model performans değerlendirmesi, 10-kat çapraz geçerleme ile yapıldı.

Bulgular: Veri analizi ve performans değerlendirmesi R, RStudio ve Shiny ile gerçekleştirildi. C4.5 algoritmasıyla Dataset 1 üzerinde kurulan model risk tahmini için en iyi model olarak seçildi (doğruluk= 0.989). Bu model; pulmoner hipertansiyon, geçirilmiş miyokard enfarktüsü ve torasik aort cerrahisi niteliklerini bir hastanın mortalite riskini etkileyen ilk üç risk faktörü olduğuna işaret etmektedir. Ayrıca, bu model mobil cihazlardan da erişilebilen dinamik bir web uygulaması geliştirmek için kullanıldı (https://elifkartal.shinyapps.io/euSCR/).

Sonuç: Bir hastanın mortalite riskini öngörebilmede C4.5 karar ağacı modeli, kullanılan veri seti olan Dataset 1’de en iyi performansa sahip bir model olduğu belirlendi. Risk faktörlerinin sayısal değerlerini kullanmak, makine öğrenmesi modellerinin performansını artırmada yararlı olabilir. Bu çalışmadaki uygulamada olduğu gibi hastaneye özgü veri kullanılarak yerel değerlendirme sistemlerinin geliştirilmesi hem hastalar hem de doktorlar için yararlı olabilecektir.

Keywords : Kardiyoloji; makine öğrenmesi; risk değerlendirmesi