Kalp Kateterizasyonu ile Hemodinamik Ölçümleri Saptanmış Atriyal Septal Defekt ve Ventriküler Septal Defektli Olguların Genetik Algoritmalar ve Çok Katmanlı Yapay Sinir Ağı ile Sınıflandırılması

Özet

Giriş: Bu çalışmada ventriküler septal defekt ve atriyal septal defekti, çeşitli hemodinamik verilerden faydalanarak ayırt edebilecek bir sınıflama yöntemi geliştirmektir. Hastalar ve Yöntem: Kalp kateterizasyonu ile hemodinamik ölçümleri alınmış 30 atriyal septal defekt ve 13 ventriküler septal defektli toplam 43 (26 kadın, 17 erkek) hasta çalışmaya dahil edildi. Sınıflandırma amacıyla hastaya ait çeşitli kan basıncı değerlerinin yanı sıra, cinsiyet, yaş bilgileri ve Qp/Qs oranları kullanılmıştır. Öncelikle, sınıflandırmada işe yarar öznitelikler diverjans analizi yöntemiyle elde edilmiştir. Bu öznitelikler sırasıyla; i) Pulmoner arter diyastolik basıncı, ii) Qp/Qs oranı, iii) Sağ atriyum basıncı, iv) Yaş, v) Pulmoner arter sistolik basıncı, vi) Sol ventrikül sistolik basıncı, vii) Aort ortalama basıncı, viii) Sol ventrikül diyastolik basıncı, ix) Aort diyastolik basıncı ve x) Aort sistolik basıncı olarak belirlenmiştir. Daha sonra, hastalardan elde edilmiş olan bu öznitelikler çok katmanlı yapay sinir ağına sunulmuş ve ağ genetik algoritma kullanılarak eğitilmiştir. Bulgular: Eğitim kümesi, atriyal septal defekt ve ventriküler septal defekt sınıflarından yedişer adet olmak üzere toplam 14 eleman içermektedir. Tüm başarı ortalaması %79.2 olup; yapay sinir ağının uygun eğitilmesiyle %89'a kadar çıkabilmektedir. Sonuç: Yapay sinir ağına ait ve klasik yöntemlerde kullanıcı tarafından girilmesi gereken parametreler genetik algoritmaların yardımıyla otomatik olarak bulunabilmektedir. Genetik algoritmalar ile yapay sinir ağının eğitilmesi sırasında hem ağın topolojisi hem de ağa ait ağırlıklar belirlenebilir. Test aşamasında, eğitim kümesi dışında kalan elemanlar test kümesi olarak belirlenmiş ve çalışma sonucunda çok katmanlı yapay sinir ağının başarılı bir biçimde eğitildiği ve sınıflama yapabildiği gözlemlenmiştir.