Sağlık alanındaki hastalıkların erken teşhisi ve yönetimi günümüzde kritik bir öneme sahiptir. Bu karşılaştırmalı çalışma, inme riskinin belirlenmesi için çeşitli makine öğrenimi ve derin öğrenme teknikleri (Lojistik Regresyon, Karar Ağaçları, Rastgele Orman, Destek Vektör Makineleri, Evrişimsel Sinir Ağları, Uzun Kısa Süreli Bellek, İki Yönlü Uzun Kısa Süreli Bellek) kullanarak geliştirilen modelleri değerlendirmektedir. Elde edilen en yüksek doğruluk değerleri şu şekildedir: LR (0,96), KA (0,95), RO (0,95), DVM (0,96), ESA (0,9442), UKSB (0,9442), İY-UKSB (0,9442). Çalışmada, çeşitli klinik parametreleri içeren bir veri setini (healthcare-dataset-stroke-data/Fedesoriano) kullanılarak analiz yapılmıştır. Parametreler arasında yaş, cinsiyet, hipertansiyon, kalp hastalığı, evlilik durumu, çalışma tipi, ikamet türü, ortalama glikoz seviyesi, VKİ ve sigara kullanımı bulunmaktadır. Bu karşılaştırmalı çalışma, farklı makine öğrenimi ve derin öğrenme modellerinin inme riskini belirlemede etkinliklerini değerlendirerek, sağlık alanında önemli bir katkı sağlamayı hedeflemektedir.
Early diagnosis of diseases is crucial in the healthcare field, and early detection of stroke significantly contributes to the success of the treatment process. This study aims to identify the most accurate and effective model for early stroke diagnosis. While the literature primarily focuses on machine learning methods for early stroke detection, this research combines machine learning techniques with deep learning and hybrid models to achieve better results and compare them. The study employs machine learning methods such as Logistic Regression, Decision Trees, Random Forest, and Support Vector Machines, and deep learning methods including Convolutional Neural Networks, Long Short-Term Memory, and Bidirectional Long Short-Term Memory algorithms. Hybrid models integrating machine learning and deep learning algorithms are also explored. Analyses are performed on a dataset including clinical parameters like age, gender, hypertension, and heart disease. The highest accuracy rate is achieved with Logistic Regression following the Least Absolute Shrinkage and Selection Operator (LASSO) method, (96% accuracy) Support Vector Machines following the LASSO method (96% accuracy), and Ensemble Learning of Machine Learning Algorithms (Logistic Regression, Decision Trees, Random Forest, Support Vector Machines) (96% accuracy).
