ScienceDirect Available online at

1. Introduction 
The heart failure basically means that the heart isn't pumping as well as it should be (AHA, 2017). Basically most 
of the heart failures arise because of coronary problems, high blood pressure and diabetes that damage the heart 
(NHLBI, 2017). The World Health Organization (WHO, 2017) estimated that around 17.7 million people lost their 
lives from cardiovascular diseases in 2015. This population represents 31% of the overall deaths. It is estimated that 
* Corresponding author. Tel.: [phone]; fax: [phone]. 
E-mail address: 
[e-mail] 
2
 
Kaan Uyar et al./ Procedia Computer Science 00 (2018) 000–000
7.4 million of the deaths are caused by coronary heart disease (13% of overall deaths) and 6.7 million are due to 
stroke.
Advances in medical field help to foresee the possibility of the heart failures that patients can come across later in 
their lives. It is strictly advised that all people including the ones feeling perfectly well should see a heart specialist 
twice a year to investigate the possible existence of any evidence that may cause a heart failure. Well-equipped 
health organizations can conduct many tests that include blood tests, chest X-Rays, magnetic resonance imaging 
(MRI) electrocardiogram, echocardiography, physical examination, exercise stress test, cardiac catheterization 
radionuclide ventriculography or multiple-gated acquisition scanning (MUGA) that revile various valuable 
information helping medical doctors in their diagnosis and their views on the patient’s heart failure risk level. (AHA, 
2017). 
In addition to the conventional methods there are several decision support systems that uses computational 
techniques namely artificial neural network (ANN), fuzzy logic, neuro-fuzzy, machine learning and etc. were used 
for the diagnose of heart diseases. Polat et al. (2006) used fuzzy weighted pre-processing and artificial immune 
recognition system to diagnose the heart diseases. Das et al. (2009) developed SAS base software to diagnose heart 
diseases. Ba
ş
çiftçi and Incekara (2011) proposed a web based medical decision support system with Boolean 
functions minimization to diagnose heart diseases. Anooj (2013) worked on a weighted fuzzy rule-based decision 
support system. Amiri and Armano (2013) proposed a method to segment heart sounds, where classification and 
regression trees are used. Nahar et al. (2013a) presented computational intelligence techniques to detect heart 
diseases. Nahar et al. (2013b) applied association rule mining to show the elements contributing to heart disease in 
both male and female patients. De Falco (2013) used an approach based on Differential Evolution (DE) to classify 
the items in medical databases. Bouktif et al. (2014) proposed a method using combination of classifiers involving 
Ant Colony Optimization and applies it on Bayesian classifiers to be used for heart disease and cardiotography-
based predictions. Kim et al. (2014) proposed a fuzzy rule-based adaptive coronary heart disease prediction support 
system. Hedeshi and Abadeh (2014) used PSO algorithm including a boosting technique to extract rules to classify 
the coronary artery disease in a patient. Shaoa et al. (2014) proposed a hybrid model consist of logistic regression, 
multivariate adaptive regression splines, an ANN and a rough set technique for heart disease classification. Jabbaret 
al. (2014) developed a method that uses alternating decision trees for early identification of heart diseases. 
Alsalamah et al. (2014) introduced the radial basis function networks with a Gaussian function as a classifier of heart 
problem data evaluation.
Olaniyi et al. (2015) proposed model on a multilayer neural network trained with backpropagation and simulated 
on feedforward neural network. Jabbar et al. (2015) used feature selection methods to make improvements on 
accuracy of naïve bayes classification. Paul et al. (2015) proposed a DMS-PSO system where some critical attributes 
are selected to aid the diagnosis of heart diseases. Nguyen et al. (2015) used wavelet transformation and interval 
type-2 fuzzy logic system to classify medical data. Paul et al. (2016) introduced a fuzzy decision support system for 
the prediction of heart disease's risk level using genetic algorithms. Miao et al. (2016) proposed an ensemble 
machine learning technology to utilize an adaptive Boosting algorithm to diagnose heart diseases. Reddy and Khare 
(2017) designed a hybrid OFBAT with Rule-Based Fuzzy Logic heart disease diagnosis system. Samuel et al. (2017) 
present decision support system based on ANN and Fuzzy_AHP to predict possible risks of a heart failure. Sagir and 
Sathasivam (2017) used ANFIS Matlab’s built-in model and an ANFIS model with Levenberg-Marquardt algorithm 
to predict the potentials of the heart diseases. 
In this study, genetic algorithm (GA) based trained recurrent fuzzy neural networks (RFNN) approach expressed 
by Uyar (2006) and Aliev et al. (2007, 2008) was used for diagnoses of the heart diseases. The rest of this paper is 
organized as follows: methodology described in Section 2, the results of the study presented in Section 3 and finally 
the conclusion with some thoughts on the future work presented.