应用监督学习算法和新的特征选择方法预测冠状动脉疾病
利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题;本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍,通过以弗雷明汉冠心病数据为案例,说明了如何选择概率阈值将回归模型转换为分类器,并比较了八种常用机器学习分类算法在不同训练 / 测试场景下的预测性能,以测试它们的普适性和可能引发的偏见问题;得到的研究结果表明,XGBoost 和支持向量机在不平衡数据集上训练存在缺陷,而双重判别式为 I 型是最具普适性的,它在各种训练 / 测试场景下都始终优于其他分类算法;最后,提出了一种用于分类算法的最佳变量层次结构提取方法,并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。
Feb, 2024
利用机器学习的集成方法在智能医疗监测系统中设计出一种电子诊断工具来诊断冠心病,结果表明集成分类器中的多层感知机、随机森林和 AdaBoost 是最优的,达到了 88.12% 的准确率,而且比其他所有分类器都表现更好。
Oct, 2022
医疗行业产生大量复杂临床数据,数据挖掘技术在诊断和预测医学数据集中的隐藏模式和知识方面表现出高效性和准确性,并且分类算法中的随机森林以 99.24% 的准确率被证明是预测心脏病的最佳算法。
Dec, 2023
该研究使用基于机器学习算法的集成分类器框架,结合多种性能度量方法,对一个包含多国心血管疾病个体的大型数据集进行研究,获得了 92.34% 的准确率,较现有研究表现更佳。
Jun, 2023
心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析:Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明,XGBoost 作为表现最佳的模型,显示了提高冠状动脉梗塞预测精确性的潜力。
Nov, 2023
通过使用 PCA 降维和混合遗传算法 (HGA) 进行数据聚类,本论文提出的方法可以以 94.06%的准确度预测早期心脏病,主要关键词为心脏病,UCI 机器学习,主成分分析,混合遗传算法和早期检测。
Jan, 2021
通过机器学习算法对冠心病风险进行分类,本研究开发了一种数据平衡和增强方法,提高了诊断准确性,对样本数量较少和数据不平衡的情况特别适用。实验结果显示,本方法的平均预测准确率为 95.36%,高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。
Aug, 2023
本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测,使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标,并通过一个堆叠式集成方法来评估临床决策支持系统的影响。
Apr, 2023
本研究比较了多种无监督特征选择方法以选择最佳 100 个特征,结果显示 Concrete Autoencoder 方法在重现特征空间和预测 90 天死亡率方面的表现优于其他方法。此外,该方法中 ICD 树的权重调整可降低特征的复杂性。
Mar, 2023