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

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

本研究使用机器学习技术构造了三个融合模型，在心脏病数据集上进行训练和预测，其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法，以预测心血管疾病的出现和严重程度，实验结果表明，这三个融合模型具有良好的分类性能，多类分类的最高准确率为 75%，二类分类的最高准确率为 95%。

Mar, 2022

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

这项研究利用支持向量机等机器学习技术分析疾病调查数据，通过实验结果发现该数据可在高达 80% 的准确率下预测心脏病，同时对数据进行特征选择可缩短调查时间 77%。

May, 2023

发展和应用以患者为导向的系统中，机器学习作为一种有前途的技术能够预测心血管疾病，本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性，结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性，还取决于数据的预处理技术，尤其是数据标准化。

Aug, 2023

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

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

通过使用合适的预处理技术和机器学习算法，研究在预测心力衰竭患者的死亡率方面对不平衡的临床数据集进行预处理的方法，以提高预测性能。研究结果表明，相比树模型，尤其是随机森林（RF）和 XGBoost（XGB），在 F1 评分和 MCC 上平均提高了约 3.6% 和 2.7%，从而显示出预处理方法在处理不平衡的临床数据集方面的效率。该研究有望引导医疗专业人员做出明智决策，并改善心力衰竭管理中的患者预后。

Sep, 2023