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
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
该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。
Jun, 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。
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
通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。
Oct, 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
心血管疾病在研究中采用机器学习和本体论方法进行分类和性能评估。
May, 2024
本研究解决了心脏病预测工具成本高或适用性差的问题，提出了通过多种机器学习算法寻找最佳分类器的方法。研究发现，K最近邻算法是最有效的心脏病预测模型，这一结果为未来心脏病检测和治疗提供了重要参考。
Sep, 2024
本研究解决了冠心病早期诊断方法的局限性，包括侵入性、晚期检测和高成本等问题。研究引入了多个知名的机器学习算法，并对它们的性能进行了比较，最终发现经过过采样的随机森林模型提供了最高的准确率84%。该研究为冠心病的早期诊断提供了低成本和非侵入性的解决方案。