增强心力衰竭患者的死亡预测：探索不平衡临床数据集的预处理方法

Sep, 2023

增强心力衰竭患者的死亡预测：探索不平衡临床数据集的预处理方法

Enhancing Mortality Prediction in Heart Failure Patients: Exploring Preprocessing Methods for Imbalanced Clinical Datasets

PDF

Hanif Kia, Mansour Vali, Hadi Sabahi

TL;DR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。

Abstract

heart failure (HF) is a critical condition in which the accurate prediction of mortality plays a vital role in guiding patient management decisions. However, clinical datasets used for →

heart failure mortality prediction preprocessing methods clinical datasets imbalanced distribution

发现论文，激发创造

一种改进的基于堆叠集成方法的心脏病预测

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

基于机器学习方法和诊断生物标志物增强的住院心力衰竭患者声音驱动的死亡预测

通过整合语音生物标志物，我们展示了一个强大而有效的机器学习模型，用于通过语音评估预测住院心力衰竭患者的死亡率，该模型的预测精度得到增强。

Feb, 2024

机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

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

可解释的 LightGBM 预测心肌梗死死亡率

在这篇文章中，我们研究了数据预处理任务的影响，并比较了三种集成增强树方法来预测心肌梗塞患者的死亡风险。此外，我们采用树 Shapley 加性解释方法，来识别执行预测所涉及特征之间的关系，利用所有可用数据进行分析。值得注意的是，我们的方法在与其他现有机器学习方法的比较中取得了卓越的性能，LightGBM 在无数据预处理的情况下的 F1-score 为 91.2％，准确度为 91.8％。

Apr, 2024

基于对比学习的基于电子健康记录的入院死亡风险模型中的填补与预测网络

通过使用电子健康记录（EHR）数据，基于对比学习模型的插补 - 预测网络预测住院死亡风险，提供患者健康状况的早期警告给医护人员，并解决 EHR 数据不规则性和缺失值的问题。实验表明，该方法在插补和预测任务中胜过当前的最先进方法。

Aug, 2023

发挥额外决策树特征选择和随机森林分类器的潜力，提高心力衰竭患者生存预测效果

利用数据预处理技术和 Extra-Tree 特征选择方法结合 Random Forest 分类器，提高心衰患者生存预测准确性。采用 UCL 心衰生存数据集进行特征选择和调优，获得了 98.33% 的最高准确率。

Aug, 2023

心血管疾病预测的集成框架

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

基于机器学习融合方法的二元和多分类心血管疾病严重性预测

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

利用电子健康记录自动预测精神疾病患者的死亡

使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

Oct, 2023

机器学习分类算法的比较及其在弗雷明翰心脏研究中的应用

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