Nov, 2023

通过机器学习模型的比较分析改进心血管疾病预测：以心肌梗死为案例研究

HTML
PDF
TL;DR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。
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

  • 使用机器学习算法预测心脏病，减少调查时间

    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

  • 自动机器学习在心血管疾病检测中的效果研究

    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

  • 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

  • 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

  • 医疗预后中的机器学习应用：全面综述

    本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

    Aug, 2024

  • 优化ICU心力衰竭患者的死亡率预测：利用XGBoost和先进的机器学习与MIMIC-III数据库

    本研究解决了ICU心力衰竭患者死亡率预测不准确的问题。通过分析MIMIC-III数据库中1,177名患者的数据，采用了先进的特征选择方法和机器学习模型比较，发现XGBoost模型在AUC-ROC测试中表现优异，达到了0.9228，为临床提供了识别高风险患者的有效工具，潜在提高护理结果。

    Sep, 2024

  • 使用机器学习算法进行心脏病的分类和预测

    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

  • 使用一套机器学习模型预测冠心病

    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。

    Sep, 2024