Sep, 2024

使用一套机器学习模型预测冠心病

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

    本文利用DNA位点级别上所采集的单核苷酸多态性（SNPs）数据，从数据科学的视角探讨了冠状动脉疾病的预测。研究中介绍了两种常用的监督学习算法和二维降维技术，分别进行了误差比较分析，结果表明新方法随机森林预测模型的准确率和ROC曲线的面积都比传统方法更优。

    Feb, 2014

  • 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

  • 智能决策支持集成投票模型用于智能医疗监测环境下冠状动脉疾病预测

    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

  • 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

  • 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

  • 冠状动脉疾病早期诊断AI框架：边界SMOTE、自编码器和卷积神经网络集成方法

    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

    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

  • 评估分类算法准确性以检测心脏疾病风险

    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

  • 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