Modelo predictivo de conjunto basado en aprendizaje automático para la prevención de enfermedades cardiovasculares

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en Medicina
• Salud Pública

Sus antecedentes:

• Las enfermedades cardiovasculares (ECV) representan una de las principales causas de mortalidad a nivel mundial, con un aumento notable de la incidencia en la India.
• Los modelos actuales de aprendizaje automático (ML) para la predicción de ECV enfrentan limitaciones debido al tamaño del conjunto de datos y la generalización, lo que afecta su robustez.

Objetivo del estudio:

• Desarrollar un modelo de predicción de ML mejorado para la detección de ECV utilizando métodos de conjunto.
• Mejorar la precisión y la robustez de los modelos de predicción de ECV aprovechando extensos conjuntos de datos clínicos.

Principales métodos:

• Se consolidaron seis conjuntos de datos que comprenden 7.916 registros clínicos, divididos en Conjunto de datos 1 (n=3.676) y Conjunto de datos 2 (n=4.240) según las características.
• Se aplicó clasificación binaria y multiclase para el Conjunto de datos 1, y clasificación binaria (riesgo a 10 años) para el Conjunto de datos 2, siguiendo un preprocesamiento idéntico y un análisis exploratorio de datos.
• Se desarrollaron 18 modelos de ML distintos, se seleccionaron los 10 de mejor rendimiento utilizando LazyPredict y se integraron en un modelo de conjunto a través de Voting Classifier.

Principales resultados:

• Se logró una precisión del 96,5 % para la clasificación binaria y del 85,5 % para la clasificación multiclase en el conjunto de datos 1.
• Se obtuvo una precisión del 81,18 % para la predicción del riesgo de ECV a 10 años del conjunto de datos 2.
• El marco de conjunto demostró un rendimiento superior en comparación con los modelos de ML tradicionales y existentes.

Conclusiones:

• El marco de ML de conjunto propuesto mejora significativamente la precisión y la estabilidad de la predicción de ECV.
• El estudio proporciona un soporte de decisiones mejorado para la detección de ECV, mitigando el sesgo a través de un modelado robusto.
• Este enfoque aborda las limitaciones del tamaño del conjunto de datos y la generalización en los sistemas actuales de predicción de ECV basados en ML.