Redes generativas antagónicas y XGBoost optimizado por hiperparámetros para la predicción mejorada de enfermedades...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Ciencia de Datos

Sus antecedentes:

• La enfermedad cardíaca (EC) es una de las principales causas de mortalidad a nivel mundial, lo que requiere herramientas de diagnóstico avanzadas.
• Los datos clínicos a menudo sufren de sesgos y ruido, lo que dificulta el desarrollo de modelos predictivos fiables para la detección temprana de EC.

Objetivo del estudio:

• Proponer y evaluar un marco híbrido novedoso, GAN-XO, para la detección temprana de enfermedades cardíacas.
• Abordar el desequilibrio de datos y el ruido en los conjuntos de datos clínicos para mejorar el rendimiento del modelo predictivo.

Principales métodos:

• Se utilizó una Red Generativa Antagónica (GAN) para el sobremuestreo sintético para equilibrar los conjuntos de datos desequilibrados.
• Se implementó un proceso de detección y eliminación de valores atípicos en dos fases (z-score e IQR) para la limpieza de datos.
• Se empleó un clasificador XGBoost con optimización de hiperparámetros a través de Optuna para una predicción precisa.

Principales resultados:

• El sistema GAN-XO logró una alta precisión del 96,60 % y una puntuación F1 de 0,9649 en un conjunto de datos de prueba limpio y equilibrado.
• Los estudios de ablación confirmaron la contribución de cada componente, destacando el papel crítico de la eliminación de valores atípicos.
• El marco demostró una mejora significativa del rendimiento, mejorando la confiabilidad y la fiabilidad del modelo.

Conclusiones:

• Las predicciones sanitarias precisas dependen de sistemas de modelización integrados y una gestión rigurosa de la calidad de los datos.
• El marco GAN-XO ofrece un enfoque prometedor para mejorar la toma de decisiones clínicas para el diagnóstico temprano de enfermedades cardíacas.