クラスタリング・カム・リグレッションベースのモデルと,心臓病の早期予測のためのパフォーマンス分析

科学分野:

• バイオメディカルエンジニアリング
• 医療における機械学習
• データサイエンス データサイエンス

背景:

• ワイヤレスボディエリアネットワーク (Wireless Body Area Networks, WBAN) は,リアルタイムの健康モニタリングと病気の早期予測に不可欠です.
• 心臓病の正確で効率的な予測は,医療における重要な課題であり続けています.

研究 の 目的:

• 先進的な回帰技術とK-Meansクラスタリングを統合することによって,心臓病の予測のための新しいハイブリッドアプローチを導入する.
• 心臓の健康モニタリングにおける予測精度とモデル解釈性を向上させる.

主な方法:

• K-Meansのクラスタリングを使用して,12の重要な心臓の健康パラメータのパターンを特定しました.
• 予測分析のために,ランダムフォレストを含む高度な回帰モデルを使用しました.
• ハイブリッドのアプローチを決定樹回帰,K-Nearest Neighbor,Support Vector Machineのモデルと比較した.

主要な成果:

• 提案されたハイブリッドモデルは,91%の予測精度を達成し,従来の方法を上回った.
• リコール (0.8864),特異性 (0.9583),F1スコア (0.8977),およびROC-AUC (0.9155) の有意な改善が示されました.
• K-Meansクラスタリングは,強固な特性の選択を容易にし,モデルの解釈性を改善しました.

結論:

• ハイブリッドのK-Meansクラスタリングとランダムフォレスト回帰モデルは,心臓病の予測に優れ,堅牢なソリューションを提供します.
• このアプローチは,現実世界の医療アプリケーションにスケーラブルで信頼性があります.
• この方法は,モデルの複雑性を高めることなく,有意な量的なパフォーマンスの向上をもたらします.