使用SelectKBest的AI算法进行心脏病预测.

科学领域:

• 心血管疾病的研究研究.
• 医疗保健中的人工智能
• 机器学习用于医学诊断.

背景情况:

• 动脉样性心血管疾病 (ASCVD) 是全球主要的死亡原因.
• 目前用于心脏病预测的人工智能研究面临着数据多样性和模型可解释性的挑战.
• 早期发现心脏病对于降低死亡率至关重要.

研究的目的:

• 通过使用SelectKBest.Best提出一个人工智能驱动的心脏病预测模型.
• 为了解决当前AI心脏病预测方法的局限性.
• 为了提高心脏病诊断的准确性和解释性.

主要方法:

• 使用StandardScaler,SMOTE和SelectKBest.Best进行特征标准化,平衡和选择.
• 评估各种机器学习 (SVM,KNN,DT,LR,AB,NB,RF,ET) 和深度学习 (LSTM变体,DNN) 模型.
• 使用了Alizadeh Sani,结合 (克利夫兰,匈牙利,瑞士,长VA,斯塔洛格) 和巴基斯坦心力衰竭数据集.

主要成果:

• 与SelectKBest一起提出的深度神经网络 (DNN) 模型展示了有希望的心脏病预测.
• 在Alizadeh Sani上达到99%的未加权准确率,在综合数据集上达到98%的准确率,在巴基斯坦数据集上达到97%.
• 通过十倍交叉验证实验验验证了结果.

结论:

• 开发的AI方法,特别是DNN与SelectKBest,对于早期心脏病诊断是有效的.
• 该方法为基于人工智能的心血管疾病预测当前的挑战提供了潜在的解决方案.
• 这种方法可以帮助及时诊断和管理心脏病.