一种基于集群的整体方法来预测先天性心脏病的预测
1Sri Guru Tegh Bahadur Khalsa College, University of Delhi, Delhi, India.
Computer methods and programs in biomedicine
|November 20, 2023
概括
这项研究开发了一种新的数据分析模型,用于预测孕妇先天性心脏病 (CHD) 风险. 该模型通过有效处理不平衡和缺失的数据,改善现有方法,实现了99%的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 数据挖掘 数据挖掘
- 机器学习 机器学习
背景情况:
- 先天性心脏病 (CHD) 是常见的出生缺陷,但使用人口数据的风险因素和预测模型尚未得到充分研究.
- 现有的研究经常与不平衡的数据集扎,阻碍了准确的CHD风险预测.
研究的目的:
- 开发一个可靠的数据分析模型来预测心脏病风险,解决缺失和不平衡数据的挑战.
- 为了有针对性的分析,识别和创建具有共同生活方式特征的孕妇队伍.
主要方法:
- 基于员工密度的应用程序与噪音的空间聚类 (DBSCAN) 用于队列识别.
- 利用随机森林进行CHD预测,结合DBSCAN生成的集群.
- 应用 k-NN 对缺失数据的归算和 SMOTE 用于平衡不平衡的数据集.
主要成果:
- DBSCAN确定了三个不同的患者队列.
- 集群方法显著提高了随机森林模型用于CHD预测的准确性.
- 该模型实现了99%的准确性和0.91 AUC,超过了最先进的方法.
结论:
- 通过DBSCAN进行无监督学习为CHD预测分类器提供了宝贵的见解.
- 拟议的数据驱动方法提高了分类性能,并揭示了复杂的影响因素.
