基于机器学习的预测模型用于检测心血管疾病

科学领域:

• 心脏病学 心脏病学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 心血管疾病对全球健康构成重大挑战.
• 现有的检测方法需要进步,特别是在处理不平衡的数据集时,这可能会导致预测偏差.
• 早期发现心肌梗塞对于改善患者的治疗结果至关重要.

研究的目的:

• 为心脏病开发准确和有效的早期检测方法,重点是心肌梗塞.
• 解决心血管疾病预测模型中不平衡数据集的挑战.
• 评估各种机器学习和深度学习分类器用于心脏病检测的性能.

主要方法:

• 进行了全面的文献审查,以确定处理不平衡数据集的策略.
• 部署了七个机器学习和深度学习分类器:K-最近的邻居,支持向量机,物流回归,卷积神经网络,梯度提升,XGBoost和随机森林.
• 对于心血管疾病预测,XGBoost模型进行了细致微调.

主要成果:

• 微调的XGBoost模型实现了高性能指标:98.50%的准确性,99.14%的精度,98.29%的回忆率和98.71%的F1得分.
• 这项研究证明了XGBoost在提高心脏病诊断准确度方面的有效性.
• 在多个分类器中获得了性能见解,以便开发可靠的预测模型.

结论:

• 优化的机器学习模型,特别是XGBoost,显著提高了早期心脏病检测的准确性.
• 解决不平衡的数据集对于开发公正可靠的心血管疾病预测工具至关重要.
• 这项研究为开发心肌梗塞的先进诊断系统提供了坚实的基础.