使用堆叠组合方法改善糖尿病患者的分类与PIMA和当地医疗保健数据
Md Shamim Reza1, Ruhul Amin1, Rubia Yasmin1
1Department of Statistics, Pabna University of Science and Technology, Pabna, 6600, Bangladesh.
Heliyon
|February 5, 2024
概括
这项研究引入了用于早期糖尿病检测的新型堆叠组合模型,达到高达95.50%的准确性. 这些机器学习方法提高了疾病分类,并可能有助于及时管理糖尿病.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 计算生物学 计算生物学
背景情况:
- 糖尿病是一种全球性健康挑战,患有高比例未诊断病例.
- 早期诊断和管理对于预防或延迟糖尿病并发症至关重要.
- 机器学习和深度学习为改善疾病检测提供了有希望的途径.
研究的目的:
- 开发和评估基于堆叠的组合模型,用于早期糖尿病类别.
- 通过结合多个模型的预测来提高分类的准确性和稳定性.
- 在各种数据集上评估拟议模型的性能,包括现实世界的临床数据.
主要方法:
- 提出了两种基于堆叠的组合模型:经典和深度神经网络 (NN) 堆叠.
- 利用PIMA印度糖尿病数据集,模拟数据和当地医疗保健机构数据.
- 雇员列车测试分割和交叉验证 (CV) 用于模型验证.
主要成果:
- 在使用5倍CV对模拟数据的3个NN架构的堆叠组合中,获得的最高精度为95.50%.
- 对于皮马印度糖尿病数据集,堆叠精度达到75.03% (火车测试) 和77.10% (CV).
- 提出的方法在初级数据集上显示出高性能,准确度在92%至95%之间,F1分数在88%至96%之间.
结论:
- 开发的堆叠组合模型显示了准确和强大的早期糖尿病检测的巨大潜力.
- 提出的方法和数据集可以推进医疗保健中用于糖尿病管理的机器学习应用.
- 这项工作有助于早期识别和治疗糖尿病,改善患者的治疗结果.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.1K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.0K
