ML-CKDP:基于机器学习的慢性病预测,使用智能网络应用程序

科学领域:

• 科和医疗信息学
• 人工智能在医疗保健中的应用
• 数据科学用于疾病预测和预测.

背景情况:

• 慢性病 (CKD) 对健康构成重大风险,需要早期诊断才能有效管理.
• 机器学习 (ML) 为提高医疗保健中的预测诊断提供了强大的工具.
• 目前的诊断方法可以通过先进的计算方法来改进.

研究的目的:

• 开发一种基于机器学习的病预测模型 (ML-CKDP).
• 优化数据集预处理以改善CKD分类.
• 为实时CKD预测创建一个用户友好的,基于Web的应用程序.

主要方法:

• 实施了一个全面的预处理协议,包括数据归算和Min-Max缩放.
• 使用多种特征选择技术 (例如,相关性,千方形,RFE,拉索,).
• 使用精度,混矩阵和AUC指标评估了七个分类器 (RF,AdaB,GB,XgB,NB,SVM,DT).

主要成果:

• 随机森林 (RF) 和AdaBoost (AdaB) 在各种验证分割 (70:30,80:20,K-Fold 10/15) 中实现了100%的准确性和AUC.
• 天真贝斯 (NB) 在培训和测试时间最短的情况下表现出卓越的效率.
• 成功部署了一个基于Web的功能应用程序,用于实时预测CKD.

结论:

• ML-CKDP模型,特别是RF和AdaB,在预测CKD方面表现出了卓越的表现.
• 特性选择和强大的预处理对于预测模型的高精度至关重要.
• 开发的Web应用程序提高了ML驱动的CKD诊断的可访问性和实际实用性.