一个成本敏感的基于深度神经网络的预测模型,用于高血压的急性心肌梗塞患者在不平衡数据上的死亡率
Huilin Zheng1,2, Syed Waseem Abbas Sherazi1, Jong Yun Lee1
1Department of Computer Science, Chungbuk National University, Cheongju, Republic of Korea.
Frontiers in cardiovascular medicine
|April 3, 2024
概括
一个新的成本敏感深度神经网络 (CSDNN) 模型准确地预测了急性心肌梗塞 (AMI) 患有高血压的患者的死亡率,使用不平衡的数据,优于现有方法.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 高血压是主要的风险因素,也是心血管疾病 (CVD) 死亡的主要原因.
- 准确的死亡率预测对于心血管疾病和高血压患者至关重要.
- 患有高血压的非医院急性心肌梗塞 (AMI) 患者,由于数据不平衡,对死亡率预测构成重大挑战.
研究的目的:
- 开发一种基于成本敏感深度神经网络 (CSDNN) 的新型模型,用于医院外 AMI 高血压患者的死亡率预测.
- 为了应对死亡率预测中数据不平衡的挑战.
- 提高管理高血压的AMI患者的准确性和决策过程.
主要方法:
- 数据从韩国急性心肌梗塞登记-国家卫生研究院 (KAMIR-NIH) 提取并预处理.
- 一个成本敏感的深度神经网络 (CSDNN) 模型被设计来处理倾斜的类分布.
- 门移动技术和随机搜索与5倍交叉验证被用于模型优化和评估.
主要成果:
- 提出的CSDNN模型具有值移动,在不平衡的数据上实现了卓越的性能.
- 与最好的机器学习和整体模型相比,CSDNN模型显示了AUC的显著改善 (分别增加了2.58%和2.55%).
- 该模型提供精确的死亡率预测,有助于临床决策.
结论:
- 基于CSDNN的模型为高血压AMI患者的死亡率预测提供了高度有效的解决方案,数据集不平衡.
- 这种方法提高了风险分层的准确性,并支持更好的患者管理.
- 这项研究强调了先进的人工智能技术在改善心血管疾病患者治疗结果方面的潜力.
