使用机器学习进行预测建模和确定中风的关键风险因素
Ahmad Hassan1, Saima Gulzar Ahmad1, Ehsan Ullah Munir1
1Department of Computer Science, COMSATS University Islamabad, Wah Campus, Grand Trunk Road, Wah, 47010, Pakistan.
Scientific reports
|May 20, 2024
概括
这项研究开发了一种密集堆叠组合 (DSE) 模型,用于准确预测中风,达到超过96%的准确性. DSE模型有效地处理不平衡和缺失的数据,改善早期中风检测和患者的治疗结果.
科学领域:
- 心血管医学 心血管医学
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 脑卒中是全球死亡的主要原因,需要改善早期检测和预防.
- 精确的中风预测受到不平衡和缺失的数据的阻碍,复杂化了风险因素的识别.
研究的目的:
- 开发和评估用于中风风险预测的先进机器学习模型.
- 解决中风预测模型中数据不平衡和缺失所带来的挑战.
主要方法:
- 缺少的数据使用了推算技术,而数据不平衡则使用了合成少数群体过量采样技术 (SMOTE).
- 一系列先进的模型被评估使用k-fold交叉验证在不同的数据集.
- 一个密集堆叠组合 (DSE) 模型被开发出来,利用精心调整的先进模型.
主要成果:
- 脑卒中的主要预测因素包括年龄,BMI,葡萄糖水平,心脏病,高血压和婚姻状况.
- DSE模型在各种数据集上实现了超过96%的准确性.
- 在不平衡的归算数据上,AUC得分达到83.94%,在平衡的数据上达到98.92%.
结论:
- 与以前的研究相比,密集堆叠组合 (DSE) 模型在中风预测方面表现优越.
- DSE模型显示了增强早期中风检测和改善患者结果的巨大潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
