通过优化森林和心电图信号数据,提高病预测
1Department of Information Systems, King Abdulaziz University, Jeddah, 21589, Saudi Arabia.
Heliyon
|May 21, 2024
概括
优化森林 (Opt-Forest) 模型显示了使用心电图 (ECG) 数据早期检测慢性病 (CKD) 的前景. 这种先进的机器学习方法在识别CKD时优于现有的方法.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
背景情况:
- 早期发现慢性病 (CKD) 对于改善患者的治疗结果至关重要.
- 心电图 (ECG) 数据为潜在的功能评估提供了一个非侵入性和可访问的来源.
- 现有的机器学习 (ML) 模型在根据心电图数据准确预测CKD方面存在局限性.
研究的目的:
- 通过使用心电图数据,评估优化森林 (Opt-Forest) 模型在早期CKD检测方面的有效性.
- 为了比较Opt-Forest与其他已建立的ML模型在CKD预测中的性能.
- 评估ECG数据的诊断潜力,并结合用于病的先进ML技术.
主要方法:
- 使用了优化森林 (Opt-Forest) 机器学习模型.
- 将Opt-Forest的性能与用于CKD预测的其他流行的ML模型进行比较.
- 使用包括分类准确性 (CA),假阳性率 (FPR) 和真阳性率 (TPR) 在内的指标评估模型性能.
主要成果:
- 与其他ML模型相比,Opt-Forest在CKD预测方面表现优越.
- 达到0.787的高真实阳性率 (TPR) 和0.174.17的低虚假阳性率 (FPR).
- 总体准确率为78.68%,KS统计值为0.641,低RMSE为0.174,表明强大的预测能力.
结论:
- 该Opt-Forest模型显示了通过ECG数据分析增强早期CKD诊断的巨大潜力.
- 当使用Opt-Forest等先进的ML模型分析心电图数据时,它可以在科中成为一种有价值的工具.
- 未来的研究应该探索深度学习和针对患者的数据整合,用于病学中的精密医学.
