用时间序列患者数据预测心肌梗塞发生的新型深度学习方法
Mohammad Saiduzzaman Sayed1, Mohammad Abu Tareq Rony2, Mohammad Shariful Islam3
1Department of Statistics, Jahangirnagar University, Dhaka, Bangladesh.
Journal of medical systems
|May 22, 2024
概括
这项研究引入了一种新的深度学习模型,MSC-LSTM,以准确预测心肌梗塞 (MI) 发生率. 在奇塔贡,早期预测心脏病发作有助于公共卫生规划和预防战略.
科学领域:
- 心脏病学和公共卫生
- 医疗保健中的人工智能
- 时间序列预测时间序列预测
背景情况:
- 心肌梗塞 (MI) 是一个关键的全球健康问题,在奇塔贡大都会地区产生重大影响.
- 肌痛性心脏病预防和治疗的挑战因人口老龄化和复杂的医疗需求而加剧.
- 早期预警系统对于及时的流行病管理和资源分配至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于早期预测心肌梗塞发病率.
- 为了预测心脏病发作的流行率,使用来自奇塔贡大都会地区的新型数据集.
- 通过准确的MI预测,改进公共卫生战略.
主要方法:
- 利用了一套新的每日心脏病发作发病率的新型数据集,时间系列患者数据 (2020年1月至2021年12月).
- 将传统模型 (ARIMA,ETS,TBATS) 和LSTM与拟议的肌肉细胞序列分类 (MSC) -LSTM模型进行比较.
- 使用深度学习技术进行时间序列分析和预测.
主要成果:
- 新的MSC-LSTM模型在预测心脏病发病率方面表现出卓越的表现.
- 达到1.6477的最小平均百分比误差 (MPE),超过其他评估模型的表现.
- 该模型为未来心脏病发作发生提供了准确的预测.
结论:
- 该MSC-LSTM模型为早期发现和预测心肌梗塞提供了一个有前途的工具.
- 准确的MI预测支持增强资源配置,政策制定和公共卫生准备.
- 这项研究有助于积极管理心脏病发作负担在奇塔贡大都市区及其他地区.
