一种集成机器学习和数据挖掘方法来增强中风预测.
Richard Wijaya1, Faisal Saeed1, Parnia Samimi1
1College of Computing and Digital Technology, Birmingham City University, Birmingham B4 7XG, UK.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
这项研究通过整体机器学习增强了中风预测. ExtraTrees分类器实现了98.24%的准确性,为早期中风检测和预防提供了一个有前途的工具.
科学领域:
- 计算医学是一种计算医学.
- 医疗信息学 医疗信息学
- 机器学习在医疗保健中的应用
背景情况:
- 脑卒中是全球主要的健康问题,需要准确的早期预测才能进行有效的干预.
- 目前的预测方法需要改进,以提高准确性和可靠性.
研究的目的:
- 开发和评估一个集体机器学习方法,用于优异的中风预测.
- 为了比较各种机器学习模型在识别中风风险因素方面的表现.
主要方法:
- 应用了CRISP-DM方法与诸如随机森林,ExtraTrees,XGBoost,ANN和GANN等技术.
- 使用SMOTE进行数据集平衡和通过网格/随机搜索交叉验证进行超参数调整.
- 评估模型使用准确性,精度,回忆,F1得分和AUC指标.
主要成果:
- 整体ExtraTrees分类器实现了最高的准确性 (98.24%) 和AUC (98.24%).
- 随机森林也表现出强的表现,准确率为98.03%,AUC.
- 拟议的整体方法优于现有的最先进的中风预测方法.
结论:
- 整体机器学习,特别是ExtraTrees分类器,为中风预测提供了一种非常有效的方法.
- 这种方法显示出改善早期中风检测和预防性医疗保健策略的巨大潜力.
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
