使用机器学习算法和可解释的AI方法预测心脏病的拟议技术

科学领域:

• 医疗数据分析 医疗数据分析
• 机器学习在医疗保健中的应用.
• 心血管疾病的研究研究.

背景情况:

• 准确的心脏病预测对于早期干预和降低死亡率至关重要.
• 目前的方法受到医疗保健专业人员无法提供患者持续监督的限制.
• 机器学习 (ML) 提供了一种数据驱动的方法,以提高心脏病检测中的预测和决策.

研究的目的:

• 开发一个准确的ML算法用于早期心脏病预测,使用多种特征选择策略.
• 为了确定最有效的ML算法和功能子集来预测心脏病.
• 创建一个基于症状的即时心脏病风险评估的移动应用程序.

主要方法:

• 使用千平方,ANOVA和相互信息方法 (SF-1,SF-2,SF-3) 进行特征选择.
• 在私人和公共数据集上评估十个ML算法,包括SVM,XGBoost和随机森林.
• 应用合成少数超样本技术 (SMOTE) 进行数据平衡和SHAP用于可解释的人工智能.

主要成果:

• 在组合数据集上使用SF-2特征子集的XGBoost算法实现了最佳性能.
• 关键性能指标包括97.57%的精度,96.61%的灵敏度,90.48%的特异性,95.00%的精度,92.68%的F1得分和98%的AUC.
• 使用SHAP开发了一种可解释的AI方法来解释模型预测.

结论:

• 拟议的ML方法为医疗保健提供者提供了快速和成本效益的早期心脏病诊断.
• 开发的移动应用程序提供基于用户输入的症状即时预测心脏病风险.
• 这项研究强调了先进的ML技术,如XGBoost和SHAP在改善心血管诊断方面的潜力.