使用综合预测模型和模糊集群分析识别患有先天性心脏病的风险患者:一个横截面研究

科学领域:

• 心脏病学 心脏病学
• 计算生物学 计算生物学
• 公共卫生 公共卫生

背景情况:

• 先天性心脏病 (CHD) 影响全球约1%的新生儿,具有复杂的遗传和环境原因.
• 准确诊断和预测心血管疾病仍然具有挑战性,特别是在不平衡的数据集下.

研究的目的:

• 利用机器学习 (ML) 和多属性决策 (MADM) 开发一个全面的CHD诊断和预测预测框架.
• 提高预测准确度和识别高风险患者集群,以进行个性化风险评估.

主要方法:

• 利用监督和无监督的ML来减少数据噪声和处理不平衡的数据集.
• 采用不平衡整体方法和K-means集群,以提高预测准确度.
• 应用多属性决策 (MADM) 和风险评估和分层的模糊集群.

主要成果:

• 与现有文献相比,回忆率提高了8%.
• 确定了包括不健康的生活方式,收入,营养,叶酸,环境因素和孕产妇疾病在内的关键预测因素.
• 成功地根据风险水平对患者进行了分组,并评估了个体的风险程度.

结论:

• 拟议的ML/MADM框架显著提高了CHD预测准确性和风险分层.
• 社会经济和生活方式因素是心血管疾病风险的关键决定因素,需要综合评估.
• 该框架促进了早期识别和干预,有可能减少慢性病的全球负担.