一个改进的堆叠模型,用于在不平衡数据中预测心肌梗塞风险

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 早期诊断和治疗心肌梗塞 (MI) 对于减少疾病严重程度至关重要.
• 疾病预测中的不平衡数据集通常会导致传统模型的不最佳结果.
• 为不平衡数据开发强大的MI风险预测模型是一个重大挑战.

研究的目的:

• 引入一个新的堆叠模型,2GDNN-FL-Stacked,旨在利用不平衡的数据集有效预测MI风险.
• 通过随机低样本和成本敏感学习来减轻数据不平衡的影响.
• 通过整合多个机器学习算法来提高预测准确性.

主要方法:

• 开发了一个新的堆叠模型 (2GDNN-FL-Stacked),结合了2GDNN-FL,CatBoost,RandomForest和LightGBM.
• 使用随机不足样本和成本敏感技术解决了数据不平衡.
• 进行了废弃实验,以验证每个模型组件的贡献.

主要成果:

• 2GDNN-FL-Stacked模型在关键性能指标上显示出显著的改进.
• 与基线模型相比,马修斯相关系数 (MCC) 增加了15.70%,F1得分增加了9.81%,ROC曲线下的面积 (AUC) 增加了8.11%.
• 废弃性研究证实了所有集成组件的有效性和必要性,以实现最佳性能.

结论:

• 2GDNN-FL-Stacked模型有效地解决了在不平衡数据集中预测MI风险的挑战.
• 拟议的方法比单个模型提供了更高的性能,并为临床决策提供了有价值的见解.
• 这种方法显示了帮助临床医生在对心脏病发作风险评估方面做出更明智的决定的潜力.