使用机器学习对心力衰竭进行分类:一项比较研究
Bryan Chulde-Fernández1, Denisse Enríquez-Ortega1, Cesar Guevara2
1School of Biological Sciences and Engineering, Yachay Tech University, Hacienda San José s/n, San Miguel de Urcuquí 100119, Ecuador.
Life (Basel, Switzerland)
|March 27, 2025
概括
随机森林机器学习模型在识别心力衰竭病例方面表现出很高的准确性,优于其他算法. 这突显了随机森林对心力衰竭预测的有效性.
科学领域:
- 心脏病学 心脏病学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 心力衰竭是一个重要的全球健康问题,需要准确的诊断工具.
- 机器学习为改善心力衰竭的早期检测和管理提供了有希望的方法.
研究的目的:
- 评估和比较各种机器学习分类算法的性能,以预测心力衰竭.
- 确定最有效的机器学习模型来准确诊断心力衰竭病例.
主要方法:
- 用心力衰竭指标的数据集来训练和测试多个分类算法.
- 评估的算法包括后勤回归,随机森林,决策树,K-最近邻居和多层感知子 (MLP).
- 性能指标如特异性,曲线下的面积 (AUC) 和马修斯相关系数 (MCC) 被用于比较.
主要成果:
- 随机森林模型获得了优异的性能,其特异性=0.93,AUC=0.97,MCC=0.83.
- 随机森林表现出高准确度,使其成为本研究中表现最好的模型.
- 与随机森林相比,K-最近的邻居和多层感知子 (MLP) 的准确率较低.
结论:
- 随机森林算法对于识别心力衰竭病例非常有效.
- 该研究强调了特征选择,数据质量,模型选择和超参数调整在医疗保健机器学习中的关键作用.
- 机器学习技术是促进心力衰竭诊断和管理的宝贵工具.
