机器学习驱动的糖尿病健康追踪器 (DHT):使用RaSK_GraDe和RaSK_GraDeL模型优化预后
Muhammad Noman1, Maria Hanif1, Abdul Hameed2
1Department of Software Engineering and Artificial Intelligence, Iqra University, H-9, Islamabad, Pakistan.
PloS one
|October 21, 2025
概括
机器学习模型在预测糖尿病中表现出很高的准确性,从而改善了医疗保健管理. 像投票分类器和堆叠模型这样的组合方法在糖尿病健康追踪器数据集上实现了超过98%的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 健康 数据科学 数据科学
背景情况:
- 糖尿病是一种主要的全球健康问题,对南亚有重大影响.
- 传统的糖尿病预测方法在可靠性和效率方面存在局限性.
- 机器学习 (ML) 为准确的疾病预测提供了先进的能力.
研究的目的:
- 为了比较分析各种ML算法用于糖尿病预测.
- 评估组合方法的性能,包括投票分类器 (RaSK_GraDe) 和堆叠模型 (RaSK_GraDeL).
- 评估ML在各种数据集上的有效性,包括拟议的糖尿病健康追踪器 (DHT) 数据集.
主要方法:
- 对ML算法的比较分析:随机森林,决策树,SVM,KNN,梯度提升.
- 组合技术的应用:投票分类器 (RaSK_GraDe) 和堆叠模型 (RaSK_GraDeL).
- 数据预处理:处理缺失值,异常值,规范化和类平衡 (SMOTE).
- 使用交叉验证和随机搜索进行超参数调整.
主要成果:
- 集成方法实现了高预测准确度:在DHT数据集上使用RaSK_GraDe (98.03%) 和RaSK_GraDeL (98.55%).
- 预处理和超参数调整提高了模型的稳定性和性能.
- 与传统方法相比,ML算法显示出更高的性能.
结论:
- 机器学习技术对于糖尿病预测非常有效.
- 组合方法,特别是堆叠方法,在提高诊断准确性方面显示出显著的前景.
- 这些发现支持推进糖尿病个性化治疗和医疗保健管理.
