在儿科呼吸道感染中使用混合特征选择和基因算法优化的机器学习算法进行临床结果预测
Sarlinraj Madhalaimuthu1, Sujatha Radhakrishnan2
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, Tamilnadu, 632014, India.
Scientific reports
|October 21, 2025
概括
这项研究引入了一种机器学习方法来分类呼吸数据集,达到95.02%的准确性. 该方法增强了早期检测和预测呼吸系统疾病的临床进展.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 呼吸道疾病对健康构成重大风险,如果不治疗,可能导致严重并发症和死亡.
- 有效的管理需要早期检测,预防和先进的治疗选择.
- 机器学习为改善复杂呼吸系统数据集的分析提供了潜力.
研究的目的:
- 开发和验证一个全面的机器学习 (ML) 方法,以加强呼吸系统数据集的调查和分类.
- 改善呼吸道疾病临床进展的预测准确度.
- 为医疗保健分析创建一个可解释和准确的ML模型.
主要方法:
- 数据预处理和增强,包括用于数据不平衡的合成少数群体过量采样技术 (SMOTE).
- 特性选择策略,以识别相关特征并减少维度.
- 组合学习结合了遗传算法,随机森林,XGBoost和梯度提升来进行分类.
主要成果:
- 拟议的ML模型在预测临床进展方面实现了95.02%的整体准确性.
- 该方法证明了高预测准确性,同时保持了模型的可解释性.
- 确定并结合了包括随机森林,XGBoost和梯度提升在内的最佳模型.
结论:
- 开发的机器学习框架为分类呼吸数据集和预测临床进展提供了一个强大的系统.
- 这种方法可以显著帮助医疗保健分析用于呼吸系统疾病管理.
- 该模型的高精度和可解释性支持其在临床环境中的应用.
