RAVE-HD:一种新的顺序深度学习方法,用于在电子医疗保健中预测心脏病风险.

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 心脏病 (HD) 是全球主要的死亡原因,需要改进的诊断工具.
• 现有的物联网 (IoT) 支持的机器学习用于高清选,面临着数据不平衡和特征选择等挑战.
• 早期和准确的HD诊断对于改善患者的治疗结果至关重要.

研究的目的:

• 开发一种强大且可解释的机器学习方法,用于增强心脏病查.
• 解决现有的高发病查方法的局限性,包括数据不平衡和特征识别.
• 介绍RAVE-HD (HD的ResNet和香草RNN合奏) 方法,以提高诊断准确度.

主要方法:

• 一种连续的混合方法,整合了剩余网络 (ResNet) 和香草循环神经网络 (RNN).
• 预处理包括重复删除,特征缩放,递归特征删除和合成数据采样以检测类不平衡.
• RAVE模型在HDHI医疗数据集上进行了训练和验证,在CVD数据集上进行了交叉数据集验证.

主要成果:

• 雷夫模型实现了92.06%的准确性和97.12%的ROC-AUC,表现优于基线模型.
• 通过10倍的交叉验证,敏感度与流行率分析以及引导/DeLong测试 (p<0.001) 证实了稳定性.
• SHAP分析提供了模型可解释性,交叉数据集验证显示出强烈的概括性 (92.4%准确性).

结论:

• RAVE-HD显示出作为一个可靠,可解释和可扩展的解决方案,用于大规模的心脏病查.
• 该方法提供了临床上有意义的改进,并作为预测查的实际决策支持工具.
• 在各种评估和数据集中RAVE-HD的一致表现突显了其在临床环境中的潜力.