优先考虑患有心脏病发作风险的患者,使用基于随机森林和决策树的全新全面目标ITARA
Niloofar Amini1, Sarfaraz Hashemkhani Zolfani2, Fausto Cavallaro3
1Department of Industrial Engineering and Management Systems, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
这项研究通过ITARA方法的机器学习提高了心脏病发作风险预测. 它通过基于冠状动脉疾病等关键预测因子,客观地优先考虑有风险的人来改善早期检测和临床管理.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 决策科学 决策科学 决策科学
背景情况:
- 心脏病发作是导致死亡的主要原因,特别是在老年人中,通常与生活方式因素和预防不足有关.
- 现有的风险预测模型缺乏基于多种临床因素来优先考虑患者的全面框架.
- 有效的早期识别和风险分层对于预防严重的心脏并发症至关重要.
研究的目的:
- 将无关度值基于属性比率分析 (ITARA) 的多标准决策方法适应为客观的,机器学习增强的框架.
- 通过整合数据驱动的见解来提高心脏病发作风险优先级的准确性和透明度.
- 通过从机器学习模型中推导决策值来解决传统ITARA的局限性.
主要方法:
- 根据无关度值进行调整的属性比率分析 (ITARA),一种多标准决策 (MCDM) 技术.
- 集成机器学习,特别是随机森林分类,以生成客观的变量重要性得分.
- 利用随机森林模型,达到97%的准确度,用于提炼ITARA值的特征重要性值.
主要成果:
- 机器学习增强的ITARA框架在优先考虑心脏病发作风险较高的个体方面表现出更好的准确性.
- 随机森林分类实现了97%的准确性,提供了关键特征重要性值.
- 疾病的主要血管 (Ca) 的数量被确定为心脏病发作风险的最重要的预测指标.
结论:
- 将机器学习集成到ITARA框架中,为心脏病发作风险评估提供了一种透明,数据驱动的方法.
- 这种增强的方法可以改善心血管疾病的早期检测和临床管理策略.
- 该研究强调了客观,多标准决策工具在个性化心脏护理中的潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
05:41Left Anterior Descending Coronary Artery Ligation for Ischemia-Reperfusion Research: Model Improvement via Technical Modifications and Quality Control
Published on: December 16, 2022
相关概念视频
Coronary Artery Disease IV: Preventive Measures
Atherosclerosis III: Management
Heart Failure Drugs: Inhibitors of Renin-Angiotensin System
Coronary Artery Disease I: Introduction
Acute Coronary Syndrome IV: Interprofessional Care
Heart Failure IV: Classification and Diagnostic Evaluation
