論文の概要: Cardiovascular Disease Prediction using Recursive Feature Elimination
and Gradient Boosting Classification Techniques
- arxiv url: http://arxiv.org/abs/2106.08889v1
- Date: Fri, 11 Jun 2021 16:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 16:12:29.061767
- Title: Cardiovascular Disease Prediction using Recursive Feature Elimination
and Gradient Boosting Classification Techniques
- Title(参考訳): 再帰的特徴除去と勾配強調法による心血管疾患予測
- Authors: Prasannavenkatesan Theerthagiri, Vidya J
- Abstract要約: 本稿では,心疾患の正確な予測を実現するため,RFE-GBアルゴリズムを提案する。
CVDに重要な特徴を持つ患者の健康記録を, 評価のために分析した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cardiovascular diseases (CVDs) are one of the most common chronic illnesses
that affect peoples health. Early detection of CVDs can reduce mortality rates
by preventing or reducing the severity of the disease. Machine learning
algorithms are a promising method for identifying risk factors. This paper
proposes a proposed recursive feature elimination-based gradient boosting
(RFE-GB) algorithm in order to obtain accurate heart disease prediction. The
patients health record with important CVD features has been analyzed for the
evaluation of the results. Several other machine learning methods were also
used to build the prediction model, and the results were compared with the
proposed model. The results of this proposed model infer that the combined
recursive feature elimination and gradient boosting algorithm achieves the
highest accuracy (89.7 %). Further, with an area under the curve of 0.84, the
proposed RFE-GB algorithm was found superior and had obtained a substantial
gain over other techniques. Thus, the proposed RFE-GB algorithm will serve as a
prominent model for CVD estimation and treatment.
- Abstract(参考訳): 心臓血管疾患(cvds)は、人の健康に影響を与える最も一般的な慢性疾患の1つである。
CVDの早期検出は、病気の重症度を予防または軽減することにより死亡率を低下させる。
機械学習アルゴリズムはリスク要因を特定するための有望な方法である。
本稿では, 心疾患の予測精度を高めるために, 再帰的特徴除去型勾配増強法 (RFE-GB) を提案する。
CVDに重要な特徴を持つ患者の健康記録を, 評価のために分析した。
予測モデルの構築には他にもいくつかの機械学習手法が用いられ、その結果は提案モデルと比較された。
このモデルにより,再帰的特徴除去法と勾配促進法を組み合わせることで,最大精度(89.7%)が得られた。
さらに、曲線0.84以下の領域では、提案した RFE-GB アルゴリズムの方が優れており、他の手法よりもかなりの利得を得た。
したがって、提案したRFE-GBアルゴリズムはCVD推定と処理の顕著なモデルとして機能する。
関連論文リスト
- Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
機械学習を用いた心疾患予測システムを構築した。
心臓疾患のある人と正常な人とを簡単に区別することができる。
論文 参考訳(メタデータ) (2023-04-12T17:53:59Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳(メタデータ) (2023-03-09T15:38:16Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳(メタデータ) (2022-05-10T16:22:16Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Machine Learning-Based Classification Algorithms for the Prediction of
Coronary Heart Diseases [0.0]
この研究は、いくつかの機械学習に基づく分類モデルを作成し、テストした。
その結果、ロジスティック回帰は、元のデータセット上で最高のパフォーマンススコアを生み出した。
結論として,順調に処理され,標準化されたデータセット上のLRが,他のアルゴリズムよりも精度の高い冠状心疾患を予測できることが示唆された。
論文 参考訳(メタデータ) (2021-12-02T18:52:56Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Ensemble machine learning approach for screening of coronary heart
disease based on echocardiography and risk factors [19.076443235356873]
我々は,モデル積み重ねにより,多くの一般的な分類手法を統合する機械学習アプローチを開発した。
CHD分類の精度は,テストセットで約70%から87.7%に向上した。
論文 参考訳(メタデータ) (2021-05-20T11:04:58Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。