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

• Unified dimensionality reduction techniques in chronic liver disease detection [0.5242869847419834]
  本研究では,多くの機械学習アルゴリズムについて検討した。 本研究の主な焦点は, 583名の患者の医療記録を含む, このデータセットである。 検索は、カスタマイズされた特徴抽出と次元削減方法の選択と使用に関する重要な新しい視点を提供する。
  論文  参考訳（メタデータ） (2024-12-30T18:35:02Z)
• Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
  肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。 従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
  論文  参考訳（メタデータ） (2024-11-27T05:15:55Z)
• A Joint Representation Using Continuous and Discrete Features for Cardiovascular Diseases Risk Prediction on Chest CT Scans [12.652540031719571]
  胸部CT画像から抽出した離散的量的バイオマーカーと連続的な深部特徴を統合した新しい関節表現法を提案する。 本手法はCVDリスク予測性能を大幅に改善し,各バイオマーカーの個人貢献分析を行う。
  論文  参考訳（メタデータ） (2024-10-24T10:06:45Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
  心臓血管疾患(CVD)が世界的に死因となっている。 光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。 我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-26T14:42:46Z)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• 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)
• 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。