論文の概要: Machine Learning-Based Heart Disease Diagnosis: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2112.06459v1
• Date: Mon, 13 Dec 2021 07:29:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 03:03:57.561432
• Title: Machine Learning-Based Heart Disease Diagnosis: A Systematic Literature Review
• Title（参考訳）: 機械学習による心臓疾患診断 : 体系的文献レビュー
• Authors: Md Manjurul Ahsan, Zahed Siddique
• Abstract要約: 心臓病は世界中で多くの死因の1つとなっている。 最近の機械学習(ML)応用の進歩は、心電図(ECG)と患者のデータを用いて、早期に心臓病を検出することが可能であることを示している。 ECGと患者データはどちらも不均衡であることが多いため、最終的には従来のMLが偏りなく実行するという課題が提起される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heart disease is one of the significant challenges in today's world and one of the leading causes of many deaths worldwide. Recent advancement of machine learning (ML) application demonstrates that using electrocardiogram (ECG) and patient data, detecting heart disease during the early stage is feasible. However, both ECG and patient data are often imbalanced, which ultimately raises a challenge for the traditional ML to perform unbiasedly. Over the years, several data level and algorithm level solutions have been exposed by many researchers and practitioners. To provide a broader view of the existing literature, this study takes a systematic literature review (SLR) approach to uncover the challenges associated with imbalanced data in heart diseases predictions. Before that, we conducted a meta-analysis using 451 referenced literature acquired from the reputed journals between 2012 and November 15, 2021. For in-depth analysis, 49 referenced literature has been considered and studied, taking into account the following factors: heart disease type, algorithms, applications, and solutions. Our SLR study revealed that the current approaches encounter various open problems/issues when dealing with imbalanced data, eventually hindering their practical applicability and functionality.
• Abstract（参考訳）: 心臓病は、今日の世界で重要な課題の1つであり、世界中の多くの死の原因の1つです。 最近の機械学習(ML)応用の進歩は、心電図(ECG)と患者のデータを用いて、早期に心臓病を検出することが可能であることを示している。 しかし、心電図と患者のデータは、しばしば不均衡であり、結果として従来のMLが偏りなく振る舞うという課題が引き起こされる。 長年にわたり、多くの研究者や実践者がデータレベルとアルゴリズムレベルのソリューションを公開してきた。 そこで本研究では, 心疾患予測における不均衡データに関連する課題を明らかにするために, 体系的文献レビュー(SLR)アプローチを取り入れた。 その前は,2012年から2021年11月15日までに,学術誌から入手した451文献を参考にメタ分析を行った。 詳細な分析では、49の文献が検討され、心臓病の種類、アルゴリズム、応用、解決策などを考慮して研究されている。 我々のSLR研究は、現在のアプローチが不均衡なデータを扱う際に様々なオープンな問題や問題に遭遇し、最終的には実用性や機能を妨げることを明らかにした。

関連論文リスト

• The Role of Machine Learning in Congenital Heart Disease Diagnosis: Datasets, Algorithms, and Insights [2.796146453618783]
  先天性心疾患は胎児の異常と出生異常の中で最も多い。 近年の機械学習の進歩は、患者のデータを活用して、先天性心疾患の早期発見を可能にする可能性を実証している。
  論文  参考訳（メタデータ） (2025-01-08T13:26:24Z)
• Multi-class heart disease Detection, Classification, and Prediction using Machine Learning Models [0.5018974919510383]
  心臓病は、特に中高年および高齢者において、世界中の早死にの主な原因である。 心臓病を含む非感染性疾患は世界の死者の25%(179万人)を占め、バングラデシュでは43,204人以上が死亡している。
  論文  参考訳（メタデータ） (2024-12-06T05:55:41Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
  深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。 われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
  論文  参考訳（メタデータ） (2024-05-02T09:41:31Z)
• Artificial Intelligence in Assessing Cardiovascular Diseases and Risk Factors via Retinal Fundus Images: A Review of the Last Decade [8.500005168315292]
  近年,様々なCVD関連トピックの分析に人工知能(AI)手法の利用が注目されている。 心臓の機能をよりよく理解し、微小血管の特徴と機能に基づく変化を予想するために、研究者は現在、AIと非侵襲網膜スキャンの統合を検討している。 AIを用いた早期発見と心血管疾患の予測を大規模に活用することにより、医療システムにおける心血管イベントの数や財政的歪みを減少させる大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-11T13:09:11Z)
• A Comprehensive Survey on Heart Sound Analysis in the Deep Learning Era [54.53921568420471]
  心血管疾患の早期スクリーニングにおける臨床応用として, 心臓音聴診が有用である。 ディープラーニングは多くの研究分野で古典的な機械学習よりも優れています。
  論文  参考訳（メタデータ） (2023-01-23T10:58:45Z)
• Analysis and prediction of heart stroke from ejection fraction and serum creatinine using LSTM deep learning approach [9.476778519758428]
  我々は、長期記憶(LSTM)を利用したスマートで予測可能なモデルを構築し、その健康記録に基づいて、心不全の今後の動向を予測する。 ファサロバド心臓医学研究所とファサロバドの連合軍病院(パキスタン・パンジャブ)で収集された299人の心不全患者の医療記録を含むデータセットを分析した。 このデータセットには13の特徴が含まれており、心不全の原因となる臨床、身体、ライフスタイルに関する情報が報告されている。
  論文  参考訳（メタデータ） (2022-09-28T03:00:17Z)
• Machine learning based disease diagnosis: A comprehensive review [0.0]
  このレビューでは、機械学習(ML)とディープラーニング(DL)が、多くの病気の早期発見にどのように利用されているかを説明します。 1216の出版物に関する文献学的研究は、最も多作な著者、国、組織、そして最も引用された記事を決定するために行われた。 このレビューでは、機械学習ベースの疾患診断(MLBDD)の最新動向とアプローチをまとめている。
  論文  参考訳（メタデータ） (2021-12-31T16:25:23Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。