論文の概要: iCardo: A Machine Learning Based Smart Healthcare Framework for Cardiovascular Disease Prediction

• arxiv url: http://arxiv.org/abs/2212.08022v1
• Date: Wed, 7 Dec 2022 13:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 13:03:52.605972
• Title: iCardo: A Machine Learning Based Smart Healthcare Framework for Cardiovascular Disease Prediction
• Title（参考訳）: iCardo: 心臓血管疾患予測のための機械学習ベースのスマートヘルスケアフレームワーク
• Authors: Nidhi Sinha, Teena Jangid, Amit M. Joshi, Saraju P. Mohanty
• Abstract要約: この記事では、選択した特徴集合に対する最良の分類器モデルと、4つの特徴選択モデルから選択した特徴集合について説明する。 医療データはクラウドに保管されており、IoMT(Internet of Medical Things)と統合することで、患者、介護者、医療提供者にアクセスできる。
• 参考スコア（独自算出の注目度）: 0.19116784879310023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The point of care services and medication have become simpler with efficient consumer electronics devices in a smart healthcare system. Cardiovascular disease is a critical illness which causes heart failure, and early and prompt identification can lessen damage and prevent premature mortality. Machine learning has been used to predict cardiovascular disease (CVD) in the literature. The article explains choosing the best classifier model for the selected feature sets and the distinct feature sets selected using four feature selection models. The paper compares seven classifiers using each of the sixteen feature sets. Originally, the data had 56 attributes and 303 occurrences, of which 87 were in good health, and the remainder had cardiovascular disease (CVD). Demographic data with several features make up the four groups of overall features. Lasso, Tree-based algorithms, Chi-Square and RFE have all been used to choose the four distinct feature sets, each containing five, ten, fifteen, and twenty features, respectively. Seven distinct classifiers have been trained and evaluated for each of the sixteen feature sets. To determine the most effective blend of feature set and model, a total of 112 models have been trained, tested, and their performance has been compared. SVM classifier with fifteen chosen features is shown to be the best in terms of overall accuracy. The healthcare data has been maintained in the cloud and would be accessible to patients, caretakers, and healthcare providers through integration with the Internet of Medical Things (IoMT) enabled smart healthcare. Subsequently, the feature selection model chooses the most appropriate feature for CVD prediction to calibrate the system, and the proposed framework can be utilised to anticipate CVD.
• Abstract（参考訳）: 医療サービスと医薬品のポイントは、スマートヘルスケアシステムにおいて、効率的な家電機器によってよりシンプルになっています。 心血管疾患は心不全を引き起こす致命的な疾患であり、早期かつ迅速な診断は損傷を減少させ、早期死亡を防ぐ。 機械学習は、文献における心血管疾患(CVD)の予測に用いられている。 この記事では、選択した特徴集合に対する最良の分類器モデルと、4つの特徴選択モデルから選択した特徴集合について説明する。 16個の特徴集合のそれぞれを用いて7つの分類器を比較する。 当初、データには56の属性と303の事象があり、そのうち87は健康で、残りは心血管疾患(CVD)であった。 いくつかの機能を持つ人口統計データは、機能全体の4つのグループを構成する。 Lasso, Tree-based algorithm, Chi-Square, RFEはすべて,それぞれ5,10,15,20の4つの特徴セットを選択するために使用されている。 7つの異なる分類器が16の特徴セットごとに訓練され、評価されている。 機能セットとモデルの最も効果的なブレンドを決定するために、合計112のモデルがトレーニングされ、テストされ、パフォーマンスが比較された。 15個の特徴を持つSVM分類器は、全体的な精度の点で最高である。 医療データはクラウドで維持されており、患者、介護者、医療提供者に対して、iot(internet of medical things、iomt)と統合することで、スマートヘルスケアを可能にする。 その後、特徴選択モデルは、システムの校正に最も適した特徴を選択し、提案したフレームワークを用いてCVDを予測できる。

関連論文リスト

• An Intelligent Decision Support Ensemble Voting Model for Coronary Artery Disease Prediction in Smart Healthcare Monitoring Environments [0.0]
  冠動脈疾患 (CAD) は、世界で最も一般的な心臓疾患の1つである。 機械学習(ML)アルゴリズムに基づくe-diagnosisツールは、スマートヘルスケア監視システムで使用することができる。
  論文  参考訳（メタデータ） (2022-10-25T21:09:34Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Diagnosis of Schizophrenia: A comprehensive evaluation [1.174402845822043]
  サポートベクターマシン(SVM)、ランダムフォレスト、カーネルリッジ回帰、ランダム化されたニューラルネットワークに基づいて、異なる分類アルゴリズムを評価した。 評価の結果,他の分類モデルと比較して,ガウスカーネルを用いたSVMベースのモデルの方が優れていることがわかった。 データモダリティの面では,灰白質と白質を個別に比較すると,灰白質と白質との結合性能は良好であった。
  論文  参考訳（メタデータ） (2022-03-22T10:55:51Z)
• Cough Detection Using Selected Informative Features from Audio Signals [24.829135966052142]
  モデルは、ESC-50データセットと自己記録コークス記録を組み合わせたデータセットでトレーニングされる。 最高のコー検出モデルは、それぞれ94.9%、97.1%、93.1%、0.95の精度、リコール、精度、F1スコアを実現する。
  論文  参考訳（メタデータ） (2021-08-07T23:05:18Z)
• 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)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
  臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。 機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
  論文  参考訳（メタデータ） (2020-06-09T21:21:38Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。