論文の概要: Predicting Heart Disease and Reducing Survey Time Using Machine Learning
Algorithms
- arxiv url: http://arxiv.org/abs/2306.00023v1
- Date: Tue, 30 May 2023 21:15:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 20:36:54.099347
- Title: Predicting Heart Disease and Reducing Survey Time Using Machine Learning
Algorithms
- Title（参考訳）: 機械学習アルゴリズムによる心臓疾患の予測とサーベイ時間短縮
- Authors: Salahaldeen Rababa, Asma Yamin, Shuxia Lu and Ashraf Obaidat
- Abstract要約: 疾病予防管理センター(CDC)は毎年40万人以上の参加者から健康に関する電話調査を行っている。
本研究の目的は、アメリカにおけるCDCの心臓疾患調査の正確性を調べるために、サポートベクターマシンやロジスティック回帰などの機械学習技術を活用することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Currently, many researchers and analysts are working toward medical diagnosis
enhancement for various diseases. Heart disease is one of the common diseases
that can be considered a significant cause of mortality worldwide. Early
detection of heart disease significantly helps in reducing the risk of heart
failure. Consequently, the Centers for Disease Control and Prevention (CDC)
conducts a health-related telephone survey yearly from over 400,000
participants. However, several concerns arise regarding the reliability of the
data in predicting heart disease and whether all of the survey questions are
strongly related. This study aims to utilize several machine learning
techniques, such as support vector machines and logistic regression, to
investigate the accuracy of the CDC's heart disease survey in the United
States. Furthermore, we use various feature selection methods to identify the
most relevant subset of questions that can be utilized to forecast heart
conditions. To reach a robust conclusion, we perform stability analysis by
randomly sampling the data 300 times. The experimental results show that the
survey data can be useful up to 80% in terms of predicting heart disease, which
significantly improves the diagnostic process before bloodwork and tests. In
addition, the amount of time spent conducting the survey can be reduced by 77%
while maintaining the same level of performance.
- Abstract（参考訳）: 現在、多くの研究者やアナリストが様々な疾患の診断強化に取り組んでいる。
心臓病は、世界中で死亡の重要な原因と見なされる一般的な疾患の1つである。
心臓疾患の早期発見は、心不全のリスクを著しく軽減するのに役立つ。
その結果、CDC (Centers for Disease Control and Prevention) は毎年40万人以上の参加者から健康に関する電話調査を行っている。
しかし、心疾患の予測におけるデータの信頼性や、すべての調査質問が強く関連しているかどうかについて、いくつかの懸念が生まれている。
本研究の目的は、アメリカにおけるCDCの心臓疾患調査の正確性を調べるために、サポートベクターマシンやロジスティック回帰などの機械学習技術を活用することである。
さらに,様々な特徴選択法を用いて,心臓の状態を予測できる質問の最も関連性の高いサブセットを特定する。
頑健な結論に達するために,データをランダムに300回サンプリングして安定解析を行う。
実験結果から, 血液検査前の診断過程を大幅に改善する心疾患の予測において, 調査データは最大80%まで有用であることが示唆された。
さらに、同じレベルのパフォーマンスを維持しながら、調査に費やした時間を77%削減することができる。
関連論文リスト
- Predicting Coronary Heart Disease Using a Suite of Machine Learning Models [0.1979158763744267]
冠動脈疾患は世界中で何百万人もの人に影響を与えており、医療の分野としてよく研究されている。
心臓病の診断と予測には実用的かつ正確な方法が数多く存在するが、侵襲性、遅延検出、コストといった限界がある。
機械学習アルゴリズムによる教師付き学習は、早期診断の先駆けとなる、低コスト(コンピュータによる)非侵襲的なソリューションを提供する。
論文 参考訳（メタデータ） (2024-09-21T19:22:41Z) - Classification and Prediction of Heart Diseases using Machine Learning Algorithms [0.0]
K-Nearest Neighbor法は、患者が心臓病を患っているかどうかを判断する最も効果的な機械学習アルゴリズムであることが示されている。
追加の機械学習アルゴリズムの心臓疾患予測への応用について、さらなる研究を行うことは有益である。
論文 参考訳（メタデータ） (2024-09-05T16:52:20Z) - Ensemble Framework for Cardiovascular Disease Prediction [0.0]
心臓病は、世界中でコミュニケーション不能で無音な死の主な原因である。
我々は,ExtraTrees,Random Forest,XGBoostなど,複数の機械学習アルゴリズムを用いたアンサンブルを組み込んだフレームワークを提案している。
提案手法は,既存の文献よりも高い92.34%の精度を実現した。
論文 参考訳（メタデータ） (2023-06-16T17:37:43Z) - Analyzing the impact of feature selection on the accuracy of heart
disease prediction [0.5249805590164902]
本研究の目的は,合併症の少ない心臓病の正確な分類を支援する高次元データセットから,最も重要なリスク因子を同定することである。
分類モデルの性能は、フル機能セットで訓練されたモデルと比較して、トレーニング時間を短縮して大幅に向上した。
論文 参考訳（メタデータ） (2022-06-07T12:51:37Z) - Investigating myocardial infarction and its effects in patients with
urgent medical problems using advanced data mining tools [0.0]
心筋梗塞は死亡の重大な危険因子である。
本研究の目的は,データ解析アルゴリズムを用いて,心臓発作患者の精度を比較することである。
論文 参考訳（メタデータ） (2021-12-15T05:10:55Z) - A random shuffle method to expand a narrow dataset and overcome the
associated challenges in a clinical study: a heart failure cohort example [50.591267188664666]
本研究の目的は、統計的に合法なHFデータセットのカーディナリティを高めるためにランダムシャッフル法を設計することであった。
提案されたランダムシャッフル法は、HFデータセットのカーディナリティを10回、およびランダムな繰り返し測定アプローチに続いて21回向上させることができた。
論文 参考訳（メタデータ） (2020-12-12T10:59:38Z) - 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) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - 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) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳（メタデータ） (2020-07-13T20:05:19Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。