論文の概要: Improving Cardiovascular Disease Prediction Through Comparative Analysis
of Machine Learning Models: A Case Study on Myocardial Infarction
- arxiv url: http://arxiv.org/abs/2311.00517v1
- Date: Wed, 1 Nov 2023 13:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 13:28:44.811136
- Title: Improving Cardiovascular Disease Prediction Through Comparative Analysis
of Machine Learning Models: A Case Study on Myocardial Infarction
- Title(参考訳): 機械学習モデルの比較分析による心血管疾患予測の改善--心筋梗塞を事例として
- Authors: Jonayet Miah, Duc M Ca, Md Abu Sayed, Ehsanur Rashid Lipu, Fuad
Mahmud, S M Yasir Arafat
- Abstract要約: 心臓血管疾患は現代世界でも主要な死因である。
正確な予測は、医療戦略の精査に欠かせない。
XGBoostがトップパフォーマンスモデルとして登場します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiovascular disease remains a leading cause of mortality in the
contemporary world. Its association with smoking, elevated blood pressure, and
cholesterol levels underscores the significance of these risk factors. This
study addresses the challenge of predicting myocardial illness, a formidable
task in medical research. Accurate predictions are pivotal for refining
healthcare strategies. This investigation conducts a comparative analysis of
six distinct machine learning models: Logistic Regression, Support Vector
Machine, Decision Tree, Bagging, XGBoost, and LightGBM. The attained outcomes
exhibit promise, with accuracy rates as follows: Logistic Regression (81.00%),
Support Vector Machine (75.01%), XGBoost (92.72%), LightGBM (90.60%), Decision
Tree (82.30%), and Bagging (83.01%). Notably, XGBoost emerges as the
top-performing model. These findings underscore its potential to enhance
predictive precision for coronary infarction. As the prevalence of
cardiovascular risk factors persists, incorporating advanced machine learning
techniques holds the potential to refine proactive medical interventions.
- Abstract(参考訳): 心臓血管疾患は現代世界でも主要な死因となっている。
喫煙、血圧上昇、コレステロール値との関連は、これらの危険因子の意義を強調する。
本研究は, 医学研究の課題である心筋疾患の予測に対処するものである。
正確な予測は、医療戦略の精査に欠かせない。
本研究は,ロジスティック回帰,サポートベクターマシン,決定木,バグング,xgboost,lightgbmの6つの異なる機械学習モデルの比較分析を行う。
達成された結果は、ロジスティック回帰(81.00%)、サポートベクトルマシン(75.01%)、XGBoost(92.72%)、ライトGBM(90.60%)、決定木(82.30%)、バギング(83.01%)の順である。
特に、XGBoostは最高のパフォーマンスモデルとして登場します。
これらの所見は冠動脈梗塞の予測精度を高める可能性を示している。
心血管リスク因子の流行が続くにつれて、高度な機械学習技術の導入は、積極的な医療介入を洗練する可能性を秘めている。
関連論文リスト
- Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - Machine Learning Based Analytics for the Significance of Gait Analysis
in Monitoring and Managing Lower Extremity Injuries [0.0]
この研究は、合併症を予測する教師付き機械学習モデルの習熟度に焦点を当てた。
XGBoostはSMOTEの適用前後で最適なモデルであった。
この結果は、整形外科をデータインフォームドアプローチにシフトさせ、患者の結果を向上させるのに役立つ。
論文 参考訳(メタデータ) (2023-09-27T20:12:19Z) - Supervised Machine Learning for Breast Cancer Risk Factors Analysis and
Survival Prediction [0.5249805590164902]
最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。
本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
論文 参考訳(メタデータ) (2023-04-13T12:32:14Z) - 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) - Predicting adverse outcomes following catheter ablation treatment for
atrial fibrillation [2.202746751854349]
AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。
伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
論文 参考訳(メタデータ) (2022-11-22T02:55:51Z) - Interpretable estimation of the risk of heart failure hospitalization
from a 30-second electrocardiogram [2.167398752829277]
本研究は,30秒の単心電図信号で心不全の入院を推定できることを示唆する。
機械学習アプローチを使用することで、予測能力が向上するだけでなく、臨床的に意味のある解釈も得られる。
論文 参考訳(メタデータ) (2022-11-02T01:53:07Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-18T23:13:48Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - 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) - 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) - Gradient Boosting on Decision Trees for Mortality Prediction in
Transcatheter Aortic Valve Implantation [5.050648346154715]
心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。
本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
論文 参考訳(メタデータ) (2020-01-08T10:04:42Z)
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。