論文の概要: Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection

• arxiv url: http://arxiv.org/abs/2401.05380v1
• Date: Sun, 17 Dec 2023 18:18:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 08:43:12.230732
• Title: Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection
• Title（参考訳）: バイオインスパイアされた特徴選択を用いた慢性疾患予測のためのデータセット最適化
• Authors: Abeer Dyoub, Ivan Letteri
• Abstract要約: 本研究は慢性疾患領域における予測分析の進歩に寄与する。 この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
• 参考スコア（独自算出の注目度）: 0.32634122554913997
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this study, we investigated the application of bio-inspired optimization algorithms, including Genetic Algorithm, Particle Swarm Optimization, and Whale Optimization Algorithm, for feature selection in chronic disease prediction. The primary goal was to enhance the predictive accuracy of models streamline data dimensionality, and make predictions more interpretable and actionable. The research encompassed a comparative analysis of the three bio-inspired feature selection approaches across diverse chronic diseases, including diabetes, cancer, kidney, and cardiovascular diseases. Performance metrics such as accuracy, precision, recall, and f1 score are used to assess the effectiveness of the algorithms in reducing the number of features needed for accurate classification. The results in general demonstrate that the bio-inspired optimization algorithms are effective in reducing the number of features required for accurate classification. However, there have been variations in the performance of the algorithms on different datasets. The study highlights the importance of data pre-processing and cleaning in ensuring the reliability and effectiveness of the analysis. This study contributes to the advancement of predictive analytics in the realm of chronic diseases. The potential impact of this work extends to early intervention, precision medicine, and improved patient outcomes, providing new avenues for the delivery of healthcare services tailored to individual needs. The findings underscore the potential benefits of using bio-inspired optimization algorithms for feature selection in chronic disease prediction, offering valuable insights for improving healthcare outcomes.
• Abstract（参考訳）: 本研究では, 遺伝アルゴリズム, 粒子群最適化, クジラ最適化アルゴリズムなどの生物インスパイアされた最適化アルゴリズムの慢性疾患予測における特徴選択への応用について検討した。 第一の目標は、モデルの予測精度を高め、データの次元を合理化し、予測をより解釈可能で実用的なものにすることであった。 この研究は、糖尿病、癌、腎臓、心血管疾患を含む、さまざまな慢性疾患にまたがる3つの生体インスパイアされた特徴選択アプローチの比較分析を含んでいる。 精度、精度、リコール、f1スコアなどのパフォーマンス指標は、正確な分類に必要な特徴の数を減らすアルゴリズムの有効性を評価するために使用される。 その結果, バイオインスパイアされた最適化アルゴリズムは, 正確な分類に必要な特徴数を削減できることを示した。 しかし、異なるデータセットにおけるアルゴリズムの性能は様々である。 この研究は、データの事前処理とクリーニングの重要性を強調し、分析の信頼性と有効性を保証する。 本研究は慢性疾患の分野における予測分析の進歩に寄与する。 この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでおり、個々のニーズに合わせて医療サービスを届けるための新たな道を提供する。 この結果は、慢性疾患の予測における特徴選択にバイオインスパイアされた最適化アルゴリズムを使用することの潜在的な利点を強調し、医療結果を改善するための貴重な洞察を提供する。

関連論文リスト

• Comparative Study of Machine Learning Algorithms in Detecting Cardiovascular Diseases [0.0]
  機械学習技術を用いた心血管疾患(CVD)の検出は、医学的診断において大きな進歩を示している。 本研究では,ロジスティック回帰,決定木,ランダムフォレスト,グラディエントブースティング,サポートベクトルマシン(SVM),K-Nearest Neighbors(KNN),XGBoostなど,さまざまな機械学習アルゴリズムの比較分析を行った。 本研究は,アンサンブル法と高度なアルゴリズムを用いて信頼性の高い予測を行い,CVD検出のための包括的枠組みを提供する。
  論文  参考訳（メタデータ） (2024-05-27T11:29:54Z)
• Application of Machine Learning Algorithms in Classifying Postoperative Success in Metabolic Bariatric Surgery: A Comprehensive Study [0.32985979395737786]
  本研究は, メタボリック・バリウム手術の文脈において, 患者を分類するための新しい機械学習手法を提案する。 GaussianNB、ComplementNB、KNN、Decision Tree、RandomOverSamplerのKNN、SMOTEのKNNなど、さまざまな機械学習モデルを73人のデータセットに適用した。
  論文  参考訳（メタデータ） (2024-03-29T11:27:37Z)
• A novel Network Science Algorithm for Improving Triage of Patients [2.209921757303168]
  患者トリアージは、患者の状態の緊急性に基づいて、タイムリーかつ適切なケアを確保するために、医療において重要な役割を果たす。 近年の関心は、人工知能(AI)を活用して、トリアージ患者のためのアルゴリズムを開発することである。 本稿では, 患者データを分析し, プライオリティ化に関する決定を導出する新アルゴリズムの開発について述べる。
  論文  参考訳（メタデータ） (2023-10-09T08:47:12Z)
• A New Deep Learning and XAI-Based Algorithm for Features Selection in Genomics [5.787117733071415]
  本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。 慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
  論文  参考訳（メタデータ） (2023-03-29T16:44:13Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Surrogate-assisted performance prediction for data-driven knowledge discovery algorithms: application to evolutionary modeling of clinical pathways [0.0]
  本稿では,データ駆動型知識発見アルゴリズムの性能予測手法の提案と検討を行う。 この手法は、ターゲットアルゴリズムの品質と性能を予測するための代理モデルの同定に基づいている。
  論文  参考訳（メタデータ） (2020-04-02T16:49:43Z)

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。