論文の概要: Heart disease risk prediction using deep learning techniques with
feature augmentation
- arxiv url: http://arxiv.org/abs/2402.05495v1
- Date: Thu, 8 Feb 2024 09:07:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 15:53:36.458533
- Title: Heart disease risk prediction using deep learning techniques with
feature augmentation
- Title(参考訳): 機能増強を用いた深層学習による心疾患リスク予測
- Authors: Mar\'ia Teresa Garc\'ia-Ord\'as, Mart\'in Bay\'on-Guti\'errez, Carmen
Benavides, Jose Aveleira-Mata and Jos\'e Alberto Ben\'itez-Andrades
- Abstract要約: 年齢、性別、コレステロール値、血糖値、心拍数などの要因は、生命を脅かす心臓に影響を及ぼすことが知られている。
変数が多すぎるため、専門家が各患者に対してこの情報を考慮に入れることはしばしば困難である。
本論文では, 患者が心血管疾患に罹患するリスクがあるかどうかを評価するための特徴増強手法と併用して, 深層学習手法を提案する。
- 参考スコア(独自算出の注目度): 0.7499722271664147
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cardiovascular diseases state as one of the greatest risks of death for the
general population. Late detection in heart diseases highly conditions the
chances of survival for patients. Age, sex, cholesterol level, sugar level,
heart rate, among other factors, are known to have an influence on
life-threatening heart problems, but, due to the high amount of variables, it
is often difficult for an expert to evaluate each patient taking this
information into account. In this manuscript, the authors propose using deep
learning methods, combined with feature augmentation techniques for evaluating
whether patients are at risk of suffering cardiovascular disease. The results
of the proposed methods outperform other state of the art methods by 4.4%,
leading to a precision of a 90%, which presents a significant improvement, even
more so when it comes to an affliction that affects a large population.
- Abstract(参考訳): 心臓血管疾患は一般市民にとって最大の死亡リスクの1つである。
心疾患の遅発性検出は、患者が生存する可能性が高い。
年齢、性別、コレステロール値、血糖値、心拍数などの要因は、生命を脅かす心臓問題に影響を及ぼすことが知られているが、多くの変数があるため、専門家がこの情報を考慮に入れている各患者を評価することはしばしば困難である。
本論文は,患者が心血管疾患に罹患するリスクがあるかどうかを評価するための特徴増強手法と併用したディープラーニング手法を提案する。
提案手法は技術手法の他の状態を4.4%上回る結果となり,90%の精度が得られた。
関連論文リスト
- Explainable LightGBM Approach for Predicting Myocardial Infarction Mortality [0.0]
心筋梗塞は世界中で死亡の主な原因であり、患者の予後を改善するためには正確なリスク予測が不可欠である。
本稿では,データ前処理タスクの影響について検討し,木組化促進手法を3つ比較し,死亡リスクを予測した。
F1スコアが91,2%、データ前処理なしのLightGBMが91,8%であるのに対し、本手法は既存の機械学習手法と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2024-04-23T13:35:22Z) - 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) - 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) - CARNA: Characterizing Advanced heart failure Risk and hemodyNAmic
phenotypes using learned multi-valued decision diagrams [6.599394944440605]
CARNAは、進行心不全に対する血行動態のリスク層化および表現型化の枠組みである。
機械学習による多値決定図(MVDD)の説明可能性と表現性を利用する。
侵襲的な血行動態を組み込んでおり、欠落したデータの予測を行うことができる。
論文 参考訳(メタデータ) (2023-06-11T22:56:59Z) - Predicting Heart Disease and Reducing Survey Time Using Machine Learning
Algorithms [0.0]
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。
論文 参考訳(メタデータ) (2023-05-30T21:15:21Z) - 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) - Why Interpretable Causal Inference is Important for High-Stakes Decision
Making for Critically Ill Patients and How To Do It [80.24494623756839]
重症心身障害患者に対する因果関係評価のための枠組みを提案する。
この枠組みは、脳の発作やその他の潜在的に有害な電気的事象が結果に与える影響に適用する。
論文 参考訳(メタデータ) (2022-03-09T18:03:35Z) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳(メタデータ) (2020-09-20T12:24:45Z) - 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。