論文の概要: A data balancing approach designing of an expert system for Heart Disease Prediction
- arxiv url: http://arxiv.org/abs/2407.18606v1
- Date: Fri, 26 Jul 2024 08:56:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-29 14:00:25.379489
- Title: A data balancing approach designing of an expert system for Heart Disease Prediction
- Title(参考訳): 心疾患予測の専門家システムの設計のためのデータバランシング手法
- Authors: Rahul Karmakar, Udita Ghosh, Arpita Pal, Sattwiki Dey, Debraj Malik, Priyabrata Sain,
- Abstract要約: 心臓病は、毎年何百万人もの死者を出す世界的な健康上の問題である。
以前は機械学習の手法で正確に予測されていた。
この研究は、機械学習モデル、特にアンサンブルアプローチが、心臓病予測の精度を高める方法を示す。
- 参考スコア(独自算出の注目度): 0.9895793818721335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heart disease is a major global health concern that results in millions of deaths annually. Prevention and effective treatment of heart-related problems depend heavily on early detection and accurate prediction. It was previously predicted accurately with machine learning methods. This innovative development in healthcare has the power to transform preventative care and save a great deal of lives. The study starts with a thorough assessment of the literature that covers a wide range of topics, including pre-processing techniques, performance evaluation measures, datasets used in heart disease research, predictive modeling strategies, diagnostic methodologies, and current issues in the field. Building on these fundamental understandings, the background section describes the particular actions conducted in this investigation, such as the description of the dataset, data pre-treatment techniques, label encoding, feature selection methodology, algorithm selection tactics, and stringent performance evaluation techniques.The results indicate that ensemble methods, particularly random forests, outperformed individual classifiers in predicting heart disease. Key predictors identified included hypertension, cholesterol levels, smoking status, and physical inactivity. The Decision Tree and Random Forest model achieved an accuracy of 99.83%. This work demonstrates how machine learning models, particularly ensemble approaches, can increase the precision of heart disease prediction. In comparison to conventional techniques, the models offer a more reliable risk assessment since they integrate a wide range of variables and sophisticated algorithms. The results open the door to tailored healthcare treatments that facilitate early identification and treatment of cardiac disease.
- Abstract(参考訳): 心臓病は、毎年何百万人もの死者を出す世界的な健康上の問題である。
心疾患の予防と効果的な治療は早期発見と正確な予測に大きく依存する。
以前は機械学習の手法で正確に予測されていた。
医療におけるこの革新的な発展は、予防ケアを変革し、多くの命を救う力を持っている。
この研究は、前処理技術、パフォーマンス評価尺度、心臓病研究で使用されるデータセット、予測モデリング戦略、診断方法、現場における現在の問題など、幅広いトピックに関する文献の徹底的な評価から始まった。
これらの基本的理解に基づいて,本研究で実施した特定の行動,例えば,データセットの記述,データ前処理技術,ラベルエンコーディング,特徴選択手法,アルゴリズム選択戦術,厳密なパフォーマンス評価手法について述べる。
主要な予測因子は高血圧、コレステロール値、喫煙状態、身体的不活性である。
決定木とランダムフォレストモデルは99.83%の精度を達成した。
この研究は、機械学習モデル、特にアンサンブルアプローチが、心臓病予測の精度を高める方法を示す。
従来の手法と比較して、モデルは幅広い変数と洗練されたアルゴリズムを統合するため、より信頼性の高いリスク評価を提供する。
結果は、心臓疾患の早期発見と治療を容易にする医療治療の調整への扉を開く。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-07-24T04:47:36Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - Evaluating The Accuracy of Classification Algorithms for Detecting Heart
Disease Risk [0.0]
本研究は、心臓疾患の医学的データセットを用いた分類アルゴリズムを利用する。
アルゴリズムの性能は,精度,感度,特異性などの標準指標を用いて評価した。
その結果、心臓病を予測する最良のアルゴリズムは、99.24%の精度でランダムフォレストであることがわかった。
論文 参考訳(メタデータ) (2023-12-06T06:41:48Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
機械学習を用いた心疾患予測システムを構築した。
心臓疾患のある人と正常な人とを簡単に区別することができる。
論文 参考訳(メタデータ) (2023-04-12T17:53:59Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - 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) - 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) - Novel Deep Learning Architecture for Heart Disease Prediction using
Convolutional Neural Network [0.0]
心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。
本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。
提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
論文 参考訳(メタデータ) (2021-05-22T22:00:57Z) - Feature selection for medical diagnosis: Evaluation for using a hybrid
Stacked-Genetic approach in the diagnosis of heart disease [0.0]
心臓病は過去10年間に最も重要な死因の1つとなっています。
本論文では,ラッパー機能低減を用いたアンサンブルジェネティック学習法を提案し,疾患分類の特徴を選定する。
論文 参考訳(メタデータ) (2021-03-15T07:31:14Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z)
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。