論文の概要: Utilizing AI Language Models to Identify Prognostic Factors for Coronary Artery Disease: A Study in Mashhad Residents

• arxiv url: http://arxiv.org/abs/2501.09480v1
• Date: Thu, 16 Jan 2025 11:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:09:44.701167
• Title: Utilizing AI Language Models to Identify Prognostic Factors for Coronary Artery Disease: A Study in Mashhad Residents
• Title（参考訳）: AI言語モデルを用いた冠動脈疾患の予後因子の同定 : マシュハド住民を対象として
• Authors: Bami Zahra, Behnampour Nasser, Doosti Hassan, Ghayour Mobarhan Majid,
• Abstract要約: 本研究の目的は,Naive Bayes,REP Tree,J48,CART,CHAIDアルゴリズムを用いて,マシュハドの冠動脈疾患の予後マーカーを評価することである。 CARTおよびCHAIDモデルにおける冠動脈疾患の主な予後因子は、年齢、心筋梗塞歴、高血圧、うつ病スコア、身体活動、BMIである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Abstract: Background: Understanding cardiovascular artery disease risk factors, the leading global cause of mortality, is crucial for influencing its etiology, prevalence, and treatment. This study aims to evaluate prognostic markers for coronary artery disease in Mashhad using Naive Bayes, REP Tree, J48, CART, and CHAID algorithms. Methods: Using data from the 2009 MASHAD STUDY, prognostic factors for coronary artery disease were determined with Naive Bayes, REP Tree, J48, CART, CHAID, and Random Forest algorithms using R 3.5.3 and WEKA 3.9.4. Model efficiency was compared by sensitivity, specificity, and accuracy. Cases were patients with coronary artery disease; each had three controls (totally 940). Results: Prognostic factors for coronary artery disease in Mashhad residents varied by algorithm. CHAID identified age, myocardial infarction history, and hypertension. CART included depression score and physical activity. REP added education level and anxiety score. NB included diabetes and family history. J48 highlighted father's heart disease and weight loss. CHAID had the highest accuracy (0.80). Conclusion: Key prognostic factors for coronary artery disease in CART and CHAID models include age, myocardial infarction history, hypertension, depression score, physical activity, and BMI. NB, REP Tree, and J48 identified numerous factors. CHAID had the highest accuracy, sensitivity, and specificity. CART offers simpler interpretation, aiding physician and paramedic model selection based on specific. Keywords: RF, Na\"ive Bayes, REP, J48 algorithms, Coronary Artery Disease (CAD).
• Abstract（参考訳）: 要約: 心臓血管性動脈疾患の危険因子を理解することは、その病因、流行、治療に影響を与えるのに不可欠である。 本研究の目的は,Naive Bayes,REP Tree,J48,CART,CHAIDアルゴリズムを用いて,マシュハドの冠動脈疾患の予後マーカーを評価することである。 方法: 2009年MASHAD研究のデータを用いて, R 3.5.3 と WEKA 3.9.4 を用いて, Naive Bayes,REP Tree,J48,CART,CHAID,ランダムフォレストアルゴリズムを用いて冠動脈疾患の予後因子を決定した。 モデル効率は感度,特異度,精度で比較した。 症例は冠状動脈疾患の3例で, それぞれ3例(総計940例)であった。 結果:マシュハド住民の冠動脈疾患の予後因子はアルゴリズムによって異なっていた。 CHAIDでは,年齢,心筋梗塞歴,高血圧を認めた。 CARTにはうつ病スコアと身体活動が含まれていた。 REPは教育レベルと不安スコアを追加した。 NBは糖尿病と家族歴を含む。 J48は父親の心臓病と体重減少を強調した。 CHAIDの精度は0.80。 結論: CARTおよびCHAIDモデルにおける冠動脈疾患の主な予後因子は,年齢,心筋梗塞歴,高血圧,うつ病スコア,身体活動,BMIである。 NB,REP木,J48は多数の因子を同定した。 CHAIDは高い精度,感度,特異性を示した。 CARTは、より単純な解釈、医師の支援、および特定に基づく救急モデル選択を提供する。 キーワード:RF、Na\"ive Bayes、REP、J48アルゴリズム、冠動脈疾患(CAD)。

関連論文リスト

• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• 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)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Explainable Deep Learning Algorithm for Distinguishing Incomplete Kawasaki Disease by Coronary Artery Lesions on Echocardiographic Imaging [2.8620557933595583]
  川崎病(KD)は臨床症状の欠如により誤診されることが多い。 結果: SE-ResNext50は, 分類の精度, 特異性, 精度で最高の性能を示した。
  論文  参考訳（メタデータ） (2022-04-05T11:39:02Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• 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)
• Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
  本研究では,人工知能を用いた心房細動検出法を提案する。 本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
  論文  参考訳（メタデータ） (2021-04-15T12:50:16Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)
• Coronary Artery Disease Diagnosis; Ranking the Significant Features Using Random Trees Model [0.9634136878988853]
  本研究の目的は,冠状動脈疾患の診断精度を高めることにある。 提案手法は有望な結果を示し,RTモデルが他のモデルより優れていることを確認した。
  論文  参考訳（メタデータ） (2020-01-16T20:01:09Z)

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。