論文の概要: A Comprehensive Machine Learning Framework for Heart Disease Prediction: Performance Evaluation and Future Perspectives

• arxiv url: http://arxiv.org/abs/2505.09969v1
• Date: Thu, 15 May 2025 05:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.189825
• Title: A Comprehensive Machine Learning Framework for Heart Disease Prediction: Performance Evaluation and Future Perspectives
• Title（参考訳）: 心疾患予測のための総合的機械学習フレームワーク : 性能評価と今後の展望
• Authors: Ali Azimi Lamir, Shiva Razzagzadeh, Zeynab Rezaei,
• Abstract要約: 本研究では,心臓病予測のための機械学習ベースのフレームワークを提案する。 提案モデルでは, 心疾患を効果的に予測し, 臨床的意思決定を支援する可能性を示す。
• 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: This study presents a machine learning-based framework for heart disease prediction using the heart-disease dataset, comprising 303 samples with 14 features. The methodology involves data preprocessing, model training, and evaluation using three classifiers: Logistic Regression, K-Nearest Neighbors (KNN), and Random Forest. Hyperparameter tuning with GridSearchCV and RandomizedSearchCV was employed to enhance model performance. The Random Forest classifier outperformed other models, achieving an accuracy of 91% and an F1-score of 0.89. Evaluation metrics, including precision, recall, and confusion matrix, revealed balanced performance across classes. The proposed model demonstrates strong potential for aiding clinical decision-making by effectively predicting heart disease. Limitations such as dataset size and generalizability underscore the need for future studies using larger and more diverse datasets. This work highlights the utility of machine learning in healthcare, offering insights for further advancements in predictive diagnostics.
• Abstract（参考訳）: 本研究は,14つの特徴を持つ303サンプルからなる心不全データセットを用いて,心臓疾患予測のための機械学習ベースのフレームワークを提案する。 この手法には、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(KNN)、ランダムフォレスト(Random Forest)の3つの分類器を用いたデータ前処理、モデルトレーニング、評価が含まれる。 GridSearchCVとRandomizedSearchCVによるハイパーパラメータチューニングは、モデルパフォーマンスを向上させるために使用された。 ランダムフォレスト分類器は他のモデルよりも優れており、精度は91%、F1スコアは0.89である。 精度、リコール、混乱行列などの評価指標は、クラス間でのバランスの取れた性能を明らかにした。 提案モデルでは, 心疾患を効果的に予測し, 臨床的意思決定を支援する可能性を示す。 データセットのサイズや一般化可能性といった制限は、より大きく多様なデータセットを使った将来の研究の必要性を浮き彫りにしている。 この研究は、医療における機械学習の有用性を強調し、予測診断のさらなる進歩に対する洞察を提供する。

関連論文リスト

• Enhancing stroke disease classification through machine learning models by feature selection techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
  本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。 Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-16T22:32:19Z)
• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。 機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。 本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm [0.0]
  心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。 データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。 本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-30T16:42:27Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。