論文の概要: Enhancing the Detection of Coronary Artery Disease Using Machine Learning

• arxiv url: http://arxiv.org/abs/2603.06888v1
• Date: Fri, 06 Mar 2026 21:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.306452
• Title: Enhancing the Detection of Coronary Artery Disease Using Machine Learning
• Title（参考訳）: 機械学習による冠動脈疾患検出の強化
• Authors: Karan Kumar Singh, Nikita Gajbhiye, Gouri Sankar Mishra,
• Abstract要約: 冠状動脈疾患(CAD)は、世界中で死亡率と致死率の主要な原因である。 近年,機械学習(ML)の進歩はCAD診断の精度を高める大きな可能性を示している。 本研究では,患者データを解析してCADの検出を改善するため,MLアルゴリズムの適用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coronary Artery Disease (CAD) remains a leading cause of morbidity and mortality worldwide. Early detection is critical to recover patient outcomes and decrease healthcare costs. In recent years, machine learning (ML) advancements have shown significant potential in enhancing the accuracy of CAD diagnosis. This study investigates the application of ML algorithms to improve the detection of CAD by analyzing patient data, including clinical features, imaging, and biomarker profiles. Bi-directional Long Short-Term Memory (Bi-LSTM), Gated Recurrent Units (GRU), and a hybrid of Bi-LSTM+GRU were trained on large datasets to predict the presence of CAD. Results demonstrated that these ML models outperformed traditional diagnostic methods in sensitivity and specificity, offering a robust tool for clinicians to make more informed decisions. The experimental results show that the hybrid model achieved an accuracy of 97.07%. By integrating advanced data preprocessing techniques and feature selection, this study ensures optimal learning and model performance, setting a benchmark for the application of ML in CAD diagnosis. The integration of ML into CAD detection presents a promising avenue for personalized healthcare and could play a pivotal role in the future of cardiovascular disease management.
• Abstract（参考訳）: 冠状動脈疾患(CAD)は世界中で致死率と死亡率の主要な原因となっている。 早期発見は、患者の結果を回復し、医療費を削減するために重要である。 近年,機械学習(ML)の進歩はCAD診断の精度を高める大きな可能性を示している。 本研究は, 臨床像, 画像, バイオマーカープロファイルを含む患者データを分析し, CADの検出を改善するためのMLアルゴリズムの適用について検討した。 Bi-LSTM, Gated Recurrent Units (GRU), Bi-LSTM+GRUのハイブリッドはCADの存在を予測するために大規模なデータセット上で訓練された。 その結果、これらのMLモデルは、感度と特異性において従来の診断方法よりも優れており、臨床医がより深い意思決定を行うための堅牢なツールを提供することが示された。 実験の結果、ハイブリッドモデルは97.07%の精度を達成した。 先進的なデータ前処理技術と特徴選択を統合することにより、最適学習とモデル性能を保証し、CAD診断におけるMLの適用のためのベンチマークを設定する。 MLのCAD検出への統合は、パーソナライズされた医療にとって有望な道であり、心血管疾患管理の将来において重要な役割を果たす可能性がある。

関連論文リスト

• A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis [22.017120252054625]
  本稿では,ニューロイメージングCADシステムに適した新しいフェデレーション学習フレームワークを提案する。 私たちのアプローチには、最も適切なローカルモデルにサンプルをルーティングする動的ナビゲーションモジュールが含まれています。 1300名以上のMDD患者のfMRIデータと1100名の健常者を対象とした。
  論文  参考訳（メタデータ） (2025-08-08T07:19:49Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
  機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。 RFモデルは高次元データの処理において堅牢な性能を示す。 CNNは、がん検出において異常な精度を示している。 LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-08-05T09:41:34Z)
• Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning [24.467566885575998]
  この研究は、アルツハイマー病神経画像イニシアチブ(ADNI)データセットに基づいている。 アルツハイマー病(AD)の早期発見と進行の解明を目的とする。
  論文  参考訳（メタデータ） (2024-02-13T15:43:30Z)
• Multitask Deep Learning for Accurate Risk Stratification and Prediction of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
  リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。 提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
  論文  参考訳（メタデータ） (2023-09-01T08:34:13Z)
• AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
  我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。 実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
  論文  参考訳（メタデータ） (2023-08-29T14:33:38Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Simultaneous imputation and disease classification in incomplete medical datasets using Multigraph Geometric Matrix Completion (MGMC) [37.160335232396406]
  我々は,Multigraph Geometric Matrix Completionを用いて,不完全な医療データセットのインプットと疾患予測のエンドツーエンド学習を提案する。 我々は,最先端の手法と比較して,分類と計算性能の観点から,提案手法の優位性を実証的に示す。
  論文  参考訳（メタデータ） (2020-05-14T13:11:35Z)

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。