論文の概要: Transforming Heart Disease Prediction with Advanced Machine Learning Techniques
- arxiv url: http://arxiv.org/abs/2608.18687v1
- Date: Wed, 19 Aug 2026 08:37:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.346118
- Title: Transforming Heart Disease Prediction with Advanced Machine Learning Techniques
- Title（参考訳）: 高度な機械学習技術を用いた心疾患の予測
- Abstract要約: 本研究は,機械学習(ML)技術を用いた心臓疾患の予測分析に焦点を当てた。
UCIとKaggleリポジトリからの2つのデータセットが利用され、それぞれが心臓の健康指標に関連する14の属性を含んでいる。
その結果、SVMはUCIデータセットで最高のパフォーマンスを達成し、Simple CartはKaggleデータセットで最高のパフォーマンスを示した。
- 参考スコア（独自算出の注目度）: 0.7734726150561086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart disease remains the leading cause of mortality globally, necessitating early and accurate detection to improve patient outcomes. This research focuses on the predictive analysis of heart disease using machine learning (ML) techniques, comparing the performance of multiple classifiers to identify the most accurate and least error-prone method. Two datasets from UCI and Kaggle repositories were utilized, each containing 14 attributes related to heart health indicators. Techniques including J48, Naive Bayes, Logistic Regression, Simple Cart, Bagging, Decision Stump, AdaBoost, Artificial Neural Networks, and Support Vector Machine (SVM) were applied. Evaluation metrics such as Mean Absolute Error (MAE), Relative Absolute Error (RAE), accuracy, precision, recall, and F-measure were used for performance comparison. Results revealed that SVM achieved the highest performance on the UCI dataset, while Simple Cart performed best on the Kaggle dataset, offering the highest accuracy and lowest error rates. The research work concludes that ML models, when properly tuned and validated, can significantly assist in the early diagnosis of heart disease, offering critical support for clinical decision-making. Future work may involve hybrid approaches and the use of more recent datasets to further improve prediction accuracy.
- Abstract（参考訳）: 心臓病は、患者の予後を改善するために、早期かつ正確な検出を必要とする、世界的な死亡率の主要な原因である。
本研究では、機械学習(ML)技術を用いて心臓病の予測分析を行い、複数の分類器の性能を比較し、最も正確かつ最小限のエラー原因を同定する。
UCIとKaggleリポジトリからの2つのデータセットが利用され、それぞれが心臓の健康指標に関連する14の属性を含んでいる。
J48, Naive Bayes, Logistic Regression, Simple Cart, Bagging, Decision Stump, AdaBoost, Artificial Neural Networks, Support Vector Machine (SVM) などのテクニックを適用した。
平均絶対誤差(MAE)、相対絶対誤差(RAE)、精度、精度、リコール、F測定などの評価指標を性能比較に用いた。
その結果、SVMはUCIデータセット上で最高のパフォーマンスを達成し、Simple CartはKaggleデータセット上で最高のパフォーマンスを示し、高い精度と低いエラー率を提供した。
この研究は、MLモデルが適切に調整され、検証されると、心臓病の早期診断を著しく支援し、臨床的意思決定に重要な支援を提供すると結論付けている。
今後の作業には、ハイブリッドアプローチと、予測精度をさらに向上するために、より最近のデータセットの使用が含まれる可能性がある。
関連論文リスト
- An Adaptive Machine Learning Triage Framework for Predicting Alzheimer's Disease Progression [12.418201300163545]
軽度認知障害(MCI)からアルツハイマー病(AD)への転換の正確な予測は、効果的なパーソナライズされた治療を可能にする。
予測された「情報の価値」に基づいて、高度でコストのかかる特徴を選択的に得る2段階の機械学習フレームワークを設計する。
我々のフレームワークは、基本的な機能と高度な機能の両方を使用するモデルに匹敵する0.929のAUROCを達成しながら、高度なテストの必要性を20%削減します。
論文 参考訳（メタデータ） (2025-11-10T03:57:56Z) - Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。
この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
論文 参考訳（メタデータ） (2025-11-06T23:20:37Z) - MIEO: encoding clinical data to enhance cardiovascular event prediction [31.458406135473805]
臨床データから知識を抽出し、臨床事象を予測する機械学習手法が用いられている。
有望なアプローチでは、ラベル付きデータの低可用性と、欠落した値につながるデータという、少なくとも2つの大きな問題に悩まされる。
本研究は,これらの課題に効率的に対処するための自己教師付きオートエンコーダを提案する。
論文 参考訳（メタデータ） (2025-10-13T10:47:49Z) - Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。
本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。
記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
論文 参考訳（メタデータ） (2025-07-25T11:30:22Z) - Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。
新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。
一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
論文 参考訳（メタデータ） (2025-06-23T09:16:04Z) - Stroke Disease Classification Using Machine Learning with 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) - 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) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳（メタデータ） (2023-09-20T21:23:37Z) - Diagnosing Human-object Interaction Detectors [42.283857276076596]
本稿では,HOI検出モデルの定量的なブレークダウン解析を行うための診断ツールボックスを提案する。
我々は8つの最先端HOI検出モデルを分析し、今後の研究を促進する貴重な診断洞察を提供する。
論文 参考訳（メタデータ） (2023-08-16T17:39:15Z) - Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review
and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。
その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。
再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文 参考訳（メタデータ） (2023-04-21T11:54:44Z) - An Intelligent Decision Support Ensemble Voting Model for Coronary
Artery Disease Prediction in Smart Healthcare Monitoring Environments [0.0]
冠動脈疾患 (CAD) は、世界で最も一般的な心臓疾患の1つである。
機械学習(ML)アルゴリズムに基づくe-diagnosisツールは、スマートヘルスケア監視システムで使用することができる。
論文 参考訳（メタデータ） (2022-10-25T21:09:34Z) - 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)
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。