A Novel Paradigm in Cardiovascular Disease Risk Prediction Through Hybrid Machine Learning

Аннотация

Новая парадигма в прогнозировании риска сердечно-сосудистых заболеваний с помощью гибридного машинного обучения

Парвез Рахи, Сандип Сингх Канг

Известно, что сердечные заболевания убивают больше всего людей во всей вселенной, ежегодно унося жизни более 17,9 миллионов человек. Раннее и точное прогнозирование риска считается необходимым для улучшения клинических результатов, а также снижения нагрузки на здравоохранение. В этой статье предлагается инновационная гибридная структура машинного обучения, которая прогнозирует сердечные заболевания с хорошей степенью точности, используя жизненно важные медицинские факторы, а также факторы образа жизни. Такие клинически значимые параметры, как ИМТ, диабетический анамнез, гипертоническое состояние, инсульт в анамнезе, хроническое заболевание почек, физическая неактивность и психические расстройства сами по себе известны как факторы риска сердечно-сосудистой патологии. Гибридная модель использует XGBoost, который сочетает в себе преимущества обоих алгоритмов, SVM и DNN. Эти передовые инженерные методы улавливают сложные нелинейные корреляции между переменными риска, такими как диабет и ожирение, с помощью полиномиальных преобразований и условий взаимодействия. Алгоритм SMOTE помог в классификации работы для устранения дисбаланса классов и повышения точности прогнозирования за счет использования правильно сбалансированного набора данных для обучения модели. Предложенный метод показал лучшие результаты, чем традиционные модели прогнозирования, с точностью 94%. Нет риска, низкий риск, умеренный риск, высокий риск и тяжелое заболевание сердца — это пять категорий, которые используются для точной классификации риска сердечных заболеваний. Четыре ключевых предиктора сердечных заболеваний — используемый алгоритм определил ИМТ, гипертонию, диабет и физическое здоровье — хорошо согласуются с современными медицинскими знаниями. Этот алгоритм представляет собой мощный инструмент для врачей, которые могут использовать его для стратификации своих пациентов на индивидуальной основе и, в частности, для раннего выявления тех, кто находится в группе высокого риска. Модель поможет врачам предлагать конкретные методы лечения, будучи интегрированной в клиническую практику, тем самым в итоге приводя к улучшению результатов для пациентов и снижению распространенности сердечно-сосудистых событий с течением времени.