Noul model de învățare automată realizează predicția bolilor de inimă cu o precizie de peste 95%

Un studiu recent publicat în Scientific Reports abordează provocările actuale în diagnosticarea bolilor cardiovasculare, cum ar fi acuratețea diagnosticului neuniformă și supradimensionarea, prin aplicarea tehnologiilor moderne și a procedurilor de selecție a caracteristicilor. Cercetătorii au dezvoltat un model de predicție a bolilor de inimă bazat pe învățarea automată (ML-HDPM), utilizând diverse combinații de informații și numeroase metode de clasificare recunoscute.
Modelul ML-HDPM a fost construit folosind date din bazele de date Cleveland, Elveția, Long Beach și Ungaria, cu procese de prelucrare și selecție a datelor, oversampling bazat pe cluster și clasificare. Tehnici precum eliminarea recursivă a caracteristicilor (RFEM) și algoritmul genetic (GA) au fost utilizate pentru a selecta caracteristicile relevante, îmbunătățind rezistența modelului. Abordări precum tehnica de oversampling a clusterelor de sub-echantionare (USCOM) corectează dezechilibrele de date, în timp ce clasificarea utilizează rețele neurale convoluționale profunde cu mai multe straturi (MLDCNN) și metoda de optimizare adaptivă a turmei de elefanți (AEHOM).

Modelul ML-HDPM a prezis boala cardiovasculară cu o acuratețe de 96% și o precizie de 95%, demonstrând performanțe remarcabile în diverse criterii de evaluare critice. Succesul modelului se datorează combinării extracției complexe de caracteristici, corecțiilor de dezechilibru de date și învățării automate.

Algoritmi de selecție a caracteristicilor au identificat calități semnificative asociate cu sănătatea cardiovasculară, permițând detectarea unor modele subtile indicatoare ale bolii. Tehnici eficiente de echilibrare a datelor asigură antrenarea modelului pe seturi de date reprezentative, inclusiv învățarea profundă și optimizarea AEHOM pentru îmbunătățirea acurateței modelului.

ML-HDPM depășește alte algoritmi în antrenament (95%) și testare (88%), cu rate mai scăzute de fals pozitiv (FPR) datorită selecțiilor de caracteristici, echilibrului de date și componentelor îmbunătățite de învățare automată. Acest model prezintă un potențial promițător în aplicațiile de diagnostic cardiovascular, indicând că poate crește precizia și viteza identificării bolilor cardiovasculare, îmbunătățind astfel standardul de îngrijire.

Cu toate acestea, sunt necesare investigații suplimentare pentru a optimiza modelul și calitatea datelor și pentru a explora utilizarea sa de către profesioniștii din domeniul sănătății în contexte reale.

sursa: News Medical