Прогнозирование сердечно-сосудистых заболеваний сердца на основе машинного метода активного обучения от UCI

Том 13 научных отчетов, номер статьи: 13588 (2023) Цитировать эту статью

412 Доступов

5 Альтметрика

Подробности о метриках

Болезни сердца являются важной глобальной причиной смертности, и ее прогнозирование с помощью анализа клинических данных представляет собой сложную задачу. Машинное обучение (МО) стало ценным инструментом для диагностики и прогнозирования заболеваний сердца путем анализа данных здравоохранения. Предыдущие исследования широко использовали методы МО в медицинских исследованиях для прогнозирования заболеваний сердца. В этом исследовании восемь классификаторов ML использовались для выявления важнейших функций, которые повышают точность прогнозирования заболеваний сердца. Для разработки модели прогнозирования использовались различные комбинации функций и известные алгоритмы классификации. Были реализованы модели нейронных сетей, такие как наивные байесовские и радиальные базисные функции, которые достигли точности 94,78% и 90,78% соответственно при прогнозировании заболеваний сердца. Среди современных методов прогнозирования сердечно-сосудистых проблем, векторное квантование обучения показало самую высокую точность - 98,7%. Мотивация прогнозирования сердечно-сосудистых заболеваний сердца заключается в их потенциале спасения жизней, улучшения результатов в отношении здоровья и эффективного распределения ресурсов здравоохранения. Ключевые вклады включают раннее вмешательство, персонализированную медицину, технологические достижения, влияние на общественное здравоохранение и текущие исследования, все из которых в совокупности направлены на снижение бремени ИБС как на отдельных пациентов, так и на общество в целом.

Индустрия здравоохранения генерирует много данных о пациентах, болезнях и диагнозах, но они не используются правильно для получения желаемых результатов. Болезни сердца и инсульт являются двумя основными причинами смертности. Согласно отчету ВОЗ, сердечно-сосудистые заболевания ежегодно убивают более 17,8 миллионов человек. Из-за недостаточного анализа огромные объемы данных о пациентах, заболеваниях и диагнозах в отрасли здравоохранения не оказывают ожидаемого эффекта на здоровье пациентов1. Заболевания сердца и кровеносных сосудов, или ССЗ, включают ишемическую болезнь сердца, миокардит, сосудистые заболевания и другие состояния. Инсульт и болезни сердца убивают 80% всех людей, умирающих от сердечно-сосудистых заболеваний. Три четверти всех умирающих людей моложе 70 лет. Основными факторами, которые подвергают вас риску сердечно-сосудистых заболеваний, являются ваш пол, курение, возраст, семейный анамнез, неправильное питание, уровень липидов, отсутствие физической активности, высокое кровяное давление. , увеличение веса и употребление алкоголя2. Высокое кровяное давление и диабет — два примера того, что может передаваться по наследству и повышать вероятность сердечно-сосудистых заболеваний. Некоторые другие факторы, повышающие риск, — это малоподвижный образ жизни, избыточный вес, плохое питание, боли в спине, шее и плечах, сильная усталость и учащенное сердцебиение. У большинства людей наблюдаются боли в груди, плечах, руках, одышка и общее чувство слабости. Как это было в течение долгого времени, боль в груди является наиболее распространенным признаком того, что сердцу не хватает крови3. Такая боль в груди в медицине называется стенокардией. Некоторые тесты, такие как рентген, магнитно-резонансная томография (МРТ) и ангиография, могут помочь выяснить, в чем дело. С другой стороны, иногда важное медицинское оборудование труднодоступно, что ограничивает возможности действий в чрезвычайной ситуации. Когда дело доходит до выяснения того, что не так с вашим сердцем, и лечения, каждая секунда имеет значение4. Диагностика сердечно-сосудистых заболеваний не так хороша, как могла бы быть, и существует огромная потребность в более качественном анализе больших данных при перепроектировании сердечно-сосудистой системы и результатах лечения пациентов. Но шум, неполнота и неточности в данных мешают сделать из них четкие, точные и обоснованные выводы. Благодаря недавним улучшениям в таких технологиях, как большие данные, хранение и поиск информации, компьютеризированный интеллект играет важную роль в кардиологии. Чтобы сделать выводы на основе данных, полученных с помощью различных моделей машинного обучения, исследователи использовали методы предварительной обработки5. Используя общий набор алгоритмов и их вариаций, которые используются для отслеживания наследственных заболеваний сердца и здоровых людей, можно предсказать, когда наступит первая стадия сердечной недостаточности. Техника классификации, машины DT, SVC, LR и RF — все это типы алгоритмов, которые можно использовать для прогнозирования остановки сердца. Когда дело доходит до машинного обучения, существует три основных способа мышления: три основных типа машинного обучения — это управляемое задачами контролируемое машинное обучение (классификация/регрессия), управляемое данными неконтролируемое машинное обучение (кластеризация) и обучение с подкреплением, управляемое ошибками ( РЛ). Ишемическая болезнь сердца – очень распространенное заболевание магистральных кровеносных сосудов, несущих кровь к сердечной мышце. Бляшки, состоящие из липопротеинов, могут накапливаться в артериях сердца, что может привести к ишемической болезни сердца. Атеросклероз – это название образования этих бляшек6. Атеросклероз замедляет ток крови по венам к грудной клетке и другим органам. Он повышается, если у вас болезнь сердца, стенокардия или инсульт. Мужчины и женщины могут иметь разные предупреждающие признаки и симптомы ишемической болезни сердца. Например, мужчины чаще, чем женщины, страдают от болей в груди. Помимо боли в груди, женщины чаще испытывают одышку, тошноту и внезапное утомление. Сердечная недостаточность, стеснение в груди, давление в груди и боль в груди могут быть признаками ишемической болезни сердца7. Система прогнозирования сердечно-сосудистых заболеваний включает в себя метод наивной байесовской классификации, помогающий принимать решения. Анализируя обширную базу данных прошлых случаев сердечно-сосудистых заболеваний, система обнаруживает ценную информацию. Эта модель очень эффективна при выявлении пациентов с риском сердечно-сосудистых заболеваний. Он обладает способностью отвечать на сложные запросы, демонстрируя свои сильные стороны с точки зрения интерпретируемости, доступа к полной информации и точности8. Принятие точных и своевременных решений имеет решающее значение в медицинской сфере, особенно при лечении пациентов. Методы машинного обучения (МО) играют важную роль в прогнозировании заболеваний, используя обширные данные, генерируемые отраслью здравоохранения. В Индии болезни сердца являются основной причиной смертности, и Всемирная организация здравоохранения (ВОЗ) подчеркивает важность своевременного вмешательства для прогнозирования и предотвращения инсультов. В этой статье основное внимание уделяется прогнозированию сердечно-сосудистых заболеваний с повышенной точностью за счет использования таких методов машинного обучения, как дерево решений и наивный Байес, в сочетании с факторами риска. Набор данных, используемый в этом исследовании, представляет собой набор данных о сердечной недостаточности, который включает 13 атрибутов9. Автор исследовал, насколько хорошо два алгоритма, машина опорных векторов (SVM) и наивный байесовский алгоритм, прогнозируют возникновение сердечно-сосудистых заболеваний и статус выживаемости пациентов. Алгоритмы были применены к набору данных, который включал шестнадцать атрибутов из Центра машинного обучения и интеллектуальных систем Калифорнийского университета в Ирвайне. Для оценки эффективности моделей использовалась матрица путаницы для визуализации таких показателей, как точность, полнота, прецизионность и ошибка. Кроме того, был проведен статистический анализ с использованием кривой рабочей характеристики приемника (ROC) и расчетом площади под кривой, чтобы продемонстрировать точность моделей10. В этой исследовательской статье представлена ​​система, которая использует нейронную сеть с радиальной базисной функцией для точного прогнозирования восьми различных типов сердечных аритмий. Основным направлением исследования является анализ данных временных рядов сердечного ритма, а предлагаемый алгоритм специально разработан для прогнозирования конкретных аритмий, а именно блокады левой ножки пучка Гиса, фибрилляции предсердий, нормального синусового ритма, блокады правой ножки пучка Гиса, синусовой брадикардии, предсердий. трепетание, преждевременное сокращение желудочков и блокада второй степени. Данные временных рядов сердечного ритма, использованные в исследовании, взяты из базы данных аритмии MIT-BIH. Как линейные, так и нелинейные характеристики извлекаются из временных рядов частоты сердечных сокращений для каждой отдельной аритмии. Обучение нейронной сети радиальной базисной функции (RBFN) проводится с использованием 70% наборов данных признаков, а остальные 30% предназначены для прогнозирования возникновения восьми сердечных заболеваний. Предложенный подход демонстрирует впечатляющую общую точность прогнозирования 96,33%, превосходя производительность существующих методов, описанных в литературе11. Введен новый метод, известный как классификация по радиальному основанию, для классификации заболеваний сердца с использованием клинических баз данных. Обычные классификаторы, включающие несколько атрибутов, как правило, имеют большое количество параметров, что затрудняет определение идеальных атрибутов. Для решения этой проблемы предлагается концепция идей классификатора многомерных функций, направленная на поощрение более связной стохастической тенденции и минимизацию вероятности ошибок или непредвиденных результатов. Эта формула оказывается полезной для организации многомерных данных и повышения точности группировки на этапе анализа. Результаты исследования показывают, что предложенный метод расчета обеспечивает более высокую точность по сравнению с предыдущими подходами12. Нейронная сеть обратного распространения ошибки продемонстрировала удовлетворительные показатели точности прогнозирования. Однако для дальнейшего повышения точности и определения конкретного типа сердечно-сосудистых заболеваний в статье метод CBR интегрируется с ИНС. За счет использования исторических записей пациентов достигается уровень точности, достигающий 97%. В этом исследовании CBR используется не только для повышения точности, но и для прогнозирования типа сердечно-сосудистых заболеваний. Результаты CBR включают как выявленный тип сердечного заболевания, так и рекомендуемое лечение. Это позволяет сравнить оригинальное лекарство и лекарство, предложенное RBF (функцией радиального базиса). Лекарства, назначенные с использованием этого подхода, демонстрируют сравнительную точность 98%13. Симптомы включают затрудненное дыхание, боль в верхней части спины, шеи, челюсти или горле, а также боль, онемение, слабость или озноб в конечностях. Из-за сужения кровеносных сосудов в определенных частях тела можно заболеть ишемической болезнью сердца и не знать об этом до тех пор, пока не случится сердечный приступ, стенокардия, инсульт или сердечная недостаточность. Следите за признаками проблем с сердцем, и если вы беспокоитесь, поговорите со своим врачом. Если вы часто проходите обследование, заболевания сердца (сердечно-сосудистой системы) могут обнаружиться раньше14. В предлагаемом методе используются контролируемые классификаторы машинного обучения, чтобы показать, как различные модели могут прогнозировать наличие сердечно-сосудистых заболеваний и оценивать эффективность этих классификаторов, таких как случайный лес, дерево решений, машина опорных векторов, XGBoost, радиальная базисная функция, k-ближайший сосед. , наивный Байес и обучение векторному квантованию.