Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction

要約

心血管疾患は、現代世界において依然として主な死亡原因となっています。
喫煙、血圧上昇、コレステロール値との関連性は、これらの危険因子の重要性を強調しています。
この研究は、医学研究における困難な課題である心筋疾患の予測という課題に取り組んでいます。
正確な予測は、ヘルスケア戦略を洗練するために極めて重要です。
この調査では、ロジスティック回帰、サポート ベクター マシン、デシジョン ツリー、バギング、XGBoost、および LightGBM の 6 つの異なる機械学習モデルの比較分析を実行します。
達成された結果は有望であり、精度率は次のとおりです: ロジスティック回帰 (81.00%)、サポート ベクター マシン (75.01%)、XGBoost (92.72%)、LightGBM (90.60%)、デシジョン ツリー (82.30%)、およびバギング (83.01%)
%)。
特に、XGBoost が最高のパフォーマンスを誇るモデルとして浮上しています。
これらの発見は、冠状動脈梗塞の予測精度を高める可能性があることを強調しています。
心血管の危険因子の蔓延が続く中、高度な機械学習技術を組み込むことで、積極的な医療介入を改良できる可能性が秘められています。

要約(オリジナル)

Cardiovascular disease remains a leading cause of mortality in the contemporary world. Its association with smoking, elevated blood pressure, and cholesterol levels underscores the significance of these risk factors. This study addresses the challenge of predicting myocardial illness, a formidable task in medical research. Accurate predictions are pivotal for refining healthcare strategies. This investigation conducts a comparative analysis of six distinct machine learning models: Logistic Regression, Support Vector Machine, Decision Tree, Bagging, XGBoost, and LightGBM. The attained outcomes exhibit promise, with accuracy rates as follows: Logistic Regression (81.00%), Support Vector Machine (75.01%), XGBoost (92.72%), LightGBM (90.60%), Decision Tree (82.30%), and Bagging (83.01%). Notably, XGBoost emerges as the top-performing model. These findings underscore its potential to enhance predictive precision for coronary infarction. As the prevalence of cardiovascular risk factors persists, incorporating advanced machine learning techniques holds the potential to refine proactive medical interventions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google