心脏病预测的进展：用于早期检测和风险评估的机器学习方法
机器学习
2024-10-22 v1
摘要
本文的主要目的是理解、评估和分析机器学习模型在使用临床数据预测心脏病风险方面的作用、相关性和效率。虽然心脏病风险预测的重要性不言而喻，但应用机器学习（ML）来识别和评估各种特征对心脏病患者和非患者分类的影响，以及生成可靠的临床数据集，同样具有重要意义。本研究主要依赖于横断面临床数据。ML方法旨在增强心脏病预后过程中对各种临床特征的考虑。一些特征成为强有力的预测因子，增加了显著的价值。本文评估了七种ML分类器：逻辑回归、随机森林、决策树、朴素贝叶斯、k近邻、神经网络和支持向量机（SVM）。每个模型的性能都基于准确率指标进行评估。值得注意的是，支持向量机（SVM）以91.51%的最高准确率证明了其在所评估模型中预测能力的优越性。本研究的总体结果凸显了先进计算方法在心血管风险评估、预测、改善和管理方面的优势。换句话说，SVM模型的强劲性能说明了其在临床环境中的适用性和价值，为个性化医疗和医疗保健的进一步发展铺平了道路。
引用
@article{arxiv.2410.14738,
title = {Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment},
author = {Balaji Shesharao Ingole and Vishnu Ramineni and Nikhil Bangad and Koushik Kumar Ganeeb and Priyankkumar Patel},
journal= {arXiv preprint arXiv:2410.14738},
year = {2024}
}