基于 LSTM 深度学习方法从射血分数与血清肌酐分析和预测中风
计算机视觉与模式识别
2022-09-29 v1 机器学习
摘要
大数据与深度学习的结合是一项颠覆性技术，若使用得当可对任何目标产生重大影响。随着大量医疗数据集的可用以及深度学习技术的进展，系统现已能很好地预测任何健康问题的未来趋势。通过文献调研，我们发现 SVM 曾被用于预测心力衰竭率而未关联客观因素。利用电子健康记录（EHR）中重要历史信息的强度，我们构建了基于长短期记忆（LSTM）的智能预测模型，并依据该健康记录预测心力衰竭的未来趋势。因此，本工作的基本贡献是基于患者电子医疗信息使用 LSTM 预测心脏衰竭。我们分析了包含 299 名心力衰竭患者医疗记录的数据集，这些记录收集于费萨拉巴德心脏病研究所及费萨拉巴德（旁遮普省，巴基斯坦）的联合医院。患者包括 105 名女性和 194 名男性，年龄介于 40 至 95 岁。该数据集包含 13 个特征，报告了导致心力衰竭的临床、身体与生活方式信息。我们在分析中发现了上升趋势，这将有助于推进中风预测领域的知识。
引用
@article{arxiv.2209.13799,
title = {Analysis and prediction of heart stroke from ejection fraction and serum creatinine using LSTM deep learning approach},
author = {Md Ershadul Haque and Salah Uddin and Md Ariful Islam and Amira Khanom and Abdulla Suman and Manoranjan Paul},
journal= {arXiv preprint arXiv:2209.13799},
year = {2022}
}