基于机器学习与深度学习的慢性病预测
摘要
心血管疾病、糖尿病、慢性肾病和甲状腺疾病等慢性病是全球过早死亡的主要原因。早期检测与干预对改善患者预后至关重要，然而，由于这些疾病的复杂性，传统诊断方法往往难以奏效。本研究探索了应用机器学习（ML）和深度学习（DL）技术来预测慢性病及甲状腺疾病。我们使用了多种模型，包括逻辑回归（LR）、随机森林（RF）、梯度提升树（GBT）、神经网络（NN）、决策树（DT）和朴素贝叶斯（NB），来分析和预测疾病结果。我们的方法包括全面的数据预处理，如缺失值处理、类别编码和特征聚合，随后进行模型训练和评估。采用精确率、召回率、准确率、F1分数和曲线下面积（AUC）等性能指标来评估每个模型的有效性。结果表明，随机森林和梯度提升树等集成方法表现持续更优。神经网络也展现出卓越性能，尤其在捕捉复杂数据模式方面。这些发现凸显了机器学习和深度学习在革新慢性病预测、实现早期诊断和个性化治疗策略方面的潜力。然而，仍存在数据质量、模型可解释性等挑战，以及医疗保健领域需要先进计算技术来改善患者预后并减轻慢性病负担。本研究是在Abderrahmane EZ-ZAHOUT先生和Abdessamad ESSAIDI教授的指导下，作为大数据课程项目的一部分完成的。
引用
@article{arxiv.2505.00189,
title = {Chronic Diseases Prediction using Machine Learning and Deep Learning Methods},
author = {Houda Belhad and Asmae Bourbia and Salma Boughanja},
journal= {arXiv preprint arXiv:2505.00189},
year = {2025}
}
备注
The authors withdraw this paper following our supervisor's recommendation. Major modifications to the methodology and analysis are required, and the current version does not reflect the final validated work. A revised version will be submitted after completing the improvements