解密心脏命运：通过前沿机器学习方法揭示未来风险
计算机与社会
2024-09-25 v1
摘要
心脏骤停是全球死亡的主要原因，亟需主动措施进行早期检测和干预。本项目旨在开发和评估用于及时识别心脏骤停事件的预测模型，利用全面的临床参数和患者历史数据。采用诸如 XGBoost、梯度提升和朴素贝叶斯等机器学习 (ML) 算法，以及基于循环神经网络 (RNN) 的深度学习 (DL) 方法，以增强早期检测能力。通过严格的实验和验证，我们发现 RNN 模型性能最佳，能够有效捕捉数据中复杂的时序依赖关系。我们的发现表明，这些模型在准确预测心脏骤停概率方面具有效能，强调了通过早期风险分层和个性化干预提高患者护理的潜力。通过利用先进分析，医疗机构可主动缓解心脏骤停风险，优化资源分配，改善患者预后。本研究凸显了机器学习和深度学习技术在管理心血管风险方面的变革性潜力，推动了预测性医疗保健分析领域的发展。
引用
@article{arxiv.2409.15287,
title = {Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches},
author = {G. Divya and M. Naga SravanKumar and T. JayaDharani and B. Pavan and K. Praveen},
journal= {arXiv preprint arXiv:2409.15287},
year = {2024}
}