使用数据生成技术提高心脏风险预测精度
机器学习
2025-12-25 v1 人工智能
摘要
心脏康复是涉及多个相互依赖阶段、个性化医疗决策以及协调参与多学科医护人员工作的结构化临床过程。这种顺序性和适应性特征使其可建模为商业流程，从而便于分析。然而，此领域的研究面临现实医学数据库固有的显著局限：数据常因经济成本和收集时间而稀缺；许多现有记录不适用于特定分析目的；最终，缺失值高度普遍，因为并非所有患者都接受相同的诊断测试。为此，本文提出一种基于条件变分自编码器（CVAE）的体系结构，用于合成与真实世界观察相容的真实临床记录。主要目标是增加可用数据集的规模和多样性，以增强心脏风险预测模型的性能，并减少对如运动压力测试等潜在有害诊断程序的需求。结果表明，所提出的体系结构能够生成连贯且真实的合成数据，其使用提高了用于心脏风险检测的各种分类器准确率，优于用于合成数据生成的最先进深度学习方法。
引用
@article{arxiv.2512.20669,
title = {Improving Cardiac Risk Prediction Using Data Generation Techniques},
author = {Alexandre Cabodevila and Pedro Gamallo-Fernandez and Juan C. Vidal and Manuel Lama},
journal= {arXiv preprint arXiv:2512.20669},
year = {2025}
}