基于堆叠集成机器学习算法的心力衰竭患者生存预测
机器学习
2021-08-31 v1 人工智能
生物大分子
机器学习
摘要
心血管疾病，尤其是心力衰竭，是我们时代主要的健康危害问题之一，也是全球领先的死亡原因。利用机器学习（ML）模型的数据挖掘技术进展正在铺就前景广阔的预测途径。数据挖掘是将医疗机构产生的海量原始数据转换为可辅助预测与关键决策的有意义信息的过程。收集心力衰竭患者的各类随访数据，分析这些数据，并利用若干 ML 模型预测心血管患者的生存可能性，是本研究的关键目标。由于数据集中类别不平衡，已采用合成少数类过采样技术（SMOTE）。我们的研究中使用了两个无监督模型（K-Means 与模糊 C-Means 聚类）和三个有监督分类器（Random Forest、XGBoost 与 Decision Tree）。经深入调研，我们的结果表明有监督 ML 算法优于无监督模型。此外，我们设计并提出一种有监督堆叠集成学习模型，其准确率、精确率、召回率与 F1 分数可达 99.98%。我们的研究表明，利用有监督 ML 算法成功预测心力衰竭后生存可能性，仅须从患者收集的某些属性即可。
引用
@article{arxiv.2108.13367,
title = {Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm},
author = {S. M Mehedi Zaman and Wasay Mahmood Qureshi and Md. Mohsin Sarker Raihan and Ocean Monjur and Abdullah Bin Shams},
journal= {arXiv preprint arXiv:2108.13367},
year = {2021}
}
备注
This article has been submitted for publication in Biomedical Physics & Engineering Express