Key points are not available for this paper at this time.
إن توقع أمراض القلب باستخدام خوارزميات التعلم الآلي قد حظى باهتمام كبير بسبب إمكانيته في تحسين التشخيص والعلاج. تستكشف هذه الدراسة تقنيات التعلم الآلي المختلفة وخوارزمية تطبق على توقع أمراض القلب. نقوم بتحليل أداء الخوارزميات الشائعة مثل الانحدار اللوجستي، والأشجار القرار، والغابات العشوائية، وآلات الدعم الناقل، والشبكات العصبية الاصطناعية على مجموعات بيانات أمراض القلب. بالإضافة إلى ذلك، نحقق في تأثير اختيار الميزات وتقنيات معالجة البيانات ومعايير تقييم النموذج على الأداء التنبئي. تظهر النتائج مخاطر أمراض القلب، مما يوفر رؤى قيمة للأطباء والباحثين في مجال صحة القلب والأوعية الدموية. تتكون مجموعات البيانات المستخدمة من مجموعة من بيانات المرضى، بما في ذلك العمر، والجنس، وضغط الدم، ومستويات الكوليسترول، ومؤشرات طبية ذات صلة أخرى. يتم تدريب وتقييم الشبكات العصبية لتقييم أدائها في توقع وجود التحقيق في تأثير اختيار الميزات وضبط معلمات الت hiper. توفر النتائج التي تم الحصول عليها رؤى حول نقاط القوة والقيود لنهج التعلم الآلي المختلفة لتوقع أمراض القلب، مما يقدم إرشادات قيمة لممارسي الرعاية الصحية والباحثين في هذا المجال. تعتبر أمراض القلب حالة شائعة ومهددة للحياة على مستوى العالم. نقوم بتحليل أداء هذه الخوارزميات باستخدام مقاييس ذات صلة مثل الدقة، والوضوح، والاسترجاع، و Fr-score. بالإضافة إلى ذلك، نحقق في أهمية الميزات لفهم العوامل التي تساهم أكثر في توقع أمراض القلب. تظهر نتائجنا إمكانات التعلم الآلي في مساعدة المحترفين في الرعاية الصحية في الكشف المبكر والوقاية من أمراض القلب، مما يؤدي في النهاية إلى تحسين نتائج المرضى وجودة الحياة.
قام باتيل وزملاؤه (الأربعاء) بدراسة هذا السؤال.