كشف السكتة الدماغية من خلال تقنيات التعلم الآلي المتقدمة والخوارزميات المعززة

تعد السكتة الدماغية، السبب الثاني للوفيات على مستوى العالم، تتطلب توقعًا دقيقًا وفي الوقت المناسب للتدخل الفعال. تستكشف هذه الدراسة تقنيات التعلم الآلي المتقدمة لتعزيز نماذج توقع السكتة. تم استخدام مصنفات شجرة القرار (DT) وغابة عشوائية (RF) وآلة الدعم النقطية (SVM) في البداية، ثم قدمت الدراسة خوارزميات الدفع المتطرف للتدرج (XGBoost) وآلة الدفع الخفيف للتدرج (LGBM) لتعزيز قدرات التنبؤ. تم استخدام مقاييس التقييم بما في ذلك الدقة والحساسية ومعدلات الخطأ وفقدان السجل لتقييم أداء النموذج. تسلط النتائج الضوء على فعالية الخوارزميات التعليمية الآلية، حيث حقق XGBoost دقة ملحوظة تبلغ 98%. وبالمثل، ساهم LGBM بشكل كبير في الدقة الإجمالية. تؤكد هذه النتائج الدور المحوري لتقنيات التعلم الآلي المتقدمة في تحسين توقع السكتة. من خلال استخدام نماذج التنبؤ المتطورة المدفوعة بخوارزميات متقدمة، تدعو هذه الدراسة إلى دمجها بسلاسة في الممارسة السريرية. من خلال القيام بذلك، تهدف إلى تسريع التشخيصات الدقيقة، مما يعزز رعاية المرضى ويدفع حدود كشف السكتة الدماغية للأمام.