Umfassende Bewertung und Leistungsanalyse von maschinellem Lernen bei der Vorhersage von Herzkrankheiten

Herzkrankheiten sind eine der Hauptursachen für Mortalität im globalen Maßstab. Die genaue Vorhersage von Herz-Kreislauf-Erkrankungen stellt eine erhebliche Herausforderung in der klinischen Datenanalyse dar. Die vorliegende Studie stellt ein Vorhersagemodell vor, das verschiedene Kombinationen von Informationen nutzt und mehrere etablierte Klassifizierungsansätze anwendet. Die vorgeschlagene Technik kombiniert den genetischen Algorithmus (GA) und die Methode zur rekursiven Merkmalseliminierung (RFEM), um relevante Merkmale auszuwählen und dadurch die Robustheit des Modells zu verbessern. Techniken wie die Methode des unter Sampling mit Clustering und Oversampling (USCOM) adressieren das Problem der Datenungleichheit und verbessern so die prädiktiven Fähigkeiten des Modells. Die Klassifizierungsherausforderung verwendet ein mehrschichtiges tiefes convolucionales neuronales Netzwerk (MLDCNN), das mit der adaptiven Elefantenherdenoptimierungsmethode (AEHOM) trainiert wurde. Die vorgeschlagene, auf maschinellem Lernen basierende Methode zur Vorhersage von Herzkrankheiten (ML-HDPM) zeigt herausragende Leistungen in verschiedenen wichtigen Evaluierungsparametern, wie durch ihre umfassende Bewertung angezeigt. Während des Trainingsprozesses zeigt das ML-HDPM-Modell ein hohes Leistungsniveau, mit einer Genauigkeitsrate von 95,5 % und einer Präzisionsrate von 94,8 %. Die Sensitivität des Systems (Recall) arbeitet mit einer hohen Genauigkeitsrate von 96,2 %, während der F-Score seine gut ausgewogene Leistung mit 91,5 % misst. Bemerkenswert ist, dass die Spezifität von ML-HDPM bei bemerkenswerten 89,7 % registriert wird. Die Ergebnisse unterstreichen das Potenzial von ML-HDPM, die Vorhersage von Herzkrankheiten zu revolutionieren und den Gesundheitsdienstleistern zu helfen, präzise Diagnosen zu stellen, was einen erheblichen Einfluss auf die Ergebnisse der Patientenversorgung hat.