Verbesserung der Vorhersage mehrerer Krankheiten mit maschinellem Lernen: Eine vergleichende Analyse und Ansatz zur Hyperparameteroptimierung

Obwohl traditionelle Methoden, die auf statistischen Parametern basieren, im Gesundheitswesen nach wie vor wichtig sind, bieten Algorithmen des maschinellen Lernens (ML) vielversprechende Ergebnisse zur Analyse von Gesundheitsdaten. Daher war das Ziel der vorgestellten Arbeit, den Erfolg mehrerer überwachter ML-Modelle mit Hyperparameteroptimierung (HPO) zur Vorhersage mehrerer Krankheiten wie Diabetes, Herzkrankheiten, Parkinson-Krankheit und Brustkrebs zu bewerten. Wir haben sieben verschiedene Algorithmen bewertet: Logistische Regression (LR), Gradient Boosting (GB), k-Nearest Neighbors (k-NN), Extreme Gradient Boosting (XGB), Support Vector Machines (SVM), Random Forests (RF) und eine grundlegende „nichtlineare Abbildungstechnik“. Jeder Algorithmus wurde isoliert für jede Zielgesundheitszustand trainiert und verglichen. Der Erfolg dieser Techniken wurde anhand standardisierter Leistungskennzahlen wie Genauigkeit, Präzision, F1-Score und Recall bewertet. Darüber hinaus wurde die Hyperparameteroptimierung auf jeden Algorithmus angewendet und deren Einfluss auf das Ergebnis beobachtet. Die Ergebnisse zeigen das Potenzial von ML zur Vorhersage mehrerer Krankheiten, wobei individuelle Modelle hohe Genauigkeit für bestimmte Krankheiten erreichten. SVM erzielte eine Genauigkeit von 100 % für Herzkrankheiten, Gradient Boosting erreichte 90 % für Diabetes, ein einfaches neuronales Netzwerk erreichte 99 % für Brustkrebs und Random Forest erreichte 100 % für Parkinson-Krankheit. Diese Ergebnisse betonen die Bedeutung der Auswahl geeigneter Modelle für spezifische Vorhersageaufgaben bezüglich Krankheiten. Eine webbasierte Anwendung wurde entwickelt, damit Benutzer die Modelle einfach nutzen können, indem sie eine Krankheit auswählen, relevante Eingaben bereitstellen und eine Vorhersage basierend auf dem gewählten Modell erhalten. Zusammenfassend hebt diese Studie das Potenzial des maschinellen Lernens und der Hyperparameteroptimierung für die Vorhersage mehrerer Krankheiten hervor und unterstreicht die Bedeutung der Modellauswahl.