Predicción Eficiente de Enfermedades Cardiovasculares Utilizando Algoritmos de Aprendizaje Automático con Técnicas de Selección de Características Relief y LASSO

Las enfermedades cardiovasculares (ECV) se encuentran entre las enfermedades graves más comunes que afectan la salud humana. Las ECV pueden prevenirse o mitigarse mediante un diagnóstico temprano, lo que puede reducir las tasas de mortalidad. Identificar factores de riesgo utilizando modelos de aprendizaje automático es un enfoque prometedor. Nos gustaría proponer un modelo que incorpore diferentes métodos para lograr una predicción efectiva de enfermedades del corazón. Para que nuestro modelo propuesto tenga éxito, hemos utilizado métodos eficientes de Recolección de Datos, Preprocesamiento de Datos y Transformación de Datos para crear información precisa para el modelo de entrenamiento. Hemos utilizado un conjunto de datos combinado (Cleveland, Long Beach VA, Suiza, Hungría y Stat log). Se seleccionan características adecuadas utilizando las técnicas Relief y el Operador de Selección y Disminución Absoluta Mínima (LASSO). Nuevos clasificadores híbridos como el Método de Bolsa de Árboles de Decisión (DTBM), el Método de Bolsa de Bosques Aleatorios (RFBM), el Método de Bolsa de K-Vecinos Más Cercanos (KNNBM), el Método de Potenciación AdaBoost (ABBM) y el Método de Potenciación de Gradientes (GBBM) se desarrollan integrando los clasificadores tradicionales con métodos de bolsa y potenciación, que se utilizan en el proceso de entrenamiento. También hemos implementado algunos algoritmos de aprendizaje automático para calcular la Precisión (ACC), Sensibilidad (SEN), Tasa de Error, Precisión (PRE) y Puntuación F1 (F1) de nuestro modelo, junto con el Valor Predictivo Negativo (NPR), la Tasa de Falsos Positivos (FPR) y la Tasa de Falsos Negativos (FNR). Los resultados se muestran por separado para proporcionar comparaciones. Con base en el análisis de resultados, podemos concluir que nuestro modelo propuesto produjo la mayor precisión al utilizar los métodos de selección de características RFBM y Relief (99.05%).