Ein integriertes Machine-Learning-Rahmenwerk zur effektiven Vorhersage von Herz-Kreislauf-Erkrankungen

Herz-Kreislauf-Erkrankungen gelten als die lebensbedrohlichsten Syndrome mit der weltweit höchsten Sterblichkeitsrate. Im Laufe der Zeit sind sie sehr verbreitet geworden und überlasten nun die Gesundheitssysteme der Länder. Die Hauptfaktoren für Herz-Kreislauf-Erkrankungen sind Bluthochdruck, familiäre Vorgeschichte, Stress, Alter, Geschlecht, Cholesterin, Body-Mass-Index (BMI) und ungesunde Lebensweise. Basierend auf diesen Faktoren haben Forscher verschiedene Ansätze zur Früherkennung vorgeschlagen. Die Genauigkeit der vorgeschlagenen Techniken und Ansätze muss jedoch aufgrund der inhärenten Kritikalität und lebensbedrohlichen Risiken von Herz-Kreislauf-Erkrankungen verbessert werden. In diesem Artikel wird ein MaLCaDD (Machine Learning basiertes Herz-Kreislauf-Erkrankungsdiagnose) Rahmenwerk zur effektiven Vorhersage von Herz-Kreislauf-Erkrankungen mit hoher Präzision vorgeschlagen. Insbesondere befasst sich das Rahmenwerk zunächst mit den fehlenden Werten (durch die Technik des Mittelwerts) und dem Datenungleichgewicht (durch die Synthese von Minderheitsüberabzählung - SMOTE). Anschließend wird die Technik der Merkmalsbedeutung zur Merkmalsauswahl verwendet. Schließlich wird ein Ensemble aus logistischer Regression und K-Nearest Neighbor (KNN) Klassifikatoren zur Vorhersage mit höherer Genauigkeit vorgeschlagen. Die Validierung des Rahmenwerks erfolgt anhand von drei Benchmark-Datensätzen (d.h. Framingham, Herzkrankheit und Cleveland), und es werden Genauigkeiten von 99,1 %, 98,0 % und 95,5 % erreicht. Schließlich beweist die vergleichende Analyse, dass die MaLCaDD-Vorhersagen genauer sind (mit reduziertem Merkmalsatz) im Vergleich zu den bestehenden modernen Ansätzen. Daher ist MaLCaDD äußerst zuverlässig und kann in der realen Umgebung zur frühen Diagnose von Herz-Kreislauf-Erkrankungen angewendet werden.