Vorhersage von Herzkrankheiten mit Machine-Learning-Techniken

Laut einer aktuellen Studie der WHO nehmen herzbezogene Krankheiten zu. Jährlich sterben 17,9 Millionen Menschen daran. Mit wachsender Bevölkerung wird es zunehmend schwieriger, Diagnosen zu stellen und frühzeitig mit der Behandlung zu beginnen. Doch aufgrund der jüngsten Fortschritte in der Technologie haben Machine-Learning-Techniken den Gesundheitssektor durch zahlreiche Forschungen beschleunigt. Das Ziel dieses Papiers ist es, ein ML-Modell zur Vorhersage von Herzkrankheiten basierend auf den relevanten Parametern zu entwickeln. Für diese Forschungsarbeit haben wir einen Benchmark-Datensatz zur Vorhersage von Herzkrankheiten der UCI verwendet, der aus 14 verschiedenen Parametern im Zusammenhang mit Herzkrankheiten besteht. Machine-Learning-Algorithmen wie Random Forest, Support Vector Machine (SVM), Naive Bayes und Entscheidungsbaum wurden für die Entwicklung des Modells verwendet. In unserer Forschung haben wir auch versucht, die Korrelationen zwischen den verschiedenen in dem Datensatz verfügbaren Attributen mithilfe standardisierter Machine-Learning-Methoden zu finden und sie dann effizient zur Vorhersage der Wahrscheinlichkeit von Herzkrankheiten einzusetzen. Die Ergebnisse zeigen, dass Random Forest im Vergleich zu anderen ML-Techniken mehr Genauigkeit in kürzerer Zeit für die Vorhersage bietet. Dieses Modell kann den medizinischen Fachkräften in ihrer Klinik als Entscheidungshilfe nützlich sein.