Uma estrutura de ensemble empilhado que integra TabNet e XGBoost melhora a previsão de risco de doenças cardiovasculares em comparação com modelos básicos?
Um modelo híbrido de aprendizado de máquina que combina TabNet e XGBoost melhora a precisão da previsão de risco de doenças cardiovasculares em comparação com modelos básicos.
As doenças cardiovasculares (DCVs) continuam a ser a principal causa de morte em todo o mundo, e a detecção precoce é crítica para a intervenção oportuna e a melhora dos resultados dos pacientes. No entanto, as ferramentas de previsão atuais muitas vezes são limitadas por dados de pacientes ruidosos e heterogêneos e por uma precisão modesta. Para enfrentar esse desafio, propomos uma estrutura de ensemble empilhado que integra: TabNet, um modelo de aprendizado profundo que pode identificar as características clínicas mais relevantes, e XGBoost, um método poderoso baseado em árvores conhecido por sua robustez. Seus resultados são integrados usando Regressão Logística (LR) ou Máquina de Vetor de Suporte (SVM) como aprendiz meta, criando um sistema que equilibra precisão e interpretabilidade. Testes em conjuntos de dados de DCV do Kaggle e da UCI demonstram que nosso ensemble supera consistentemente modelos básicos em precisão, F1-score, precisão, recall, ROC-AUC, PR-AUC e coeficiente de correlação de Matthews (MCC). Esses resultados sugerem que combinar aprendizado profundo com modelos baseados em árvore oferece uma maneira prática de melhorar a previsão de risco, auxiliando os clínicos a tomar decisões mais confiáveis para a detecção precoce de DCV.
Yasmeen et al. (Wed,) estudaram essa questão.