Un enfoque inteligente para la predicción temprana y precisa de enfermedades cardíacas utilizando técnicas híbridas de inteligencia artificial
Autores: Bilal, Hazrat; Tian, Yibin; Ali, Ahmad; Muhammad, Yar; Yahya, Abid; Izneid, Basem Abu; Ullah, Inam
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un enfoque inteligente para la predicción temprana y precisa de enfermedades cardíacas utilizando técnicas híbridas de inteligencia artificial
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Modelo propuesto
Aprendizaje automático híbrido
Enfermedad cardíaca
ETCXGB
Precisión del diagnóstico
Enfermedad cardíaca
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Este estudio propone un nuevo modelo híbrido de aprendizaje automático (ML) para el diagnóstico temprano y preciso de enfermedades cardíacas. El modelo propuesto es una combinación de dos potentes modelos de ML de conjunto, a saber, ExtraTreeClassifier (ETC) y XGBoost (XGB), lo que resulta en un modelo híbrido llamado ETCXGB. Al principio, todas las características del conjunto de datos de enfermedades cardíacas utilizado se dieron como entrada al modelo ETC, que lo procesó extrayendo las probabilidades predichas y produciendo una salida. La salida del modelo ETC se agregó luego al espacio de características original produciendo una matriz de características enriquecida, que luego se utiliza como entrada para el modelo XGB. La nueva matriz de características se utiliza para entrenar el modelo XGB, que produce el resultado final de si una persona tiene o no enfermedad cardíaca, lo que resulta en una alta precisión de diagnóstico para la enfermedad cardíaca. Además del modelo propuesto, también se investigaron otros tres modelos híbridos de DL, como red neuronal convolucional + red neuronal recurrente (CNN-RNN), red neuronal convolucional + memoria a corto plazo larga (CNN-LSTM) y red neuronal convolucional + memoria a corto plazo larga bidireccional (CNN-BLSTM). El modelo ETCXGB propuesto mejoró la precisión de predicción en un 3,91%, mientras que CNN-RNN, CNN-LSTM y CNN-BLSTM mejoraron la precisión de predicción en un 1,95%, 2,44% y 2,45%, respectivamente, para el diagnóstico de enfermedades cardíacas. Los resultados de la simulación ilustran que el modelo híbrido ML propuesto ETCXGB superó a los modelos ML y DL clásicos en términos de todas las medidas de rendimiento. Por lo tanto, el uso del modelo híbrido ML propuesto para el diagnóstico de enfermedades cardíacas ayudará al médico a realizar un diagnóstico preciso de la enfermedad y ayudará a la sociedad de la salud a disminuir la tasa de mortalidad causada por enfermedades cardíacas.
Descripción
Este estudio propone un nuevo modelo híbrido de aprendizaje automático (ML) para el diagnóstico temprano y preciso de enfermedades cardíacas. El modelo propuesto es una combinación de dos potentes modelos de ML de conjunto, a saber, ExtraTreeClassifier (ETC) y XGBoost (XGB), lo que resulta en un modelo híbrido llamado ETCXGB. Al principio, todas las características del conjunto de datos de enfermedades cardíacas utilizado se dieron como entrada al modelo ETC, que lo procesó extrayendo las probabilidades predichas y produciendo una salida. La salida del modelo ETC se agregó luego al espacio de características original produciendo una matriz de características enriquecida, que luego se utiliza como entrada para el modelo XGB. La nueva matriz de características se utiliza para entrenar el modelo XGB, que produce el resultado final de si una persona tiene o no enfermedad cardíaca, lo que resulta en una alta precisión de diagnóstico para la enfermedad cardíaca. Además del modelo propuesto, también se investigaron otros tres modelos híbridos de DL, como red neuronal convolucional + red neuronal recurrente (CNN-RNN), red neuronal convolucional + memoria a corto plazo larga (CNN-LSTM) y red neuronal convolucional + memoria a corto plazo larga bidireccional (CNN-BLSTM). El modelo ETCXGB propuesto mejoró la precisión de predicción en un 3,91%, mientras que CNN-RNN, CNN-LSTM y CNN-BLSTM mejoraron la precisión de predicción en un 1,95%, 2,44% y 2,45%, respectivamente, para el diagnóstico de enfermedades cardíacas. Los resultados de la simulación ilustran que el modelo híbrido ML propuesto ETCXGB superó a los modelos ML y DL clásicos en términos de todas las medidas de rendimiento. Por lo tanto, el uso del modelo híbrido ML propuesto para el diagnóstico de enfermedades cardíacas ayudará al médico a realizar un diagnóstico preciso de la enfermedad y ayudará a la sociedad de la salud a disminuir la tasa de mortalidad causada por enfermedades cardíacas.