پیش بینی بیماری قلبی با رویکرد یادگیری ترکیبی

چکیده مقاله

بیماریهای قلبی یکی از اصلی ترین علل مرگ و میر در جهان هستند و تشخیص زودهنگام آنها نقش مهمی در بهبود پیامدهای درمانی دارد با وجود پیشرفتهای قابل توجه در استفاده از مدلهای یادگیری ماشین بسیاری از روشهای موجود همچنان با مسائلی مانند بیش برازش، ناپایداری عملکرد و ضعف در تعمیم پذیری مواجه اند در این پژوهش با هدف ارتقای دقت و پایداری پیش بینی یک چارچوب یادگیری ترکیبی مبتنی بر معماری Stacking طراحی و پیاده سازی شده است برای تحقق این هدف، مراحل پیش پردازش شامل مدیریت داده های گم شده، تعادل سازی کلاس ها و انتخاب ویژگی مبتنی بر آزمون کای دو به منظور شناسایی متغیرهای اثرگذار انجام شد در ادامه مجموعه ای از الگوریتم های یادگیری ماشین شامل RF، SVM، DT، KNN، LR، Gradient Boosting، LightGBM، NE AdaBoost، XGBoost همراه با بهینه سازی ابر پارامترها مورد ارزیابی قرار گرفتند در مرحله بعد یک مدل ترکیبی مبتنی بر معماری Stacking طراحی شد که در آن پنج الگوریتم به عنوان یادگیرنده های پایه و الگوریتم XGBoost به عنوان فرامدل برای ترکیب بهینه خروجی ها به کار گرفته شد نتایج نشان داد مدل پیشنهادی با دقت ۹۳ درصد، امتیاز F۱ ۹۱ ۵۸ و مقدار ۹۶ ۷۱ AUC عملکردی برتر از مدل های منفرد ارائه می دهد این یافته ها بیانگر آن است که بهره گیری از معماری Stacking می تواند به طور معنادار دقت، پایداری و قابلیت تعمیم مدل های پیش بینی بیماری قلبی را بهبود بخشد

کلیدواژه‌ها

نویسندگان

سیده ندا حسینی

دانشجوی کارشناسی ارشد مهندسی صنایع گرایش سیستم های سلامت دانشگاه خواجه نصیرالدین طوسی

سپیده نصیری

استادیار دانشکده مهندسی صنایع گرایش سیستم های اقتصادی و اجتماعی دانشگاه خواجه نصیرالدین طوسی

�سینی، سیده ندا و نصیری، سپیده،1404،پیش بینی بیماری قلبی با رویکرد یادگیری ترکیبی،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران