چکیده مقاله
بیماریهای قلبی عروقی یکی از مهمترین علل مرگ و میر در سراسر جهان هستند و پیش بینی دقیق آنها نقش اساسی در پیشگیری و مدیریت درمان دارد در این پژوهش یک چارچوب مبتنی بر یادگیری گروهی به منظور پیش بینی بیماریهای قلبی عروقی ارائه شده است داده های مورد استفاده شامل ویژگیهای پزشکی و سبک زندگی بیماران بوده که پس از پیش پردازش، به عنوان ورودی مدل ها به کار گرفته شدند در مرحله نخست، چهار مدل پایه شامل K نزدیک ترین همسایه، درخت تصمیم، رگرسیون لجستیک و XGBoost با استفاده از Optuna برای بهینه سازی هایپرپارامترها آموزش داده شدند سپس با بهره گیری از الگوریتم ژنتیک بهترین ترکیب از ویژگی ها برای کاهش بعد انتخاب گردید که در این مرحله از روش Out of Fold برای افزایش دقت استفاده شد در ادامه احتمال های پیش بینی شده به عنوان ورودی به مدل Stacking با متامدل رگرسیون لجستیک ارائه شدند برای تفسیر نتایج و تحلیل اهمیت ویژگی ها از روش SHAP استفاده شد همچنین به منظور ارزیابی معناداری آماری عملکرد مدل ها، آزمون های فریدمن و ویلکاکسون به کار گرفته شدند نتایج نشان داد که چارچوب پیشنهادی مبتنی بر استکینگ، عملکرد بهتری نسبت به مدل های پایه داشته و می تواند به عنوان رویکردی کارآمد برای کمک به تصمیم گیری در حوزه سلامت مورد استفاده قرار گیرد
کلیدواژهها
نویسندگان
مهسان یقطینی
دانشجوی کارشناسی ارشد رشته هوش مصنوعی و رباتیک، دانشگاه ایوانکی، سمنان
حسین اقبالی
استادیار گروه مهندسی صنایع، دانشگاه ایوانکی، سمنان، ایران
محمد علی اقبالی
استادیار گروه مهندسی صنایع، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران
شیوه ارجاع
یقطینی، مهسان و اقبالی، حسین و اقبالی، محمد علی،1404،پیش بینی ریسک بیماریهای قلبی - عروقی با استفاده از تکنیک یادگیری گروهی stacking،دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین،تبریز
ارائهشده در
مجموعه مقالات دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین17 مهر 1404 · تبریز