مدل سازی پیش بینی سکته مغزی با الگوریتمهای تقویتی و شبکه های عصبی در داده های نامتعادل

سکته مغزی به عنوان سومین عامل اصلی مرگ و میر در سطح جهانی یک وضعیت بالینی جدی محسوب می شود که در اثر اختلال در خونرسانی به مغز ایجاد شده و می تواند منجر به بروز آسیب های شدید، ناتوانی دائمی یا مرگ شود. تشخیص دقیق و به موقع این بیماری برای مداخله درمانی در مراحل اولیه و کاهش نرخ مرگ و میر از اهمیت حیاتی برخوردار است. در این مطالعه یک رویکرد یادگیری ماشین برای بهبود دقت تشخیص سکته مغزی در شرایط داده های نامتعادل پیشنهاد شده است. به طور ویژه، این پژوهش به مقایسه پنج روش پیشرفته یادگیری ماشین برای پیش بینی سکته مغزی بر اساس ویژگی های بالینی و جمعیت شناختی می پردازد. روش های مورد بررسی شامل CatBoost، LightGBM، XGBoost، شبکه های عصبی عمیق (DNN) و ماشین بردار پشتیبان (SVM) هستند. نتایج نشان می دهد که روش های مبتنی بر بوستینگ، به ویژه XGBoost و CatBoost، عملکرد بهتری در این مسئله طبقه بندی نامتوازن دارند.

کلیدواژه ها:

پیش بینی سکته مغزی ، یادگیری ماشین ، داده های نامتعادل