پیش بینی ریسک بیماریهای قلبی - عروقی با استفاده از تکنیک یادگیری گروهی stacking

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.

کلیدواژه ها:

استکینگ ، الگوریتم ژنتیک ، بیماریهای قلبی و عروقی ، یادگیری گروهی ، یادگیری ماشین