ارزیابی جامع مدل های یادگیری گروهی (EL) در مدیریت بیماری های قلبی عروقی: رویکردی فراترکیب

بیماری های قلبی-عروقی (CVDs) یکی از علل اصلی مرگ ومیر در سراسر جهان محسوب می شوند. افزایش داده های پیچیده حاصل از ابزارهای تشخیصی مانند الکتروکاردیوگرام (ECG)، چالش های قابل توجهی را برای پزشکان ایجاد کرده که بر دقت تشخیص و سرعت درمان تاثیر می گذارد. یادگیری گروهی (EL) با ترکیب مدل های مختلف، عملکرد بهتری را در مدیریت CVD ها ارائه می دهد، اما تحقیقات محدودی به صورت سیستماتیک تکنیک های مختلف آن را مقایسه کرده اند. این پژوهش با استفاده از رویکرد فراترکیب، به بررسی کاربرد مدل های EL در ترکیب با مدل های یادگیری ماشین (ML) و یادگیری عمیق (DL) می پردازد. هدف این مطالعه، دسته بندی مدل های EL در مدیریت CVD ها، ارزیابی عملکرد و کارایی آن ها در هر دسته، شناسایی مزایا و محدودیت ها و تحلیل نقش مهندسی ویژگی است. یافته های این فراترکیب نشان می دهد که کاربرد مدل های یادگیری در مدیریت CVD ها به چهار حوزه ی اصلی تقسیم می شود: پیش بینی، تشخیص، شناسایی و طبقه بندی. نتایج تایید می کند که مدل های EL در تمام این چهار حوزه غالب هستند و کارایی آن ها با ادغام با تکنیک های ML و DL به طور قابل توجهی افزایش می یابد. در میان رویکردهای مختلف، مدل های جنگل تصادفی (RF) و الگوریتم های تقویت گرادیان مانند XGBoost، بیشترین فراوانی استفاده را داشته و به عنوان کارآمدترین و دقیق ترین مدل ها شناخته می شوند. این پژوهش با ارائه یک نمای کلی ساختاریافته، بینش های ارزشمندی را برای محققان و متخصصان بالینی فراهم می کند و چارچوبی برای به کارگیری مدل های ترکیبی جهت دستیابی به مدیریت دقیق تر و موثرتر بیماری های قلبی-عروقی ارائه می دهد.

کلیدواژه ها:

مدیریت بیماری های قلبی عروقی (CVDs) ، رویکرد فراترکیب ، یادگیری گروهی (EL) ، یادگیری ماشین (ML) ، یادگیری عمیق (DL)