پیش بینی خطر حمله آسم با استفاده از یک مدل ترکیبی یادگیری ماشین

آسم یکی از شایع ترین بیماری های مزمن تنفسی است که پیش بینی به موقع حملات آن می تواند نقش مهمی در کاهش عوارض و بهبود مدیریت بیماری ایفا کند. در سال های اخیر استفاده از روش های یادگیری ماشین برای تحلیل داده های بالینی و محیطی به عنوان ابزاری موثر در پشتیبانی از تصمیم گیری پزشکی مورد توجه قرار گرفته است. هدف این پژوهش ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشین برای پیش بینی وقوع و شدت حملات آسم است. در این مطالعه داده های بیماران از پایگاه داده Kaggle استخراج شده و با ویژگی های فیزیولوژیکی، بالینی و محیطی شامل شاخص اوج جریان بازدمی (PEFR)، ذرات معلق و شرایط جوی ترکیب گردید. مجموعه داده شامل ۲۳۹۲ نمونه بوده و داده ها به صورت دودویی و چندکلاسه برچسب گذاری شدند. برای مدل سازی الگوریتم های درخت تصمیم، جنگل تصادفی و XGBoost به عنوان مدل های پایه به کار گرفته شدند و یک شبکه عصبی پیچشی نیز برای استخراج الگوهای پیچیده آموزش داده شد. در نهایت خروجی مدل ها با استفاده از روش یادگیری پشته ای و رگرسیون لجستیک به عنوان فرامدل تلفیق گردید. نتایج ارزیابی نشان داد که مدل ترکیبی پیشنهادی با دستیابی به دقت ۹۰ و نمره F۱ برابر با ۰.۸۳ عملکرد بهتری نسبت به مدل های منفرد ارائه می دهد. یافته های این پژوهش نشان می دهد که ترکیب مدل های یادگیری ماشین می تواند به توسعه سامانه های هوشمند پیش بینی و پایش بیماران مبتلا به آسم کمک کند.

کلیدواژه ها:

حمله آسم ، یادگیری ماشین ، مدل ترکیبی ، طبقه بندی چندکلاسه