سیستم پیش بینی بیماری قلبی مبتنی بر یادگیری ماشین با رابط کاربری

بیماری قلبی یکی از علل اصلی مرگ و میر در جهان به شمار می رود و تشخیص زودهنگام آن برای بهبود نتایج بیماران حیاتی است. این پژوهش یک سیستم پیش بینی بیماری قلبی قابل تفسیر و کارآمد بر اساس رگرسیون لجستیک را پیشنهاد می دهد. به منظور افزایش دقت پیش بینی، مجموعه داده بیماری قلبی UCI با استفاده از نرمال سازی پردازش می شود. بر خلاف مدل های پیچیده ای مانند جنگل تصادفی یا XGBoost، رویکرد رگرسیون لجستیک ما شفافیت بالینی را حفظ می کند و برای استقرار در محیط های بهداشتی مناسب است. این سیستم به ورود داده ها به صورت دستی و گروهی اجازه می دهد و پیش بینی در زمان واقعی را با خروجی احتمالی ارائه می دهد. معیارهای ارزیابی شامل دقت، صحت، فراخوانی، امتیاز F۱ و AUC نشان می دهد که مدل رگرسیون لجستیک ارتقا یافته، عملکردی مشابه با طبقه بندهای پیچیده تر دارد در حالی که کاملا قابل تفسیر باقی می ماند. نتایج به دست آمده از این تحقیق، ادغام مدل های یادگیری ماشین قابل تفسیر را در ابزارهای پشتیبانی از تصمیم گیری بالینی حمایت می کند.

کلیدواژه ها:

بیماری قلبی ، مدل های یادگیری ماشین قابل تفسیر ، رگرسیون لجستیک ، استریم لیت