Ensemble Machine Learning and Its Validation for Prediction of Coronary Artery Disease and Acute Coronary Syndrome Using Focused Carotid Ultrasound
Notice bibliographique
Résumé
The objective of this study is to demonstrate the effectiveness of ensemble-learning-driven machine learning (EML) algorithms over the conventional ML (CML) algorithms in predicting cardiovascular events (CVEs) such as coronary artery disease (CAD) and acute coronary syndrome (ACS). Furthermore, this study demonstrates the improvement in overall CVE prediction by including carotid ultrasound image phenotypes in the feature set. The methodology consisted of collecting and amalgamating 24 risk predictors along with coronary angiography as the gold standard. We further hypothesize that for such a fused set of predictors, EML systems can perform better compared with CML systems. The EML system design consisted of risk predictors for each of 459 participants undergoing baseline characteristics and independent K10-based training model generation based on three sets of algorithms: seven CML, three homogeneous ensemble ML (EML-homo), and five heterogeneous ensemble ML (EML-hetro). These training models were then applied to the test patients to predict CAD and ACS. As part of the performance, the AUC for EML-homo improved over CML by 4.3% for CAD and 1.1% for ACS, respectively. Similarly, the AUC for EML-hetro improved over CML by 3.23% for CAD and 2.11% for ACS, respectively. The proposed EML-based system was validated against the two validation databases consisting of 303 and 522 participants for CAD and ACS. We thus conclude that the EML-based algorithms are better in predicting CAD and ACS, compared with CML, proving our hypothesis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».