Towards Early Diagnosis and Intervention: An Ensemble Voting Model for Precise Vital Sign Prediction in Respiratory Disease
Notice bibliographique
Résumé
Worldwide, cardiovascular and chronic respiratory diseases have approximately million deaths each year. Evidence indicates that the ongoing COVID-19 pandemic directly contributed to increase blood pressure, cholesterol, and blood glucose levels. Timely screening of critical physiological vital signs benefits both healthcare providers and individuals by detecting potential health issues. This study aimed to implement a machine learning-based prediction and classification system to forecast vital signs associated with cardiovascular and chronic respiratory diseases. The system predicts patients' health status and notifies medical professionals when necessary. Utilizing real-world data, a linear regression model inspired by the Facebook Prophet model was utilized to predict vital signs for the next 180 seconds. With lead time of 180 seconds, medical professionals can potentially save patients' lives through early diagnosis of their health conditions. For this purpose, Naïve Bayes classification model, Support Vector Machine model, a Random Forest model, and genetic programming-based hyper tunning were employed. The proposed model outperforms previous attempts for vital sign prediction. Compared with alternative methods, the Facebook Prophet model had the mean sqaure error for predicting vital signs. Hyperparameter tunning was utilized to refine model, yielding improved short- and long-term outcomes for each vital sign. From the results, it showed that the designed model acheives higher F-measure performance. The incorporation of additional elements, such as momentum indicators, can increase the flexibility of the model with calibration. The findings of this study demonstrated that the proposed model is more accurate in predicting vital signs and trends.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».