Prediction of Chronic Kidney Disease with Machine Learning Models and Feature Analysis Using SHAP
Notice bibliographique
Résumé
The world is significantly impacted by chronic kidney disease (CKD), both in terms of the health and financial costs.CKD is becoming a bigger issue globally, especially in low-and middle-income nations.According to the Global Burden of Disease Survey, 697.5 million people worldwide suffered from chronic kidney disease (CKD) in 2019.Addressing the burden of CKD requires a comprehensive approach that includes prevention, earlydetection, and effective management of the condition.The main objective of this research work is to utilize Machine Learning methodologies to facilitate the diagnosis of Chronic Kidney Disease (CKD) by leveraging relevant clinical details.To accomplish this, the classification models Logistic Regression, Random Forest, Voting Classifier and Support Vector Machine are employed to distinguish patients with CKD from those without.The evaluation shows that according to the evaluations matrices Voting Classifier with soft voting showed an average classification accuracy of 98%, f1-score of 97.4%, precision of 95%, recall of 100%.Random Forest classifier showed an average classification accuracy of 96%, f1-score of 95%, precision of 90.4%, recall of 100%.Logistic regression classifier showed an average classification accuracy of 94%, f1-score of 92.6%, precision of 86.3%, recall of 100%.Support Vector Machine classifier showed an average classification accuracy of 90%, f1-score of 88.3%, precision of 79.1%, recall of 100% and proves that Voting Classifier performed well which is immediately followed by Random Forest and then Logistic Regression.Furthermore, the SHAP (SHapley Additive exPlanations) model interpretability technique is utilized to analyze the significance of each feature in determining output.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».