Towards Diagnostic Aided Systems in Coronary Artery Disease Detection: A Comprehensive Multiview Survey of the State of the Art
Notice bibliographique
Résumé
Introduction . Coronary artery disease (CAD) is one of the main causes of death all over the world. One way to reduce the mortality rate from CAD is to predict its risk and take effective interventions. The use of machine learning‐ (ML‐) based methods is an effective method for predicting CAD‐induced death, which is why many studies in this field have been conducted in recent years. Thus, this study aimed to review published studies on artificial intelligence classification algorithms in CAD detection and diagnosis. Methods . This study systematically reviewed the most cutting‐edge techniques for analyzing clinical and paraclinical data to quickly diagnose CAD. We searched PubMed, Scopus, and Web of Science databases using a combination of related keywords. A data extraction form was used to collect data after selecting the articles based on inclusion and exclusion criteria. The content analysis method was used to analyze the data, and based on the study’s objectives, the results are presented in tables and figures. Results . Our search in three prevalent databases resulted in 15689 studies, of which 54 were included to be reviewed for data analysis. Most studies used laboratory and demographic data classification and have shown desirable results. In general, three ML methods (traditional ML, DL/NN, and ensemble) were used. Among the algorithms used, random forest (RF), linear regression (LR), neural networks (NNs), support vector machine (SVM), and K‐nearest networks (KNNs) have the most applications in the field of code recognition. Conclusion . The findings of this study show that these models based on different ML methods were successful despite the lack of a benchmark for comparing and analyzing ML features, methods, and algorithms in CAD diagnosis. Many of these models performed better in their analyses of CAD features as a result of a closer look. In the near future, clinical specialists can use ML‐based models as a powerful tool for diagnosing CAD more quickly and precisely by looking at its design’s technical facets. Among its incredible outcomes are decreased diagnostic errors, diagnostic time, and needless invasive diagnostic tests, all of which typically result in decreases in diagnostic expenses for healthcare systems.
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 | 0,016 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,020 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».