Developed a Hybrid Bipolar Sigmoid-Recurrent Neural Network with Karush-Kuhn-Tucker- Arithmetic Optimization Algorithm to Predict the Heart Disease
Notice bibliographique
Résumé
Heart disease, a leading cause of mortality globally, is increasingly impacting populations worldwide.Effective prediction methods are essential to mitigate this growing health crisis.This study proposes a novel prediction framework, employing a Bipolar Sigmoid-Recurrent Neural Network (BS-RNN), to efficiently classify the heart disease database.Initially, patient health data and body function details are collected and balanced using Apache Kafka before being stored in a cloud database.This balanced data is then pre-processed and subjected to risk analysis.Subsequently, risk and non-risk factors are clustered using the Gibbs Entropy-K-Means Algorithm (GE-KMA), from which features are extracted.The correlation between the extracted features and those trained on the UCI database is assessed using a Pre-Policy Medical Check-Up (PPMC).Subsequently, the Karush-Kuhn-Tucker-Arithmetic Optimization Algorithm (KKT-AOA) is employed to select the optimal correlated features.These features are then input into the BS-RNN classifier for heart disease prediction.In addition to prediction, the framework measures disease severity based on the extracted features.The performance of the proposed model was found to surpass existing techniques, achieving an accuracy of 98.95%, an F-measure of 96.01%, and a specificity of 96.93%.The proposed clustering algorithm also demonstrated efficiency, forming clusters in 6208 ms with a superior prediction rate.These results underscore the potential of the proposed disease prediction framework to outperform existing methods in heart disease prediction.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».