Risk Factors Categorizations of Ischemic Heart Disease in South-Western Bangladesh
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ischemic heart disease (IHD) is one of the leading causes of death worldwide. However, different geographic regions show different variations of the risk factors of this disease based on the different lifestyles of people. This study examines the current IHD condition in southern Bangladesh, a Southeast Asian middle-income country. The main approach to this research is an AI-based proposal of a reduced set of the greatest impact clinical traits that may cause IHD. This approach attempts to reduce IHD morbidity and mortality by early detection of risk factors using the reduced set of clinical data. Demographic, diagnostic, and symptomatic features were considered for analysing this clinical data. Data pre-processing utilizes several machine learning techniques to select significant features and make meaningful interpretations. A proposed voting mechanism ranked the selected 138 features by their impact factor. In this regard, diverse patterns in correlations with variables, including age, sex, career, family history, obesity, etc., were calculated and explained in terms of voting scores. Among the 138 risk factors, three labels were categorized: high-risk, medium-risk, and low-risk features; 19 features were regarded as high, 25 were medium, and 94 were considered low impactful features. This research’s technological methodology and practical goals provide an innovative and resilient framework for addressing IHD, especially in less developed cities and townships of Bangladesh, where the general population’s socio-economic conditions are often unexpected. The data collection, pre-processing, and use of this study’s complete and comprehensive IHD patient dataset is another innovative addition. We believe that other relevant research initiatives will benefit from this work.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle