Revolutioning Healthcare: A Superficial Learning Approach to Predict Heart Diseases by Using Artificial Intelligence (AI) Logic
Notice bibliographique
Résumé
The prevalence of cardiovascular illnesses is on the rise, making early disease prediction all the more crucial and worrisome. Making this diagnosis is no easy feat; it requires speed and accuracy. The primary objective of the study article is to identify the patient subset most at risk for cardiovascular disease using a battery of medical diagnostic criteria. By analyzing the patient's medical history, we developed a technique to forecast the likelihood of a heart disease diagnosis. Clinical decision support systems have made extensive use of AI approaches for the accurate prediction and diagnosis of a wide range of disorders. Here, we present Superficial Neural Health Learning (SNHL), an AI-based method for accurate heart disease prediction, and we cross-validate it with K-Nearest Neighbor (KNN), a traditional learning method, to see how well it works. Many of the observable risk factors are shared by heart disease patients and can be utilized to make a good diagnosis. A system that takes these risk factors into account might be useful for both doctors and patients; it could alert them to the possibility of heart disease before they incur the expenses associated with unnecessary hospital visits or expensive checkups. In order to diagnose and categorize the patient with cardiac illness, we employed various deep learning algorithms, including KNN and SNHL. In order to control the model's applicability and enhance the accuracy of heart attack prediction in any person, a very helpful technique was applied. When compared to earlier classifiers like naïve bayes, etc., the suggested model's strength in predicting if a person has heart disease using KNN and SNHL was rather satisfying. Applying the provided model to determine the classifier's likelihood of correctly and precisely identifying the heart condition has thus relieved a considerable amount of strain. Both the quality and affordability of medical treatment are improved by the given heart disease prediction system and it is easy to learn a lot about which people are likely to have heart disease from this method.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».