Heart Disease Prediction using an Ensemble Learning Method: A Study at King Abdullah Hospital in Bisha, Saudi Arabia
Notice bibliographique
Résumé
The detection of diseases is essential to improving healthcare outcomes and saving lives. Thanks to technological advancements in medicine, machine learning has become a valuable tool for predicting future patient health outcomes. Despite the abundance of available patient data, accurately predicting cardiac disease has become increasingly challenging. In response, we developed an innovative ensemble learning approach (ELA) that combines three powerful machine learning (ML) techniques. Our ELA provides reliable predictions of cardiac disease that surpass those of the individual classification algorithms, resulting in higher accuracy. Our research yields a new combination of classification algorithms that significantly increases the prediction accuracy. We tested our model on a regional dataset collected from King Abdullah Hospital in Bisha, Saudi Arabia. We obtained the best results false negatives (FN ) of 8, true positives (TP) of 70, true negatives (TN) of 72, false positives (FP) of 6, accuracy of 0.9113, sensitivity of 0.8839, specificity of 0.95, PPV of 0.9389, NPV of 0.8878, AUC of 0.9569, F1 of 0.9133 Kappa of 0.8220, MCC of 0.8277 with an ELA comprising logistic regression (LR), extra trees (ET) and support vector machine (SVM) with radial basis function (RBF) kernel. With our ELA, medical professionals can detect cardiac disease and provide timely interventions to prevent potentially life-threatening health issues.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».