An Efficient and User-Friendly Hybrid Approach for Classifying and Predicting Cardiovascular Disease Risks
Notice bibliographique
Résumé
For any disease, health symptoms indicate its status in terms of severity whether medium, low, or high and their impact on life survival. There are stages of the disease that need to be classified. Among all diseases, severity is particularly significant in the case of heart disease. While health symptoms often suggest the presence of a disease, accurately predicting severity and categorizing risks, especially for complex conditions like cardiovascular disease (CVD), remains crucial. There are numerous factors that indicate the risk for cardiovascular problems. These include not only traditional risk factors like age and family history, but also genomic data, coronary artery scores, and carotid intima-media thickness analyzed through imaging studies, along with insights from biochemical inflammatory markers. Among these, warning signs such as shortness of breath, discomfort, fatigue, irregular heartbeat, leg numbness, and chest pain can affect the risk of a heart attack. The risks can be classified as modifiable or non-modifiable, time-frame risks, and low or severe risks. To predict and classify the risk in CVD, the integration of machine learning models and rule development can help determine the classification of risks. The hybrid approach is designed to identify and classify the risks into appropriate categories. These risks may affect health based on their severity. The computational process involved must be measured against accuracy and efficiency. The proposed hybrid model is expected to demonstrate exceptional performance compared to existing approaches, and these measures will be represented in graphical aids for better understanding and to ensure quality. This study explores a hybrid approach leveraging both machine learning and rule-based systems to achieve the objectives of the proposal.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».