A Next-Generation Deep Learning Model for Early Prediction of Cardiovascular Events
Notice bibliographique
Résumé
Cardiovascular diseases (CVDs) continue to be the foremost cause of mortality worldwide, emphasizing the urgent need for effective preventive diagnostic tools. Early and accurate prediction of cardiovascular events enables timely medical interventions, reduces morbidity and mortality, and assists clinicians in formulating personalized treatment plans. This research introduces Hybrid-CardioNet, a next-generation deep learning-based predictive model designed to enhance early cardiovascular event prediction through the integration of multiple learning components. The model combines Convolutional Neural Networks (CNN) for efficient spatial feature extraction, Bidirectional Long-Short Term Memory (Bi-LSTM) networks for capturing temporal dependencies across sequential clinical and physiological data, and an Attention Mechanism for prioritizing critical features influencing cardiovascular risk. For experimentation, a synthetic dataset constructed to resemble real-world patient distributions was utilized, incorporating demographic, clinical, ECG, and biochemical markers. Hybrid-CardioNet achieved superior performance with an accuracy of 96.84%, an F1-Score of 0.958, and an Area Under Curve (AUC) of 0.982, surpassing benchmark machine learning and traditional statistical models. These findings highlight the efficacy and robustness of the proposed system and demonstrate its potential utility in proactive healthcare settings, particularly for large-scale screening and automated clinical decision support to mitigate the global burden of cardiovascular diseases.
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 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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».