ブログ

Apr 13, 2024

UCI によるアクティブ ラーニング マシン技術に基づいた心血管疾患の予測

Scientific Reports volume 13、記事番号: 13588 (2023) この記事を引用 372 アクセス 5 オルトメトリック メトリクスの詳細 心臓病は世界的な重大な死亡原因であり、その予測

Scientific Reports volume 13、記事番号: 13588 (2023) この記事を引用

372 アクセス

5 オルトメトリック

メトリクスの詳細

心臓病は世界的に重要な死亡原因であり、臨床データ分析を通じて心臓病を予測することには課題が伴います。 機械学習 (ML) は、医療データを分析して心臓病を診断および予測するための貴重なツールとして登場しました。 これまでの研究では、心臓病予測のための医学研究において ML 技術が広く採用されてきました。 この研究では、8 つの ML 分類器を利用して、心臓病予測の精度を高める重要な特徴を特定しました。 予測モデルの開発には、特徴とよく知られた分類アルゴリズムのさまざまな組み合わせが採用されました。 Naïve Bayes や Radial Basis Functions などのニューラル ネットワーク モデルが実装され、心臓病予測においてそれぞれ 94.78% と 90.78% の精度を達成しました。 心臓血管の問題を予測するための最先端の方法の中で、学習ベクトル量子化は 98.7% という最高の精度を示しました。 心血管疾患を予測する背後にある動機は、命を救い、健康状態を改善し、医療リソースを効率的に割り当てる可能性にあります。 主な貢献には、早期介入、個別化医療、技術の進歩、公衆衛生への影響、進行中の研究が含まれており、これらすべてが集合的に、個々の患者と社会全体の両方に対する CHD の負担を軽減するために取り組んでいます。

医療業界は患者、病気、診断に関する大量のデータを生成しますが、それは望ましい結果を生み出すために正しく使用されていません。 心臓病と脳卒中は主な死因の 2 つです。 WHOの報告書によると、心血管疾患により毎年1,780万人以上が直接死亡しています。 十分な分析が行われていないため、医療業界の膨大な量の患者、病気、診断データは、患者の健康に期待されていた影響を及ぼしていません1。 心臓および血管の病気 (CVD) には、冠動脈疾患、心筋炎、血管疾患、およびその他の症状が含まれます。 脳卒中と心臓病は、CVD で死亡する人の 80% を占めます。 死亡者の4分の3は70歳未満です。心血管疾患のリスクにさらされる主なものは、性別、喫煙、年齢、家族歴、不適切な食事、脂質、身体活動不足、高血圧です。 、体重増加、飲酒2． 高血圧と糖尿病は、遺伝する可能性があり、心血管疾患にかかる可能性を高める 2 つの例です。 リスクを高めるその他の要因には、活動的でない、太りすぎ、よく食べていない、背中、首、肩の痛みがある、極度の疲労、心拍が速いなどがあります。 ほとんどの人は、胸の痛み、肩の痛み、腕の痛み、息切れ、全身の脱力感を経験します。 昔からそうであったように、胸痛は心臓に十分な血液が供給されていないことを示す最も一般的な兆候です3。 この種の胸痛は医学では狭心症と呼ばれます。 X線、磁気共鳴画像法（MRI）、血管造影などの一部の検査は、何が問題なのかを解明するのに役立つ場合があります。 一方で、重要な医療機器に簡単にアクセスできない場合があり、緊急時にできることが制限されます。 自分の心臓の何が問題なのかを突き止め、治療するには、一秒一秒が重要です4。 心臓病の診断は期待できるほど優れているとは言えず、心血管系の再設計と患者の転帰に関して、より優れたビッグデータ分析が強く求められています。 しかし、データにノイズ、不完全性、不規則性があるため、そこから明確で正確で根拠のある結論を導き出すことが困難になります。 ビッグデータ、情報の保存、検索などのテクノロジーの最近の進歩により、コンピューター化されたインテリジェンスが心臓病学において重要な役割を果たしています。 さまざまな ML モデルでマイニングされたデータから結論を引き出すために、研究者は前処理技術を使用しました5。 遺伝性心疾患と健康なコントロールを追跡するために使用される共通のアルゴリズムとそのバリエーションを使用すると、心不全の第一段階がいつ始まるかを予測することが可能です。 分類技術、DT、SVC、LR、RF マシンはすべて、心停止の予測に使用できるアルゴリズムです。 機械学習に関しては、主に 3 つの考え方があります。機械学習の 3 つの主なタイプは、タスク駆動型の教師あり ML (分類/回帰)、データ駆動型の教師なし ML (クラスタリング)、およびエラー駆動型の強化学習です ( RL）。 冠動脈疾患は、心筋に血液を運ぶ主要な血管の非常に一般的な病気です。 リポタンパク質で構成されるプラークが心臓の動脈に蓄積し、冠状動脈疾患を引き起こす可能性があります。 アテローム性動脈硬化症は、これらのプラークの蓄積の名前です6。 アテローム性動脈硬化により、静脈を通って胸や他の臓器への血液の流れが遅くなります。 心臓病、狭心症、脳卒中などがある場合には値が上がります。 男性と女性では、冠状動脈疾患の警告サインや症状が異なる場合があります。 たとえば、男性は女性よりも胸痛を感じる可能性が高くなります。 女性は胸の痛みに加えて、息切れ、吐き気、突然の疲労感を経験する可能性が高くなります。 心不全、胸部圧迫感、胸部圧迫感、胸痛はすべて冠動脈疾患の兆候である可能性があります7。 心臓病予測システムには、意思決定を支援するための単純ベイジアン分類技術が組み込まれています。 過去の心臓病症例の膨大なデータベースを分析することで、システムは貴重な洞察を明らかにします。 このモデルは、心臓病のリスクがある患者を特定するのに非常に効率的です。 複雑なクエリに応答する能力を備えており、解釈可能性、包括的な情報へのアクセス、正確さの点で強みを示しています8。 医療分野、特に患者の治療においては、正確かつタイムリーな意思決定を行うことが非常に重要です。 機械学習 (ML) 技術は、医療業界によって生成された広範なデータを活用することで、病気の予測に重要な役割を果たします。 インドでは心臓病が主な死亡原因となっており、世界保健機関（WHO）は脳卒中を予測し予防するためのタイムリーな介入の重要性を強調している。 この論文では、リスク因子と組み合わせて、ディシジョン ツリーやナイーブ ベイズなどの ML 技術を採用することで、心臓血管疾患をより高い精度で予測することに焦点を当てています。 この研究で利用されたデータセットは心不全データセットであり、13 の属性で構成されています9。 著者は、サポート ベクター マシン (SVM) とナイーブ ベイズの 2 つのアルゴリズムが心臓病の発生と患者の生存状態を予測する際にどの程度うまく機能するかを調査しました。 このアルゴリズムは、カリフォルニア大学アーバイン校の機械学習およびインテリジェント システム センターからの 16 個の属性を含むデータセットに適用されました。 モデルのパフォーマンスを評価するために、混同行列を使用して、精度、再現率、適合率、誤差などの指標を視覚化しました。 さらに、モデルの精度を実証するために、受信者動作特性 (ROC) 曲線を利用し、曲線の下の面積を計算することによって統計分析が実行されました10。 この研究論文では、放射基底関数ニューラル ネットワークを使用して 8 種類の心不整脈を正確に予測するシステムが紹介されています。 研究の主な焦点は心拍数の時系列データの分析であり、提案されたアルゴリズムは、特定の不整脈、すなわち左脚ブロック、心房細動、正常洞調律、右脚ブロック、洞性徐脈、心房を予測するように特別に設計されています。粗動、心室性期外収縮、および第 2 度ブロック。 この研究で利用された心拍数の時系列データは、MIT-BIH 不整脈データベースから取得されています。 線形特徴と非線形特徴の両方が、個々の不整脈の心拍数時系列から抽出されます。 放射基底関数ニューラル ネットワーク (RBFN) のトレーニングは特徴データセットの 70% を使用して実行され、残りの 30% は 8 つの心臓病の発生の予測に当てられます。 提案されたアプローチは、文献に記載されている既存の方法のパフォーマンスを上回る、96.33% という優れた全体予測精度を示しています。 放射基底分類として知られる新しい方法が、臨床データベースを使用した心臓病の分類に導入されました。 複数の属性を含む従来の分類器は多数のパラメーターを持つ傾向があり、理想的な属性を決定することが困難でした。 これに対処するために、より一貫性のある確率的傾向を促進し、エラーや予期せぬ結果の可能性を最小限に抑えることを目的とした、多変量関数分類器のアイデアの概念が提案されています。 この式は、多次元データを整理し、分析フェーズでのグループ化の精度を高めるのに有益であることがわかります。 研究の結果は、提案された計算方法が以前のアプローチと比較してより高い精度を提供することを示しています12。 バックプロパゲーション ニューラル ネットワークは、予測精度において満足のいくパフォーマンスを実証しています。 ただし、精度をさらに高めて特定の種類の心臓病を判定するために、この論文では CBR 技術と ANN を統合しています。 過去の患者記録を活用することで、97% に達する精度レベルが達成されます。 この研究では、CBR を利用して精度を高めるだけでなく、心臓病の種類を予測することもできます。 CBR の出力には、特定された心臓病の種類と推奨される薬剤の両方が含まれます。 これにより、元の薬剤と RBF (Radial Basis Function) によって提案された薬剤を比較することができます。 このアプローチを使用して処方された薬は、98% という比較的正確な精度を示します13。 症状には、呼吸困難、背中上部、首、顎、喉の痛み、手足の痛み、しびれ、脱力感、冷えなどが含まれます。 体の特定の部分の血管が狭くなるため、心臓発作、狭心症、脳卒中、または心不全を起こすまで冠状動脈疾患に気づかない可能性があります。 心臓疾患の兆候に注意し、心配な場合は医師に相談してください。 頻繁に検査を受けると、心臓（心血管）疾患が早期に発見される可能性があります14。 この提案された方法では、教師あり ML 分類器を使用して、さまざまなモデルが心血管疾患の存在を予測し、ランダム フォレスト、デシジョン ツリー、サポート ベクター マシン、XGBoost、放射基底関数、k 最近傍法などのこれらの分類器のパフォーマンスを評価する方法を示します。 、ナイーブベイズ、学習ベクトル量子化。