Titre : | Prediction of cardiovascular diseases using machine learning |
Auteurs : | HAMOU REDA MOHAMED, Auteur ; ATMANI RANA, Auteur |
Type de document : | texte imprimé |
Année de publication : | 2024 |
Note générale : |
Les maladies cardiovasculaires sont devenues un problème croissant et constituent une maladie mortelle à l’échelle mondiale qui touche les personnes de tous
âges. Les maladies cardiovasculaires sont une classe de maladies qui touchent le cœur ou les vaisseaux sanguins. il est bien connu pour inclure les cardiopathies ischémiques (IHD), les maladies cérébrovasculaires, l'hypertension et les maladies artérielles périphériques. le taux de morbidité et les coûts de traitement élevés font de cette maladie une menace sérieuse. Une méthode permettant de prédire un risque plus élevé de maladie cardiovasculaire consiste à utiliser l'apprentissage supervisé et non supervisé, qui peut séparer les individus en groupes à risque plus élevé et à risque plus faible. Ce document de recherche a rapporté différentes mesures de performances, à savoir la précision, le rappel, l'exactitude, le score F1 et l'AUC pour diverses techniques d'apprentissage automatique et d'ensemble. Voici les noms des algorithmes de classification que nous allons mettre en œuvre et comparer la précision dans cette recherche : 1) Classificateurs linéaires : régression logistique. 2) K-Voisin le plus proche. 3) Machine à vecteurs de support (SVM). 4) Arbres de décision. 5) AdaBoost. 5) Ksignifie. Le classificateur AdaBoost a obtenu les meilleures performances avec une précision de 73,85 % et un score F1 et une AUC de 0,74 et 0,73, respectivement. Ensuite, la technique d'adaptation de domaine a été appliquée pour démontrer la polyvalence du système de prédiction proposé. Enfin, le framework AdaBoost le plus performant a été déployé sur une application site Web et permet de prédire instantanément les maladies cardiovasculaires. Il existe des perspectives futures pour ce travail, par exemple, nous recommandons d'obtenir des données privées supplémentaires avec une plus grande cohorte de patients pour obtenir de meilleurs résultats. Une autre extension de ce travail consiste à combiner des modèles d'apprentissage automatique avec des techniques de logique floue et à appliquer des approches d'optimisation |
Langues: | Français |
Mots-clés: | Prediction , cardiovascular, diseases, machine learning |
Résumé : |
Les maladies cardiovasculaires sont devenues un problème croissant et constituent une maladie mortelle à l’échelle mondiale qui touche les personnes de tous
âges. Les maladies cardiovasculaires sont une classe de maladies qui touchent le cœur ou les vaisseaux sanguins. il est bien connu pour inclure les cardiopathies ischémiques (IHD), les maladies cérébrovasculaires, l'hypertension et les maladies artérielles périphériques. le taux de morbidité et les coûts de traitement élevés font de cette maladie une menace sérieuse. Une méthode permettant de prédire un risque plus élevé de maladie cardiovasculaire consiste à utiliser l'apprentissage supervisé et non supervisé, qui peut séparer les individus en groupes à risque plus élevé et à risque plus faible. Ce document de recherche a rapporté différentes mesures de performances, à savoir la précision, le rappel, l'exactitude, le score F1 et l'AUC pour diverses techniques d'apprentissage automatique et d'ensemble. Voici les noms des algorithmes de classification que nous allons mettre en œuvre et comparer la précision dans cette recherche : 1) Classificateurs linéaires : régression logistique. 2) K-Voisin le plus proche. 3) Machine à vecteurs de support (SVM). 4) Arbres de décision. 5) AdaBoost. 5) Ksignifie. Le classificateur AdaBoost a obtenu les meilleures performances avec une précision de 73,85 % et un score F1 et une AUC de 0,74 et 0,73, respectivement. Ensuite, la technique d'adaptation de domaine a été appliquée pour démontrer la polyvalence du système de prédiction proposé. Enfin, le framework AdaBoost le plus performant a été déployé sur une application site Web et permet de prédire instantanément les maladies cardiovasculaires. Il existe des perspectives futures pour ce travail, par exemple, nous recommandons d'obtenir des données privées supplémentaires avec une plus grande cohorte de patients pour obtenir de meilleurs résultats. Une autre extension de ce travail consiste à combiner des modèles d'apprentissage automatique avec des techniques de logique floue et à appliquer des approches d'optimisation |
Note de contenu : |
Chapter 01 : Cardiovascular illness
Chapter 02 : Approaches used Chapter 03 : Experimentation |
Exemplaires (1)
Code-barres | Cote | Support | Localisation | Section | Disponibilité |
---|---|---|---|---|---|
sct02147 | T,I,M00715 | thèses | Emprunt | 10 | Libre accès Disponible |
Documents numériques (1)
Prediction of cardiovascular diseases using machine learning Adobe Acrobat PDF |