Blog

Apr 13, 2024

Une prédiction basée sur une technique d'apprentissage automatique actif des maladies cardiovasculaires de l'UCI

Scientific Reports volume 13, Numéro d'article : 13588 (2023) Citer cet article 372 Accès aux détails de 5 Altmetric Metrics Les maladies cardiaques sont une cause mondiale importante de mortalité, et il est nécessaire de la prévoir.

Rapports scientifiques volume 13, Numéro d'article : 13588 (2023) Citer cet article

372 accès

5 Altmétrique

Détails des métriques

Les maladies cardiaques sont une cause mondiale importante de mortalité, et leur prévision grâce à l’analyse des données cliniques pose des défis. L’apprentissage automatique (ML) est devenu un outil précieux pour diagnostiquer et prédire les maladies cardiaques en analysant les données de santé. Des études antérieures ont largement utilisé les techniques de ML dans la recherche médicale pour la prédiction des maladies cardiaques. Dans cette étude, huit classificateurs ML ont été utilisés pour identifier les caractéristiques cruciales qui améliorent la précision de la prédiction des maladies cardiaques. Diverses combinaisons de caractéristiques et d'algorithmes de classification bien connus ont été utilisées pour développer le modèle de prédiction. Des modèles de réseaux neuronaux, tels que Naïve Bayes et Radial Basis Functions, ont été mis en œuvre, atteignant respectivement des précisions de 94,78 % et 90,78 % dans la prédiction des maladies cardiaques. Parmi les méthodes de pointe pour la prédiction des problèmes cardiovasculaires, la quantification vectorielle d’apprentissage a présenté le taux de précision le plus élevé, soit 98,7 %. La motivation derrière la prévision des maladies cardiovasculaires réside dans son potentiel à sauver des vies, à améliorer les résultats en matière de santé et à allouer efficacement les ressources de santé. Les principales contributions englobent l'intervention précoce, la médecine personnalisée, les progrès technologiques, l'impact sur la santé publique et la recherche en cours, qui travaillent tous collectivement à réduire le fardeau des maladies coronariennes sur les patients individuels et sur la société dans son ensemble.

Le secteur de la santé génère beaucoup de données sur les patients, les maladies et les diagnostics, mais elles ne sont pas utilisées correctement pour produire les résultats souhaités. Les maladies cardiaques et les accidents vasculaires cérébraux sont deux des principales causes de décès. Selon un rapport de l’OMS, les maladies cardiovasculaires tuent directement plus de 17,8 millions de personnes chaque année. Faute d’analyses suffisantes, les énormes quantités de données sur les patients, les maladies et les diagnostics du secteur de la santé n’ont pas l’effet espéré sur la santé des patients1. Les maladies cardiaques et vasculaires, ou maladies cardiovasculaires, comprennent les maladies coronariennes, la myocardite, les maladies vasculaires et d'autres affections. Les accidents vasculaires cérébraux et les maladies cardiaques tuent 80 % de toutes les personnes qui meurent de maladies cardiovasculaires. Les trois quarts de toutes les personnes qui décèdent ont moins de 70 ans. Les principaux facteurs qui vous exposent à un risque de maladie cardiovasculaire sont le sexe, le tabagisme, l'âge, les antécédents familiaux, une mauvaise alimentation, les lipides, le manque d'activité physique et l'hypertension artérielle. , la prise de poids et la consommation d'alcool2. L’hypertension artérielle et le diabète sont deux exemples de problèmes qui peuvent être transmis de génération en génération et qui augmentent le risque de développer une maladie cardiovasculaire. Certaines des autres choses qui augmentent le risque sont l'inactivité, le surpoids, une mauvaise alimentation, des douleurs au dos, au cou et aux épaules, une grande fatigue et un rythme cardiaque rapide. La plupart des gens ressentent des douleurs à la poitrine, aux épaules, aux bras, un essoufflement et une sensation générale de faiblesse. Comme c'est le cas depuis longtemps, les douleurs thoraciques sont le signe le plus courant que le cœur ne reçoit pas suffisamment de sang3. Ce type de douleur thoracique est appelé angine en médecine. Certains tests, comme les rayons X, l'imagerie par résonance magnétique (IRM) et l'angiographie, peuvent aider à déterminer ce qui ne va pas. D’un autre côté, des équipements médicaux importants ne sont parfois pas facilement accessibles, ce qui limite les actions possibles en cas d’urgence. Lorsqu’il s’agit de déterminer ce qui ne va pas avec votre cœur et de le traiter, chaque seconde compte4. Les diagnostics des maladies cardiaques ne sont pas aussi efficaces qu'ils pourraient l'être, et il existe un énorme besoin d'une meilleure analyse des mégadonnées dans la refonte du système cardiovasculaire et les résultats pour les patients. Mais le bruit, le caractère incomplet et les irrégularités des données font qu’il est difficile d’en tirer des conclusions claires, précises et fondées. En raison des récentes améliorations technologiques telles que le Big Data, le stockage et la récupération d’informations, l’intelligence informatisée joue un rôle important en cardiologie. Afin de tirer des conclusions à partir des données extraites avec différents modèles de ML, les chercheurs ont utilisé des techniques de prétraitement5. À l’aide d’un ensemble commun d’algorithmes et de leurs variantes, utilisés pour suivre les troubles cardiaques héréditaires et les contrôles sains, il est possible de prédire quand débutera la première étape de l’insuffisance cardiaque. Les techniques de classification, les machines DT, SVC, LR et RF sont tous des types d'algorithmes qui peuvent être utilisés pour prédire un arrêt cardiaque. En matière d'apprentissage automatique, il existe trois façons principales de penser : les trois principaux types d'apprentissage automatique sont le ML supervisé axé sur les tâches (classification/régression), le ML non supervisé basé sur les données (clustering) et l'apprentissage par renforcement basé sur les erreurs ( RL). La maladie coronarienne est une maladie très courante des principaux vaisseaux sanguins qui amènent le sang vers le muscle cardiaque. Des plaques constituées de lipoprotéines peuvent s’accumuler dans les artères du cœur, ce qui peut entraîner une maladie coronarienne. L’athérosclérose est le nom donné à l’accumulation de ces plaques6. L'athérosclérose ralentit la circulation du sang dans les veines vers la poitrine et d'autres organes. Il augmente si vous souffrez d’une maladie cardiaque, d’une angine de poitrine ou d’un accident vasculaire cérébral. Les hommes et les femmes peuvent présenter différents signes avant-coureurs et symptômes de maladie coronarienne. Par exemple, les hommes sont plus susceptibles que les femmes d’éprouver des douleurs thoraciques. En plus des douleurs thoraciques, les femmes sont plus susceptibles de ressentir un essoufflement, des nausées et un épuisement soudain. L’insuffisance cardiaque, l’oppression thoracique, la pression thoracique et les douleurs thoraciques peuvent tous être des signes d’une maladie coronarienne7. Le système de prévision des maladies cardiaques intègre la technique de classification bayésienne naïve pour aider à la prise de décision. En analysant une vaste base de données de cas antérieurs de maladies cardiaques, le système découvre des informations précieuses. Ce modèle est très efficace pour identifier les patients à risque de maladie cardiaque. Il possède la capacité de répondre à des requêtes complexes, mettant en valeur ses atouts en termes d’interprétabilité, d’accès à des informations complètes et d’exactitude8. Prendre des décisions précises et opportunes est crucial dans le domaine médical, en particulier lors du traitement des patients. Les techniques d'apprentissage automatique (ML) jouent un rôle important dans la prévision des maladies en exploitant les nombreuses données générées par le secteur de la santé. En Inde, les maladies cardiaques sont l’une des principales causes de mortalité, et l’Organisation mondiale de la santé (OMS) souligne l’importance d’une intervention rapide pour prédire et prévenir les accidents vasculaires cérébraux. Cet article se concentre sur la prévision des maladies cardiovasculaires avec une précision accrue en employant des techniques d’apprentissage automatique telles que Decision Tree et Naïve Bayes, en conjonction avec des facteurs de risque. L'ensemble de données utilisé dans cette étude est l'ensemble de données sur l'insuffisance cardiaque, qui comprend 13 attributs9. L'auteur a étudié l'efficacité de deux algorithmes, Support Vector Machine (SVM) et Naive Bayes, pour prédire l'apparition d'une maladie cardiaque et l'état de survie des patients. Les algorithmes ont été appliqués à un ensemble de données comprenant seize attributs du Center for Machine Learning and Intelligent Systems de l'Université de Californie à Irvine. Pour évaluer les performances des modèles, une matrice de confusion a été utilisée pour visualiser des mesures telles que l'exactitude, le rappel, la précision et l'erreur. De plus, une analyse statistique a été réalisée en utilisant la courbe des caractéristiques de fonctionnement du récepteur (ROC) et en calculant l'aire sous la courbe pour démontrer l'exactitude des modèles10. Dans ce document de recherche, un système est présenté qui utilise un réseau neuronal à fonction de base radiale pour prédire avec précision huit types différents d'arythmies cardiaques. L'objectif principal de l'étude est l'analyse des données de séries chronologiques de fréquence cardiaque, et l'algorithme proposé est spécifiquement conçu pour prédire des arythmies spécifiques, à savoir le bloc de branche gauche, la fibrillation auriculaire, le rythme sinusal normal, le bloc de branche droit, la bradycardie sinusale, l'oreillette. flutter, contraction ventriculaire prématurée et bloc du deuxième degré. Les données de séries chronologiques de fréquence cardiaque utilisées dans l'étude proviennent de la base de données sur les arythmies du MIT-BIH. Les caractéristiques linéaires et non linéaires sont extraites de la série chronologique de fréquence cardiaque de chaque arythmie individuelle. La formation du réseau neuronal à fonction de base radiale (RBFN) est réalisée à l'aide de 70 % des ensembles de données caractéristiques, tandis que les 30 % restants sont consacrés à la prévision de l'apparition des huit maladies cardiaques. L'approche proposée démontre une précision de prédiction globale impressionnante de 96,33 %, dépassant les performances des méthodes existantes documentées dans la littérature11. Une nouvelle méthode connue sous le nom de classification radiale est introduite pour la classification des maladies cardiaques à l'aide de bases de données cliniques. Les classificateurs conventionnels qui impliquent plusieurs attributs ont tendance à avoir un grand nombre de paramètres, ce qui rend difficile la détermination des attributs idéaux. Pour résoudre ce problème, le concept d'idées de classificateur de fonctions multivariées est proposé, visant à encourager une tendance stochastique plus cohérente et à minimiser la probabilité d'erreurs ou de résultats imprévus. Cette formule s'avère bénéfique pour organiser les données multidimensionnelles et améliorer la précision du regroupement lors de la phase d'analyse. Les résultats de l'étude indiquent que la méthode de calcul proposée offre une plus grande précision par rapport aux approches précédentes12. Le réseau neuronal de rétropropagation a démontré des performances satisfaisantes en matière de précision de prédiction. Cependant, pour améliorer davantage la précision et déterminer le type spécifique de maladie cardiaque, l'article intègre la technique CBR à l'ANN. En exploitant les dossiers historiques des patients, un niveau de précision atteignant 97 % est atteint. Cette recherche utilise non seulement le CBR pour améliorer la précision, mais également pour prédire le type de maladie cardiaque. Les résultats du CBR englobent à la fois le type de maladie cardiaque identifié et le médicament recommandé. Cela permet une comparaison entre le médicament d'origine et le médicament proposé par le RBF (Radial Basis Function). Les médicaments prescrits selon cette approche présentent une précision comparative de 98 %13. Les symptômes comprennent des difficultés respiratoires, des douleurs dans le haut du dos, le cou, la mâchoire ou la gorge, ainsi que des douleurs, des engourdissements, une faiblesse ou un frisson dans les membres. En raison du rétrécissement des vaisseaux sanguins dans certaines parties du corps, il est possible de souffrir d'une maladie coronarienne sans s'en rendre compte jusqu'à ce que vous ayez une crise cardiaque, une angine de poitrine, un accident vasculaire cérébral ou une insuffisance cardiaque. Gardez un œil sur les signes de problèmes cardiaques et si vous êtes inquiet, parlez-en à votre médecin. Si vous vous faites examiner souvent, une maladie cardiaque (cardiovasculaire) peut être détectée plus tôt14. Cette méthode proposée utilise des classificateurs ML supervisés pour montrer comment différents modèles peuvent prédire la présence de maladies cardiovasculaires et évaluer les performances de ces classificateurs, tels que la forêt aléatoire, l'arbre de décision, la machine à vecteurs de support, XGBoost, la fonction de base radiale, le k-voisin le plus proche. , bayes naïfs et apprentissage de la quantification vectorielle.