[論文レビュー] iCardo: A Machine Learning Based Smart Healthcare Framework for Cardiovascular Disease Prediction

Nidhi Sinha, Teena Jangid+2 more|arXiv (Cornell University)|Dec 7, 2022

Healthcare Systems and Public Health被引用数 4

ひとこと要約

本稿では、複数の特徴選択手法とアンサンブルモデル評価を用いた機械学習ベースのスマートヘルスケアフレームワーク、iCardoを提案する。SVMと再帰的特徴削除（RFE）を組み合わせた分類器が最適と特定され、統合された心疾患データセット上で92.31%の正確性を達成した。また、リアルタイムのクラウドベース患者モニタリングを可能にするために、医療用インターネット（IoMT）と統合された。

ABSTRACT

The point of care services and medication have become simpler with efficient consumer electronics devices in a smart healthcare system. Cardiovascular disease is a critical illness which causes heart failure, and early and prompt identification can lessen damage and prevent premature mortality. Machine learning has been used to predict cardiovascular disease (CVD) in the literature. The article explains choosing the best classifier model for the selected feature sets and the distinct feature sets selected using four feature selection models. The paper compares seven classifiers using each of the sixteen feature sets. Originally, the data had 56 attributes and 303 occurrences, of which 87 were in good health, and the remainder had cardiovascular disease (CVD). Demographic data with several features make up the four groups of overall features. Lasso, Tree-based algorithms, Chi-Square and RFE have all been used to choose the four distinct feature sets, each containing five, ten, fifteen, and twenty features, respectively. Seven distinct classifiers have been trained and evaluated for each of the sixteen feature sets. To determine the most effective blend of feature set and model, a total of 112 models have been trained, tested, and their performance has been compared. SVM classifier with fifteen chosen features is shown to be the best in terms of overall accuracy. The healthcare data has been maintained in the cloud and would be accessible to patients, caretakers, and healthcare providers through integration with the Internet of Medical Things (IoMT) enabled smart healthcare. Subsequently, the feature selection model chooses the most appropriate feature for CVD prediction to calibrate the system, and the proposed framework can be utilised to anticipate CVD.

研究の動機と目的

• 機械学習を用いて心血管疾患（CVD）の早期かつ正確な予測を可能にするスマートヘルスケアフレームワークの開発。
• さまざまな特徴選択手法を用いた複数の機械学習分類器の性能を評価し、CVD予測に最も効果的な組み合わせを同定すること。
• 最適化されたモデルをインターネット・オブ・メディカル・シーツ（IoMT）と統合し、患者の健康データへのリアルタイムでクラウドベースのアクセスを可能にすること。
• 自動化されたデータドリブンなCVDリスク評価を通じて、早期診断を向上させ、早期死亡を低減すること。

提案手法

• 本フレームワークは、Cleveland、ハンガリー、スイス、Long Beach VA心疾患データセットを統合したハイブリッドデータセットを用い、合計303件のインスタンスと56個の元の属性を有する。
• LASSO、木ベース、カイ二乗、再帰的特徴削除（RFE）の4つの特徴選択手法を適用し、16個の異なる特徴サブセット（それぞれ5、10、15、20、25個の特徴）を生成した。
• SVM、ナイーブベイズ、ランダムフォレスト、XGBoostなど7種類の分類器を、各16の特徴セットで訓練・評価し、合計112の独自なモデル設定を生成した。
• 標準指標（正確性、適合率、再現率、F1スコア）を用いて性能を評価し、モデルの挙動を検証するために混同行列を用いた。
• 最良の性能を示したモデル（SVM + RFE）を統合データセットで検証したところ、82.10%の正確性を達成し、特徴選択なしのベースラインSVM（78.00%）を上回った。
• 最終的なシステムアーキテクチャは、電子的健康記録（EHR）データのクラウドストレージと、患者、介護者、医療従事者がIoMT対応デバイスを介してリアルタイムでアクセスできる仕組みを提供する。

実験結果

リサーチクエスチョン

• RQ1 どの特徴選択手法と機械学習分類器の組み合わせが、心血管疾患予測において最も高い正確性を達成するか？
• RQ2 人口統計、臨床的、心電図、血液検査の特徴を含めることで、CVDモデルの予測性能にどのような影響を与えるか？
• RQ3 IoMTと統合された機械学習ベースのフレームワークは、改善された患者アウトカムを実現するためのリアルタイムで遠隔的かつ正確なCVD予測を可能にするか？
• RQ4 SVM、ナイーブベイズ、その他の分類器は、異なる選択手法から導かれた複数の特徴サブセット上で、どのように比較されるか？

主な発見

• サポートベクターマシン（SVM）分類器は、カイ二乗およびRFEによる特徴選択を組み合わせた場合、全体で92.31%の最高正確性を達成した。
• RFEに基づく特徴選択を施したSVMは、統合データセット上で82.10%の正確性を示し、特徴選択なしのベースラインSVM（78.00%）を上回る、最も安定した性能を示した。
• カイ二乗特徴選択手法が最も効果的であると判明し、複数の分類器において一貫して高い性能を示す特徴サブセットを生成した。
• ナイーブベイズは、複数の特徴サブセットで100%の再現率を達成したが、これは特徴の独立性を仮定しているためであり、臨床データでは年齢と高血圧が相関しているなど、仮定が成り立たない場合がある。
• 混同行列分析により、RFEに基づく特徴を用いたSVMが、最も高い全体的正確性と、適合率と再現率の良好なバランスを達成していることが確認された。
• 提案されたiCardoフレームワークは、リアルタイムでクラウドベースのCVDリスク予測と遠隔患者モニタリングを可能にするIoMTプラットフォームへの統合に強く適していると示された。