[논문 리뷰] iCardo: A Machine Learning Based Smart Healthcare Framework for Cardiovascular Disease Prediction

Nidhi Sinha, Teena Jangid외 2명|arXiv (Cornell University)|2022. 12. 07.

Healthcare Systems and Public Health인용 수 4

한 줄 요약

이 논문은 기계학습 기반의 스마트 헬스케어 프레임워크인 iCardo를 제안하며, 다수의 특징 선택 기법과 앙상블 모델 평가를 사용하여 심혈관질환(CVD) 조기 예측을 수행한다. SVM과 순차적 특징 제거(RFE)를 조합한 분류기가 최적의 성능을 보이며, 병합된 심장질환 데이터셋에서 92.31%의 정확도를 달성했고, 실시간 클라우드 기반 환자 모니터링을 위한 의료용 인터넷(IoMT)과 통합되어 있다.

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.

연구 동기 및 목표

• 기계학습을 활용하여 심혈관질환(CVD)의 조기 정확한 예측을 가능하게 하는 스마트 헬스케어 프레임워크를 개발하는 것.
• 다양한 특징 선택 방법을 적용한 여러 기계학습 분류기의 성능을 평가하여 CVD 예측에 가장 효과적인 조합을 규명하는 것.
• 최적화된 모델을 의료용 인터넷(IoMT)과 통합하여 환자 건강 데이터에 실시간 클라우드 기반으로 액세스할 수 있도록 하는 것.
• 자동화된 데이터 기반의 CVD 위험 평가를 통해 조기 진단을 향상시키고 조기 사망률을 감소시키는 것.

제안 방법

• 프레임워크는 클리블랜드, 헝가리, 스위스, 롱비치 VA 심장질환 데이터셋을 조합한 하이브리드 데이터셋을 사용하며, 총 303건의 인스턴스와 56개의 원본 속성이 포함되어 있다.
• LASSO, 트리 기반, 카이제곱, 순차적 특징 제거(RFE)의 4가지 특징 선택 방법을 적용하여 총 16개의 고유한 특징 서브셋(각각 5, 10, 15, 20, 25개의 특징)을 생성하였다.
• SVM, 나이브 베이즈, 랜덤 포레스트, XGBoost 등 7종의 분류기를 각 16개의 특징 서브셋에 대해 학습 및 평가하여 총 112개의 고유한 모델 구성이 이루어졌다.
• 정확도, 정밀도, 재현도, F1 점수 등의 표준 지표를 사용하여 성능을 평가하였고, 혼동 행렬을 활용하여 모델 행동의 타당성을 검증하였다.
• 최고 성능을 보인 모델(SVM + RFE)은 병합된 데이터셋에서 82.10%의 정확도를 기록하였으며, 특징 선택을 적용하지 않은 기준선 SVM(78.00%)보다 뛰어난 성능을 보였다.
• 최종 시스템 아키텍처는 전자 의무기록(EHR) 데이터의 클라우드 스토리지와 환자, 간호사, 임상의가 실시간으로 액세스할 수 있는 IoMT 기반 장치를 통해 제공된다.

실험 결과

연구 질문

• RQ1 특징 선택 방법과 기계학습 분류기의 조합 중에서 CVD 예측 정확도가 가장 높은 조합은 무엇인가?
• RQ2 인구통계학적, 임상적, 심전도, 혈액검사 기반의 특징이 CVD 모델의 예측 성능에 어떤 영향을 미치는가?
• RQ3 기계학습 기반 프레임워크를 IoMT와 통합함으로써 실시간, 원격, 정확한 CVD 예측이 가능해지고 환자의 결과가 향상되는가?
• RQ4 다양한 선택 기법으로 유도된 다수의 특징 서브셋에서 SVM, 나이브 베이즈 및 기타 분류기의 비교 성능는 어떠한가?

주요 결과

• 특징 선택 방법으로 카이제곱 및 RFE를 사용한 서포트 벡터 머신(SVM) 분류기가 총합으로 92.31%의 가장 높은 정확도를 기록하였다.
• SVM에 RFE 기반 특징 선택을 적용한 경우, 병합된 데이터셋에서 82.10%의 정확도를 기록하였으며, 특징 선택 없이 학습한 기준선 SVM(78.00%)보다 뛰어난 성능을 보였다.
• 카이제곱 특징 선택 방법이 가장 효과적이었으며, 다양한 분류기에서 일관되게 높은 성능을 보이는 특징 서브셋을 생성하였다.
• 나이브 베이즈는 여러 특징 서브셋에서 100%의 재현도를 기록하였지만, 이는 임상 데이터에서 특징 간 독립성을 가정하는 방식이지만 실제로는 연령과 고혈압 등 상관관계가 있는 특징들이 존재하기 때문에 성과의 신뢰도에 한계가 있다.
• 혼동 행렬 분석을 통해 SVM에 RFE 기반 특징을 적용한 경우가 가장 높은 총합 정확도와 정밀도 및 재현도의 균형을 확보하였다.
• 제안된 iCardo 프레임워크는 실시간 클라우드 기반 CVD 위험 예측 및 원격 환자 모니터링을 가능하게 하여 IoMT 플랫폼과의 통합 잠재력을 높게 보여주었다.