[논문 리뷰] Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction

Jonayet Miah, Ca, Duc M외 4명|arXiv (Cornell University)|2023. 11. 01.

Artificial Intelligence in Healthcare인용 수 5

한 줄 요약

이 연구는 임상적 위험 인자들을 사용하여 심근경색을 예측하기 위해 로지스틱 회귀, 서포트 벡터 머신, 의사결정트리, 배깅, XGBoost, LightGBM의 여섯 가지 기계학습 모델을 평가한다. XGBoost는 가장 높은 정확도(92.72%)를 기록하여 심혈관질환 예측 향상에 있어 우수성을 입증하고 있으며, 사전적임의 임상적 조치를 지원한다.

ABSTRACT

Cardiovascular disease remains a leading cause of mortality in the contemporary world. Its association with smoking, elevated blood pressure, and cholesterol levels underscores the significance of these risk factors. This study addresses the challenge of predicting myocardial illness, a formidable task in medical research. Accurate predictions are pivotal for refining healthcare strategies. This investigation conducts a comparative analysis of six distinct machine learning models: Logistic Regression, Support Vector Machine, Decision Tree, Bagging, XGBoost, and LightGBM. The attained outcomes exhibit promise, with accuracy rates as follows: Logistic Regression (81.00%), Support Vector Machine (75.01%), XGBoost (92.72%), LightGBM (90.60%), Decision Tree (82.30%), and Bagging (83.01%). Notably, XGBoost emerges as the top-performing model. These findings underscore its potential to enhance predictive precision for coronary infarction. As the prevalence of cardiovascular risk factors persists, incorporating advanced machine learning techniques holds the potential to refine proactive medical interventions.

연구 동기 및 목표

• 기계학습 모델을 활용하여 심근경색 예측 정확도를 향상시키기 위해.
• 임상 심혈관 데이터셋에서 다양한 지도학습 알고리즘의 성능을 비교하기 위해.
• 관상동맥 경색 위험 조기 감지에 가장 효과적인 모델을 규명하기 위해.
• 고정밀도 예측 모델링을 통해 데이터 기반의 사전적임의 건강 관리 전략을 지원하기 위해.
• 다양한 알고리즘 간의 성능 지표를 기반으로 모델의 강건성 평가하기 위해.

제안 방법

• 이 연구는 로지스틱 회귀, 서포트 벡터 머신, 의사결정트리, 배깅, XGBoost, LightGBM의 여섯 가지 지도학습 모델을 비교 분석하는 데 초점을 맞춘다.
• 모델들은 흡연, 혈압, 콜레스테롤 수치 등 위험 인자를 포함한 임상 데이터셋을 기반으로 훈련 및 평가된다.
• 성능 평가는 표준 분류 지표를 사용하며, 정확도가 주요 평가 기준으로 사용된다.
• 예측 성능 향상을 위해 XGBoost와 LightGBM에 하이퍼파라미터 튜닝을 적용한다.
• 모델 훈련 이전에 결측치 처리 및 특성 정규화를 포함한 데이터 전처리가 수행된다.
• 모델 안정성과 일반화 능력을 확보하기 위해 교차검증이 사용된다.

실험 결과

연구 질문

• RQ1 평가된 모델들 중에서 어떤 기계학습 모델이 심근경색 예측 정확도가 가장 높은가?
• RQ2 XGBoost와 LightGBM와 같은 앙상블 방법은 로지스틱 회귀와 SVM과 같은 전통적 모델에 비해 심혈관 위험 예측에서 어떻게 비교되는가?
• RQ3 혈압과 콜레스테롤과 같은 임상적 위험 인자가 모델 성능에 얼마나 기여하는가?
• RQ4 XGBoost는 임상 환경에서 관상동맥 경색 조기 감지를 위한 신뢰할 수 있고 강건한 솔루션을 제공할 수 있는가?
• RQ5 이 예측 과제에서 트리 기반 모델과 선형 모델 간의 상대적 성능은 어떠한가?

주요 결과

• XGBoost는 92.72%의 최고 정확도를 기록하여 모든 다른 모델을 능가했다.
• LightGBM는 90.60%의 정확도로 강력한 성능을 보이며 모델 중 두 번째로 높은 순위를 기록했다.
• 로지스틱 회귀는 81.00%의 정확도를 기록하여 비교 기준으로 기능했다.
• 의사결정트리 모델은 82.30%의 정확도를 기록하여 중간 수준의 예측 능력을 보였다.
• 배깅은 개별 모델 성능을 향상시켜 83.01%의 정확도를 기록했다.
• 서포트 벡터 머신 모델은 평가된 모델들 중에서 가장 낮은 정확도인 75.01%를 기록했다.