[論文レビュー] Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction

Jonayet Miah, Ca, Duc M+4 more|arXiv (Cornell University)|Nov 1, 2023

Artificial Intelligence in Healthcare被引用数 5

ひとこと要約

本研究では、臨床的リスク因子を用いて心筋梗塞を予測するための6つの機械学習モデル—ロジスティック回帰、SVM、決定木、バギング、XGBoost、LightGBM—を評価した。XGBoostは最高の正確度（92.72％）を達成し、心血管疾患の予測を向上させ、予防的臨床介入を支援する上で優位性を示した。

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.

研究の動機と目的

• 機械学習モデルを用いて心筋梗塞の予測精度を向上させること。
• 臨床的心血管データセット上で多様な教師あり学習アルゴリズムの性能を比較すること。
• 虚血性心筋梗塞リスクの早期発見に最も効果的なモデルを同定すること。
• 高精度な予測モデリングを通じて、データドリブンで予防的な医療戦略を支援すること。
• 複数のアルゴリズムにわたる標準的な性能指標を用いてモデルの頑健性を評価すること。

提案手法

• 本研究では、6つの教師あり機械学習モデル（ロジスティック回帰、サポートベクターマシン、決定木、バギング、XGBoost、LightGBM）の比較分析を実施した。
• モデルは、喫煙、血圧、コレステロール値などのリスク要因を含む臨床データセットを用いて訓練および評価された。
• 性能は標準的な分類指標を用いて評価され、正確度が主な評価基準とした。
• XGBoostおよびLightGBMの予測性能を向上させるために、ハイパーパramータチューニングが適用された。
• モデル学習の前段階で欠損値の処理と特徴量の正規化を実施してデータ前処理を行った。
• モデルの安定性と一般化性能を確保するため、交差検証が用いられた。

実験結果

リサーチクエスチョン

• RQ1 評価されたモデルの中で、どの機械学習モデルが心筋梗塞予測において最も高い正確度を達成するか？
• RQ2 XGBoostやLightGBMのようなアンサンブル手法は、ロジスティック回帰やSVMのような従来のモデルと比較して、心血管リスク予測においてどのように差をつけるか？
• RQ3 血圧やコレステロールといった臨床的リスク要因が、モデルの性能にどの程度寄与するか？
• RQ4 XGBoostは、臨床現場における虚血性心筋梗塞の早期発見に信頼性があり、頑健なソリューションを提供できるか？
• RQ5 この予測タスクにおいて、木構造ベースのモデルと線形モデルの相対的な性能はいかがなっているか？

主な発見

• XGBoostは92.72％の予測正確度を達成し、他のすべてのモデルを上回った。
• LightGBMは90.60％の正確度を示し、モデルの中で2番目に高い性能を発揮した。
• ロジスティック回帰は81.00％の正確度を達成し、比較の基準として機能した。
• 決定木モデルは82.30％の正確度を達成し、中程度の予測能力を示した。
• バギングは個々のモデルを改善し、83.01％の正確度を達成した。
• サポートベクターマシンは、評価されたモデルの中で最も低い正確度（75.01％）を記録した。