Blog

Apr 13, 2024

Una previsione basata su una tecnica di macchina di apprendimento attivo delle malattie cardiache cardiovascolari da UCI

Scientific Reports volume 13, numero articolo: 13588 (2023) Cita questo articolo 372 Accessi 5 Dettagli metriche alternative Le malattie cardiache sono una causa globale significativa di mortalità e la possibilità di prevederla

Rapporti scientifici volume 13, numero articolo: 13588 (2023) Citare questo articolo

372 accessi

5 Altmetrico

Dettagli sulle metriche

Le malattie cardiache rappresentano una causa significativa di mortalità a livello globale e prevederle attraverso l’analisi dei dati clinici rappresenta una sfida. L’apprendimento automatico (ML) è emerso come uno strumento prezioso per diagnosticare e prevedere le malattie cardiache analizzando i dati sanitari. Studi precedenti hanno ampiamente utilizzato tecniche ML nella ricerca medica per la previsione delle malattie cardiache. In questo studio sono stati utilizzati otto classificatori ML per identificare caratteristiche cruciali che migliorano l’accuratezza della previsione delle malattie cardiache. Per sviluppare il modello di previsione sono state impiegate varie combinazioni di caratteristiche e algoritmi di classificazione ben noti. Sono stati implementati modelli di rete neurale, come Naïve Bayes e Radial Basis Functions, ottenendo una precisione rispettivamente del 94,78% e del 90,78% nella previsione delle malattie cardiache. Tra i metodi all'avanguardia per la previsione dei problemi cardiovascolari, la quantizzazione dei vettori di apprendimento ha mostrato il tasso di precisione più elevato, pari al 98,7%. La motivazione alla base della previsione delle malattie cardiache cardiovascolari risiede nel loro potenziale di salvare vite umane, migliorare i risultati sanitari e allocare le risorse sanitarie in modo efficiente. I contributi chiave comprendono l’intervento precoce, la medicina personalizzata, i progressi tecnologici, l’impatto sulla salute pubblica e la ricerca in corso, che insieme lavorano per ridurre il peso delle malattie coronariche sia sui singoli pazienti che sulla società nel suo complesso.

Il settore sanitario genera molti dati su pazienti, malattie e diagnosi, ma non vengono utilizzati correttamente per produrre i risultati desiderati. Le malattie cardiache e l’ictus sono due delle principali cause di morte. Secondo un rapporto dell’OMS, le malattie cardiovascolari uccidono direttamente più di 17,8 milioni di persone ogni anno. Poiché non vi sono analisi sufficienti, le enormi quantità di dati relativi a pazienti, malattie e diagnosi presenti nel settore sanitario non hanno l'effetto sperato sulla salute dei pazienti1. Le malattie cardiache e dei vasi sanguigni, o CVD, comprendono la malattia coronarica, la miocardite, la malattia vascolare e altre condizioni. Ictus e malattie cardiache uccidono l’80% di tutte le persone che muoiono di malattie cardiovascolari. Tre quarti di tutte le persone che muoiono hanno meno di 70 anni. Le principali cose che mettono a rischio di malattie cardiovascolari sono il sesso, il fumo, l’età, la storia familiare, la cattiva alimentazione, i lipidi, la mancanza di attività fisica, l’ipertensione , aumento di peso e consumo di alcol2. L’ipertensione e il diabete sono due esempi di fattori che possono essere trasmessi e aumentano il rischio di contrarre malattie cardiovascolari. Alcune delle altre cose che aumentano il rischio sono l'inattività, il sovrappeso, il mangiare male, il dolore alla schiena, al collo e alle spalle, l'essere molto stanco e il battito cardiaco accelerato. La maggior parte delle persone soffre di dolore al petto, dolore alla spalla, dolore al braccio, mancanza di respiro e un senso generale di debolezza. Come ormai da molto tempo, il dolore toracico è il segno più comune che il cuore non riceve abbastanza sangue3. Questo tipo di dolore al petto è chiamato angina in medicina. Alcuni test, come i raggi X, la risonanza magnetica (MRI) e l'angiografia, possono aiutare a capire cosa c'è che non va. D’altra parte, a volte le attrezzature mediche importanti non sono facilmente accessibili, il che limita ciò che può essere fatto in caso di emergenza. Quando si tratta di capire cosa c'è che non va nel tuo cuore e di curarlo, ogni secondo conta4. La diagnostica delle malattie cardiache non è così buona come potrebbe essere e c’è un enorme bisogno di una migliore analisi dei big data nella riprogettazione del sistema cardiovascolare e negli esiti dei pazienti. Ma il rumore, l’incompletezza e le irregolarità nei dati rendono difficile trarre da essi conclusioni chiare, accurate e fondate. A causa dei recenti miglioramenti nelle tecnologie come i big data, l’archiviazione e il recupero delle informazioni, l’intelligenza computerizzata svolge un ruolo importante in cardiologia. Per trarre conclusioni dai dati estratti con diversi modelli ML, i ricercatori hanno utilizzato tecniche di pre-elaborazione5. Utilizzando un insieme comune di algoritmi e le loro variazioni, utilizzati per tenere traccia dei disturbi cardiaci ereditari e dei controlli sani, è possibile prevedere quando inizierà la prima fase dell’insufficienza cardiaca. La tecnica di classificazione, le macchine DT, SVC, LR e RF sono tutti tipi di algoritmi che possono essere utilizzati per prevedere l'arresto cardiaco. Quando si parla di machine learning, ci sono tre modi principali di pensare: i tre tipi principali di machine learning sono ML supervisionato basato su attività (classificazione/regressione), ML non supervisionato basato sui dati (clustering) e apprendimento per rinforzo basato sugli errori ( RL). La malattia coronarica è una malattia molto comune dei principali vasi sanguigni che portano il sangue al muscolo cardiaco. Le placche, costituite da lipoproteine, possono accumularsi nelle arterie del cuore, causando una malattia coronarica. L'aterosclerosi è il nome dato all'accumulo di queste placche6. L’aterosclerosi rallenta il flusso del sangue attraverso le vene verso il torace e altri organi. Aumenta se hai malattie cardiache, angina o ictus. Uomini e donne possono avere segnali d’allarme e sintomi diversi di malattia coronarica. Ad esempio, gli uomini hanno maggiori probabilità rispetto alle donne di soffrire di dolore al petto. Oltre al dolore toracico, le donne hanno maggiori probabilità di avvertire mancanza di respiro, nausea e esaurimento improvviso. Insufficienza cardiaca, oppressione toracica, pressione toracica e dolore toracico possono tutti essere segni di malattia coronarica7. Il sistema di previsione delle malattie cardiache incorpora la tecnica di classificazione naive bayesiana per assistere nel processo decisionale. Analizzando un vasto database di casi passati di malattie cardiache, il sistema scopre informazioni preziose. Questo modello è altamente efficiente nell’identificare i pazienti a rischio di malattie cardiache. Possiede la capacità di rispondere a domande complesse, mostrando i suoi punti di forza in termini di interpretabilità, accesso a informazioni complete e accuratezza8. Prendere decisioni accurate e tempestive è fondamentale in campo medico, soprattutto quando si trattano i pazienti. Le tecniche di machine learning (ML) svolgono un ruolo significativo nella previsione delle malattie sfruttando la vasta gamma di dati generati dal settore sanitario. In India, le malattie cardiache sono una delle principali cause di mortalità e l’Organizzazione Mondiale della Sanità (OMS) sottolinea l’importanza di un intervento tempestivo per prevedere e prevenire l’ictus. Questo articolo si concentra sulla previsione delle malattie cardiovascolari con maggiore precisione utilizzando tecniche ML come Decision Tree e Naïve Bayes, insieme ai fattori di rischio. Il set di dati utilizzato in questo studio è il set di dati sull'insufficienza cardiaca, che comprende 13 attributi9. L'autore ha studiato l'efficacia di due algoritmi, Support Vector Machine (SVM) e Naive Bayes, nel prevedere l'insorgenza di malattie cardiache e lo stato di sopravvivenza dei pazienti. Gli algoritmi sono stati applicati a un set di dati che includeva sedici attributi dell'Università della California, Centro di Irvine per l'apprendimento automatico e i sistemi intelligenti. Per valutare le prestazioni dei modelli, è stata utilizzata una matrice di confusione per visualizzare parametri come accuratezza, richiamo, precisione ed errore. Inoltre, è stata effettuata un'analisi statistica utilizzando la curva delle caratteristiche operative del ricevitore (ROC) e calcolando l'area sotto la curva per dimostrare l'accuratezza dei modelli10. In questo documento di ricerca viene introdotto un sistema che impiega una rete neurale con funzione di base radiale per prevedere con precisione otto diversi tipi di aritmie cardiache. L'obiettivo principale dello studio è l'analisi dei dati delle serie temporali della frequenza cardiaca e l'algoritmo proposto è specificamente progettato per prevedere aritmie specifiche, vale a dire blocco di branca sinistra, fibrillazione atriale, ritmo sinusale normale, blocco di branca destra, bradicardia sinusale, flutter, contrazione ventricolare prematura e blocco di secondo grado. I dati delle serie temporali sulla frequenza cardiaca utilizzati nello studio provengono dal database delle aritmie del MIT-BIH. Sia le caratteristiche lineari che quelle non lineari vengono estratte dalle serie temporali della frequenza cardiaca di ogni singola aritmia. L'addestramento della rete neurale con funzione di base radiale (RBFN) viene condotto utilizzando il 70% dei set di dati delle caratteristiche, mentre il restante 30% è dedicato alla previsione dell'insorgenza delle otto malattie cardiache. L'approccio proposto dimostra un'impressionante precisione di previsione complessiva pari al 96,33%, superando le prestazioni dei metodi esistenti documentati in letteratura11. Viene introdotto un nuovo metodo noto come classificazione a base radiale per la classificazione delle malattie cardiache utilizzando database clinici. I classificatori convenzionali che coinvolgono più attributi tendono ad avere un gran numero di parametri, rendendo difficile determinare gli attributi ideali. Per risolvere questo problema, viene proposto il concetto di Multivariate Function Classifier Ideas, con l'obiettivo di incoraggiare un trend stocastico più coeso e ridurre al minimo la probabilità di errori o risultati imprevisti. Questa formula si rivela utile per organizzare dati multidimensionali e migliorare l'accuratezza del raggruppamento nella fase di analisi. I risultati dello studio indicano che il metodo di calcolo suggerito offre una precisione maggiore rispetto agli approcci precedenti12. La rete neurale di backpropagation ha dimostrato prestazioni soddisfacenti nella previsione dell'accuratezza. Tuttavia, per migliorare ulteriormente la precisione e determinare il tipo specifico di malattia cardiaca, l’articolo integra la tecnica CBR con l’ANN. Sfruttando le registrazioni storiche dei pazienti, si raggiunge un livello di precisione che raggiunge il 97%. Questa ricerca utilizza la CBR non solo per migliorare la precisione, ma anche per prevedere il tipo di malattia cardiaca. L'output della CBR comprende sia il tipo di malattia cardiaca identificato sia il farmaco raccomandato. Ciò consente un confronto tra il farmaco originale e il farmaco suggerito dalla RBF (Radial Basis Function). Il farmaco prescritto utilizzando questo approccio presenta un'accuratezza comparativa del 98%13. I sintomi includono difficoltà a respirare, dolore alla parte superiore della schiena, al collo, alla mascella o alla gola, nonché dolore, intorpidimento, debolezza o brividi agli arti. A causa del restringimento dei vasi sanguigni in alcune parti del corpo, è possibile avere una malattia coronarica e non accorgersene finché non si ha un infarto, angina, ictus o insufficienza cardiaca. Tieni gli occhi aperti per individuare eventuali segni di problemi cardiaci e, se sei preoccupato, parla con il tuo medico. Se ti sottoponi spesso a controlli, la malattia cardiaca (cardiovascolare) potrebbe essere scoperta prima14. Questo metodo proposto utilizza classificatori ML supervisionati per mostrare come diversi modelli possono prevedere la presenza di malattie cardiovascolari e valutare le prestazioni di questi classificatori, come foresta casuale, albero decisionale, macchina vettoriale di supporto, XGBoost, funzione di base radiale, vicino più vicino , Bayes ingenuo e quantizzazione dei vettori di apprendimento.