In the heart of data : machine learning applications for improved heart failure outcome prediction

Abstract

Ο στόχος αυτής της διατριβής είναι να εξετάσει και να αξιολογήσει την αποτελεσματικότητα διάφορων μοντέλων μηχανικής μάθηση (Random Forest, Decision Tree, Support Vector Machine, Logistic Regression, k-Nearest Neighbors και Gradient Boosting) και μεθόδων (Feature selection, Undersamplig, Oversampling και Principal component analysis), στον προσδιορισμό της πιθανότητας εμφάνισης συμβάντων θανάτου σε ασθενείς με καρδιακή ανεπάρκεια. Η μελέτη χρησιμοποιεί ένα ποικίλο σύνολο μοντέλων σε ένα σύνολο δεδομένων (Ahmad et al., 2017) που περιλαμβάνει ιατρικές εγγραφές ασθενών με καρδιακή ανεπάρκεια. Μέσω αυστηρής ανάλυσης, βελτιστοποίησης υπερπαραμέτρων και εξερεύνησης τεχνικών προεπεξεργασίας δεδομένων, η έρευνα έχει ως στόχο την ανάπτυξη ενός αξιόπιστου πλαισίου, ικανού να κατηγοριοποιεί με ακρίβεια ασθενείς με καρδιακή ανεπάρκεια, βάσει του κινδύνου εμφάνισης συμβάντος θανάτου. Τα ευρήματα της παρούσας εργασίας συμβάλλουν στον τομέα της υγειονομικής περίθαλψης. Πιο συγκεκριμένα, μέσω της δοκιμής και εν συνεχεία επιλογής των πιο αποτελεσματικών μεθόδων - μοντέλων μηχανικής μάθησης και την αντιμετώπιση των κρίσιμων παράγοντων - σφαλμάτων που παρουσιάζουν τα σύνολα δεδομένων, επιτυγάνεται ο αποτελεσματικότερος προσδιορισμός των αποτελεσμάτων.