Πρόβλεψη θνησιμότητας από καρδιαγγειακά νοσήματα με τεχνικές μηχανικής μάθησης : ανάλυση χρονοσειρών και εφαρμογή LSTM

Abstract

Η παρούσα μελέτη διερευνά τη θνησιμότητα από καρδιοαγγειακά νοσήματα (ΚΑΝ) και αναπτύσσει ένα προγνωστικό μοντέλο μηχανικής μάθησης βασισμένο σε Long Short Term Memory (LSTM) για την εκτίμηση της εξέλιξης των ΚΑΝ έως το 2035. Χρησιμοποιώντας ιστορικά δεδομένα θνησιμότητας και πληθυσμού, η ανάλυση καταδεικνύει ότι η θνησιμότητα από ΚΑΝ παρουσιάζει αυξητική τάση, με τις προβλέψεις να δείχνουν ότι οι παγκόσμιοι θάνατοι από ΚΑΝ μπορεί να ξεπεράσουν τους 243 θανάτους ανά 100.000 κατοίκους έως το 2035. Στην περίπτωση της Ελλάδας, η θνησιμότητα αναμένεται να φτάσει τους 482,4 θανάτους ανά 100.000 κατοίκους, επιβεβαιώνοντας την ανάγκη για αποτελεσματικές παρεμβάσεις δημόσιας υγείας. Η σύγκριση διαφορετικών μοντέλων πρόβλεψης ανέδειξε την υπεροχή του LSTM έναντι των παραδοσιακών στατιστικών μεθόδων, όπως το ARIMA, με το LSTM να επιτυγχάνει χαμηλότερο σφάλμα πρόβλεψης και υψηλότερη ακρίβεια. Παράλληλα, η μελέτη ανέδειξε τη σημασία των κοινωνικοοικονομικών και περιβαλλοντικών παραγόντων στην εξέλιξη των ΚΑΝ, υπογραμμίζοντας την ανάγκη για ενσωμάτωση περισσότερων μεταβλητών στα προγνωστικά μοντέλα. Η έρευνα καταλήγει στο ότι η εφαρμογή τεχνητής νοημοσύνης στην πρόβλεψη των ΚΑΝ μπορεί να αποτελέσει εργαλείο για τη χάραξη πολιτικών δημόσιας υγείας, επιτρέποντας στοχευμένες προληπτικές παρεμβάσεις. Μελλοντικές βελτιώσεις περιλαμβάνουν την ανάπτυξη υβριδικών μοντέλων LSTM με Transformers και τη συλλογή πιο ολοκληρωμένων δεδομένων, ώστε να ενισχυθεί η ακρίβεια των προβλέψεων και να μειωθεί η καρδιαγγειακή θνησιμότητα.