Uma técnica de máquina de aprendizagem ativa baseada na previsão de doenças cardiovasculares da UCI

Scientific Reports volume 13, Artigo número: 13588 (2023) Citar este artigo

412 Acessos

5 Altmétrico

Detalhes das métricas

As doenças cardíacas são uma causa global significativa de mortalidade e prevê-la através da análise de dados clínicos representa desafios. O aprendizado de máquina (ML) surgiu como uma ferramenta valiosa para diagnosticar e prever doenças cardíacas por meio da análise de dados de saúde. Estudos anteriores empregaram extensivamente técnicas de ML em pesquisas médicas para previsão de doenças cardíacas. Neste estudo, oito classificadores de ML foram utilizados para identificar características cruciais que melhoram a precisão da previsão de doenças cardíacas. Várias combinações de recursos e algoritmos de classificação bem conhecidos foram empregados para desenvolver o modelo de previsão. Modelos de redes neurais, como Naïve Bayes e Radial Basis Functions, foram implementados, alcançando precisões de 94,78% e 90,78%, respectivamente, na previsão de doenças cardíacas. Entre os métodos de última geração para previsão de problemas cardiovasculares, o Learning Vector Quantization exibiu a maior taxa de precisão de 98,7%. A motivação por trás da previsão de doenças cardiovasculares reside no seu potencial para salvar vidas, melhorar os resultados de saúde e alocar recursos de saúde de forma eficiente. As principais contribuições abrangem a intervenção precoce, a medicina personalizada, os avanços tecnológicos, o impacto na saúde pública e a investigação em curso, que trabalham colectivamente para reduzir o fardo da doença coronariana tanto para os pacientes individuais como para a sociedade como um todo.

O setor de saúde gera muitos dados sobre pacientes, doenças e diagnósticos, mas não está sendo usado corretamente para produzir os resultados desejados. As doenças cardíacas e os acidentes vasculares cerebrais são duas das principais causas de morte. De acordo com um relatório da OMS, as doenças cardiovasculares matam diretamente mais de 17,8 milhões de pessoas todos os anos. Como não há análise suficiente, as enormes quantidades de dados de pacientes, doenças e diagnósticos do setor de saúde não têm o efeito esperado na saúde dos pacientes1. As doenças cardíacas e dos vasos sanguíneos, ou DCV, incluem doença arterial coronariana, miocardite, doença vascular e outras condições. AVC e doenças cardíacas matam 80% de todas as pessoas que morrem de DCV. Três quartos de todas as pessoas que morrem têm menos de 70 anos. As principais coisas que colocam você em risco de doenças cardiovasculares são sexo, tabagismo, idade, histórico familiar, dieta inadequada, lipídios, falta de atividade física, pressão alta. , ganho de peso e consumo de álcool2. Pressão alta e diabetes são dois exemplos de coisas que podem ser transmitidas e aumentar a probabilidade de você ter doenças cardiovasculares. Algumas das outras coisas que aumentam o risco são ser inativo, estar acima do peso, não comer bem, ter dores nas costas, pescoço e ombros, estar muito cansado e ter batimentos cardíacos acelerados. A maioria das pessoas sente dor no peito, nos ombros, nos braços, falta de ar e uma sensação geral de fraqueza. Como já acontece há muito tempo, a dor no peito é o sinal mais comum de que o coração não está recebendo sangue suficiente3. Esse tipo de dor no peito é chamado de angina na medicina. Alguns testes, como raios X, ressonância magnética (MRI) e angiografia, podem ajudar a descobrir o que está errado. Por outro lado, por vezes, equipamentos médicos importantes não são facilmente acessíveis, o que limita o que pode ser feito em caso de emergência. Quando se trata de descobrir o que há de errado com seu coração e tratá-lo, cada segundo conta4. Os diagnósticos de doenças cardíacas não são tão bons quanto poderiam ser, e há uma enorme necessidade de uma melhor análise de big data no redesenho do sistema cardiovascular e nos resultados dos pacientes. Mas o ruído, a incompletude e as irregularidades nos dados tornam difícil tirar deles conclusões claras, precisas e bem fundamentadas. Devido às recentes melhorias em tecnologias como big data, armazenamento e recuperação de informações, a inteligência computadorizada desempenha um papel importante na cardiologia. Para tirar conclusões dos dados extraídos com diferentes modelos de ML, os pesquisadores utilizaram técnicas de pré-processamento5. Usando um conjunto comum de algoritmos e suas variações, que são usados ​​para monitorar distúrbios cardíacos hereditários e controles saudáveis, é possível prever quando o primeiro estágio da insuficiência cardíaca começará. Técnica de classificação, máquinas DT, SVC, LR e RF são todos tipos de algoritmos que podem ser usados ​​para prever parada cardíaca. Quando se trata de aprendizado de máquina, existem três maneiras principais de pensar: Os três principais tipos de aprendizado de máquina são ML supervisionado orientado por tarefas (classificação/regressão), ML não supervisionado orientado por dados (clustering) e aprendizado por reforço orientado a erros ( RL). A doença arterial coronariana é uma doença muito comum dos principais vasos sanguíneos que levam sangue ao músculo cardíaco. As placas, que são constituídas por lipoproteínas, podem acumular-se nas artérias do coração, o que pode levar à doença arterial coronária. Aterosclerose é o nome dado ao acúmulo dessas placas6. A aterosclerose retarda o fluxo de sangue através das veias para o tórax e outros órgãos. Aumenta se você tiver doença cardíaca, angina ou acidente vascular cerebral. Homens e mulheres podem apresentar diferentes sinais e sintomas de alerta de doença arterial coronariana. Por exemplo, os homens são mais propensos do que as mulheres a ter dores no peito. Além da dor no peito, as mulheres têm maior probabilidade de sentir falta de ar, náuseas e exaustão súbita. Insuficiência cardíaca, aperto no peito, pressão no peito e dor no peito podem ser sinais de doença arterial coronariana7. O Sistema de Predição de Doenças Cardíacas incorpora a técnica Naive Bayesian Classification para auxiliar na tomada de decisões. Ao analisar um vasto banco de dados de casos anteriores de doenças cardíacas, o sistema revela informações valiosas. Este modelo é altamente eficiente na identificação de pacientes com risco de doença cardíaca. Possui a capacidade de responder a questões complexas, mostrando os seus pontos fortes em termos de interpretabilidade, acesso a informações abrangentes e precisão8. Tomar decisões precisas e oportunas é crucial na área médica, especialmente no tratamento de pacientes. As técnicas de aprendizado de máquina (ML) desempenham um papel significativo na previsão de doenças, aproveitando os extensos dados gerados pelo setor de saúde. Na Índia, as doenças cardíacas são uma das principais causas de mortalidade, e a Organização Mundial da Saúde (OMS) enfatiza a importância de uma intervenção oportuna para prever e prevenir acidentes vasculares cerebrais. Este artigo se concentra na previsão de doenças cardiovasculares com maior precisão, empregando técnicas de ML, como Decision Tree e Naïve Bayes, em conjunto com fatores de risco. O conjunto de dados utilizado neste estudo é o Heart Failure Dataset, que compreende 13 atributos9. O autor investigou o desempenho de dois algoritmos, Support Vector Machine (SVM) e Naive Bayes, na previsão da ocorrência de doenças cardíacas e do status de sobrevivência dos pacientes. Os algoritmos foram aplicados a um conjunto de dados que incluía dezesseis atributos da Universidade da Califórnia, Centro de Aprendizado de Máquina e Sistemas Inteligentes de Irvine. Para avaliar o desempenho dos modelos, uma matriz de confusão foi usada para visualizar métricas como exatidão, recall, precisão e erro. Adicionalmente, foi realizada análise estatística utilizando a curva ROC (Receiver Operating Characteristic) e calculando a área sob a curva para demonstrar a precisão dos modelos10. Neste artigo de pesquisa, é apresentado um sistema que emprega uma rede neural de função de base radial para prever com precisão oito tipos diferentes de arritmias cardíacas. O foco principal do estudo é a análise de dados de séries temporais de frequência cardíaca, e o algoritmo proposto é projetado especificamente para prever arritmias específicas, nomeadamente bloqueio de ramo esquerdo, fibrilação atrial, ritmo sinusal normal, bloqueio de ramo direito, bradicardia sinusal, atrial flutter, contração ventricular prematura e bloqueio de segundo grau. Os dados de série temporal de frequência cardíaca utilizados no estudo são provenientes do banco de dados de arritmia do MIT-BIH. As características lineares e não lineares são extraídas das séries temporais de frequência cardíaca de cada arritmia individual. O treinamento da rede neural de função de base radial (RBFN) é conduzido usando 70% dos conjuntos de dados de recursos, enquanto os 30% restantes são dedicados à previsão da ocorrência das oito doenças cardíacas. A abordagem proposta demonstra uma impressionante precisão global de previsão de 96,33%, superando o desempenho dos métodos existentes documentados na literatura11. Um novo método conhecido como Classificação de Base Radial é introduzido para a classificação de doenças cardíacas usando bancos de dados clínicos. Classificadores convencionais que envolvem múltiplos atributos tendem a possuir um grande número de parâmetros, dificultando a determinação dos atributos ideais. Para resolver isso, é proposto o conceito de Ideias para Classificadores de Funções Multivariadas, com o objetivo de incentivar uma tendência estocástica mais coesa e minimizar a probabilidade de erros ou resultados imprevistos. Esta fórmula é benéfica para organizar dados multidimensionais e aumentar a precisão do agrupamento na fase de análise. Os resultados do estudo indicam que o método de cálculo sugerido oferece maior precisão em comparação com abordagens anteriores12. A rede neural de retropropagação demonstrou desempenho satisfatório na precisão da previsão. No entanto, para aumentar ainda mais a precisão e determinar o tipo específico de doença cardíaca, o artigo integra a técnica CBR com a RNA. Ao aproveitar os registros históricos dos pacientes, é alcançado um nível de precisão que chega a 97%. Esta pesquisa não utiliza apenas CBR para aumentar a precisão, mas também para prever o tipo de doença cardíaca. Os resultados do CBR abrangem tanto o tipo identificado de doença cardíaca como a medicação recomendada. Isto permite uma comparação entre a medicação original e a medicação sugerida pela RBF (Radial Basis Function). A medicação prescrita por essa abordagem apresenta acurácia comparativa de 98%13. Os sintomas incluem dificuldade para respirar, dor na parte superior das costas, pescoço, mandíbula ou garganta e dor, dormência, fraqueza ou calafrio nos membros. Devido ao estreitamento dos vasos sanguíneos em certas partes do corpo, é possível ter doença arterial coronariana e não saber disso até sofrer um ataque cardíaco, angina, acidente vascular cerebral ou insuficiência cardíaca. Fique atento a sinais de problemas cardíacos e, se estiver preocupado, converse com seu médico. Se você for examinado com frequência, doenças cardíacas (cardiovasculares) podem ser detectadas mais cedo14. Este método proposto utiliza classificadores de ML supervisionados para mostrar como diferentes modelos podem prever a presença de doenças cardiovasculares e avaliar o desempenho desses classificadores, como floresta aleatória, árvore de decisão, máquina de vetores de suporte, XGBoost, função de base radial, k-vizinho mais próximo , bayes ingênuos e aprendizagem de quantização vetorial.