Resumen

En la era reciente, un síndrome hepático que causa algún daño en la capacidad de vida es excepcionalmente normal en todas partes del mundo. Se ha encontrado que la enfermedad hepática se expone más en los jóvenes en comparación con otras personas de edad. En el momento en que se acaba la capacidad hepática, la vida dura apenas 1 ó 2 días, y es muy difícil predecir esta enfermedad en su fase inicial. Los investigadores intentan proyectar un modelo de predicción precoz de la enfermedad hepática utilizando diversos enfoques de aprendizaje automático. Sin embargo, este estudio compara diez clasificadores incluyendo A1DE, NB, MLP, SVM, KNN, CHIRP, CDT, Forest-PA, J48, y RF para encontrar la solución óptima para la predicción temprana y precisa de la enfermedad hepática. Los conjuntos de datos utilizados en este estudio proceden del repositorio ML de la UCI y del repositorio GitHub. Los resultados se evalúan mediante RMSE, RRSE, recuerdo, especificidad, precisión, medida G, medida F, MCC y exactitud. Los resultados exploratorios muestran una mejor consecuencia de RF utilizando el conjunto de datos UCI. Al evaluar RF mediante RMSE y RRSE, los resultados son 0,4328 y 87,6766, mientras que la precisión de RF es del 72,1739%, también mejor que la de otros clasificadores empleados. Sin embargo, utilizando el conjunto de datos de GitHub, SVM supera a otras técnicas empleadas en términos de aumento de la precisión hasta el 71,3551%. Además, los resultados exhaustivos de esta exploración pueden utilizarse como punto de referencia para futuros estudios de investigación, de modo que se puedan comparar y confirmar las pequeñas afirmaciones relativas a la mejora de la extrapolación mediante cualquier técnica, modelo o marco nuevo.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:enfermedad hepática, RF, precisión, varios enfoques de aprendizaje automático, repositorio ML de la UCI, otros estudios de investigación, otras personas mayores, RMSE, RRSE, SVM
• Keywords:liver disease, RF, accuracy, various machine learning approaches, UCI ML repository, further research studies, other aged people, RMSE, RRSE, SVM