Resumen

En las últimas décadas, las cardiopatías amenazan seriamente la salud de las personas debido a su prevalencia y alto riesgo de muerte. Por ello, la predicción de las cardiopatías mediante algunos indicadores físicos sencillos obtenidos en el examen físico periódico en una fase temprana se ha convertido en un tema valioso. Desde el punto de vista clínico, es esencial ser sensible a estos indicadores relacionados con las cardiopatías para hacer predicciones y proporcionar una base fiable para diagnósticos posteriores. Sin embargo, la gran cantidad de datos hace que el análisis manual y la predicción sean arduos y gravosos. Nuestra investigación pretende predecir las cardiopatías con precisión y rapidez a través de diversos indicadores del organismo. En este artículo se presenta un novedoso modelo de predicción de cardiopatías. Proponemos un algoritmo de predicción de cardiopatías que combina el método de selección de características embebidas y las redes neuronales profundas. Este método de selección de características incrustadas se basa en el algoritmo LinearSVC, que utiliza la norma L1 como elemento de penalización para elegir un subconjunto de características significativamente asociadas con la enfermedad cardiaca. Estas características se introducen en la red neuronal profunda que hemos construido. El peso de la red se inicializa con el inicializador He para evitar el barnizado o explosión del gradiente, de modo que el predictor pueda tener un mejor rendimiento. Nuestro modelo se prueba en el conjunto de datos de enfermedades cardíacas obtenido de Kaggle. Para evaluar el predictor se calculan algunos indicadores, como la exactitud, la recuperación, la precisión y la puntuación F1. Los resultados muestran que nuestro modelo alcanza 98,56%, 99,35%, 97,84% y 0,983, respectivamente, y la puntuación AUC media del modelo llega a 0,983, lo que confirma que el método propuesto es eficaz y fiable para predecir enfermedades cardiacas.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:enfermedad cardiaca, modelo, método de selección de características integrado, algoritmo de predicción de enfermedades cardiacas, nuevo modelo de predicción de enfermedades cardiacas, puntuación media AUC, red neuronal profunda, redes neuronales profundas, método de selección de características, conjunto de datos de enfermedades cardiacas
• Keywords:heart disease, model, embedded feature selection method, heart disease prediction algorithm, novel heart disease prediction model, average AUC score, deep neural network, deep neural networks, feature selection method, heart disease dataset