MEDICINE & AI

タイトル：Precision healthcare: A deep dive into machine learning algorithms and feature selection strategies for accurate heart disease prediction. 雑誌名：Comput Biol Med. 2024 Jun; 176: 108432. 概　要： 本研究は、心疾患予測（HDP）のための機械学習アルゴリズム（MLA）と特徴選択技術を包括的に探求しています。多様なデータセットを用いて、早期発見のための最適な戦略を明らかにしました。決定木（DT）、ランダムフォレスト（RF）、サポートベクターマシン（SVM）、ガウシアンナイーブベイズ（NB）などのMLAを研究し、精度と再現率の指標を強調しました。データクリーニングやワンホットエンコーディングを通じて、実世界のデータにおける課題に対処し、予測モデルの整合性を向上させました。特徴抽出技術である再帰的特徴抽出（RFE）、主成分分析（PCA）、単変量特徴選択が重要な役割を果たし、関連する特徴の特定とデータ次元の削減に寄与しました。最適化されたモデルは、グリッドサーチによるハイパーパラメータ調整を通じて達成され、特にKaggleの最初のデータセットで99.12%の精度を達成しました。この研究は、心疾患関連の罹患率と死亡率を減少させるための医療コミュニティの取り組みに貢献します。 方　法： 本研究は、心疾患予測のために多様なデータセットを使用した機械学習のコホート研究です。使用したMLAには、決定木、ランダムフォレスト、サポートベクターマシン、ガウシアンナイーブベイズが含まれ、精度と再現率が主要評価指標として用いられました。データクリーニングとワンホットエンコーディングを行い、特徴抽出技術としてRFE、PCA、単変量特徴選択を適用しました。 結　果： 最初のKaggleデータセットにおいて、99.12%の精度を達成しました。モデルの堅牢性は多様なデータセットで確認され、過剰適合に対する注意が促されました。最適化されたモデルは、各データセットに対してグリッドサーチによるハイパーパラメータ調整を経て構築されました。 結　論： 本研究は、心疾患予測モデルの開発における実用的なガイドを提供し、臨床的な意思決定や医療資源の配分に影響を与える可能性があることを示しました。効果的なアルゴリズムと技術に関する洞察を提供することで、心疾患関連の罹患率と死亡率の低減に寄与することが期待されます。