Aterosclerosis: acceso abierto

Abstracto

Una herramienta de diagnóstico médico de vanguardia para identificar pacientes que podrían desarrollar enfermedades ateroscleróticas

Oumaima Terrada

El diagnóstico de la aterosclerosis es un procedimiento cognitivo difícil. En los sistemas de apoyo al diagnóstico médico, las técnicas de inteligencia artificial como los algoritmos de aprendizaje automático han demostrado su eficacia (MDSS). En este estudio, creamos un nuevo MDSS de aprendizaje automático para mejorar el diagnóstico de enfermedades cardiovasculares. En nuestro estudio, se utilizaron 835 registros médicos de pacientes con aterosclerosis, que generalmente es provocada por trastornos de la arteria coronaria (CAD). Estos registros se recopilaron de tres bases de datos. Varias variables de entrada basadas en tres bases de datos, incluida la base de datos Cleveland Heart, se incluyen en la capa de entrada del sistema. bases de datos sobre enfermedades, húngaras y Z-Alizadeh Sani. Se utilizan algoritmos de red neuronal artificial (ANN), K-vecino más cercano (KNN), máquina de vectores de soporte (SVM), árbol de decisiones (DT), Nave Bayes (NB), conjunto de clasificación (CE) y análisis discriminante (DA) para evaluar el sistema. A través de una serie de indicadores de rendimiento, se evaluó la solidez de las metodologías sugeridas. Los resultados demostraron que el MDSS sugerido alcanzó una precisión del (98 %), que es mayor que las técnicas actuales. Estos resultados marcan un avance positivo en el campo del diagnóstico clínico generalizado de la enfermedad aterosclerótica. Esta sección incluye una revisión de la literatura sobre algunos trabajos seleccionados sobre detección automatizada de enfermedades cardíacas que utilizaron los mismos conjuntos de datos existentes y que luego tomaremos en consideración para la comparación de rendimiento.

En los autores se utilizó un enfoque de conjunto de redes neuronales para combinar los valores proyectados de modelos anteriores para construir nuevos modelos. Se logró un 89,01 % más de precisión que con el enfoque de aprendizaje automático. Los autores sugirieron un sistema de apoyo a la toma de decisiones clínicas (CDSS) que emplea reglas difusas ponderadas (WFR) para la predicción de enfermedades cardíacas en otro artículo que se publicó. Se emplearon dos escenarios de evaluación; el primero automatiza el método para producir WFR y el segundo crea un CDSS basado en reglas difusas. Utilizando la base de datos de enfermedades cardíacas de Cleveland, evaluaron su CDSS. La mejor puntuación de precisión que este método logra en comparación con un sistema basado en redes neuronales es del 62,35 %.