Прогнозування ризику захворювання серцево-судинними хворобами з використанням методів машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студенткою групи КНСШ21 Бідак Юлією Ігорівною. Тема “ Прогнозування ризику захворювання серцевосудинними хворобами з використанням методів машинного навчання ”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою роботи є аналіз методів машинного навчання для прогнозування ризику виникнення серцево-судинних захворювань. Мета роботи досягається за рахунок застосування сучасних методів машинного навчання, які дозволяють точно прогнозувати ризик виникнення серцево-судинних захворювань. Основою підходу є використання стекованого ансамблю, який поєднує сильні сторони кількох базових моделей, таких як SVM, Random Forest, KNN, Extra Tree Classifier, Logistic Regression та MLP. На другому рівні використовується метамодель у вигляді багатошарової нейронної мережі, яка аналізує результати базових моделей і формує остаточне передбачення наявності серцево-судинного захворювання. Крім того, важливим етапом є попередня обробка даних, яка включає нормалізацію числових змінних, обробку викидів, конвертацію категоріальних ознак і балансування класів. Це дозволило покращити якість даних, що є критично важливим для підвищення точності моделей. Оптимізація параметрів за допомогою крос-валідації та інтеграція передбачень кількох моделей забезпечили високу ефективність і стабільність результатів. Завдяки цьому підходу створено систему, яка демонструє високі показники метрик. Об’єктом дослідження є методи, моделі, алгоритми прогнозування ризику захворювання; медичні показники. Предметом дослідження є процес прогнозування ризику наявності серцево-судинних захворювань.Загальний обсяг роботи: 80 сторінок, 25 рисунків, 24 посилання. Master’s degree work of the student of the group CSAI-21 Bidak Yuliia Ihorivna. The topic is "Prediction of сardiovascular disease risk using machine learning methods". The work is aimed at obtaining a master's degree in 122 "Computer Science". The aim of this work is to analyze machine learning methods for predicting the risk of cardiovascular disease. The object of research is methods, models, and algorithms for disease risk prediction; medical indicators. The subject of research is the process of disease risk prediction. Research on the classification of cardiovascular diseases (CVD) using artificial intelligence (AI) methods is highly relevant due to the high prevalence and mortality associated with these diseases. According to Ukraine’s Public Health Center, in 2019, CVD accounted for 64.3% of all deaths in the country, totaling 449,376 cases [1]. The use of AI in diagnosing and predicting CVD has shown significant benefits. For instance, in Taiwan, implementing AI algorithms to analyze electrocardiograms for over 450,000 patients led to a 31% reduction in overall mortality among hospitalized patients and over a 90% decrease in cardiovascular-related death risk [2]. Additionally, AI is capable of analyzing medical images, such as X-rays, MRIs, and CT scans, to detect pathologies. The importance of research in CVD classification is exceptionally high, considering the massive impact of these diseases on global healthcare systems and public health. Cardiovascular diseases remain the leading cause of death worldwide. According to the World Health Organization (WHO), around 17.9 million people die from CVD annually, accounting for 32% of all global deaths [3]. Early detection and accurate risk classification are crucial for preventing and treating CVD, making the development of new diagnostic and predictive methods a top priority in modern medical research. Financial data on the cost of treating CVD further underscores the relevance of this research. According to the American Heart Association (AHA), cardiovascular disease treatment costs in the United States reached approximately $219 billion in 2019, with this figure rising annually [4]. Early diagnosis and prevention are believed to significantly reduce these costs, which highlights the urgent need to develop methods that provide high accuracy and reliability in predicting and diagnosing CVD risks. The task of determining cardiovascular disease (CVD) risk involves classifying patients based on their clinical characteristics, medical history, and other significant indicators. The primary goal is to develop a model that effectively predicts the risk of these diseases using a stacked ensemble approach.