Сравнительный анализ алгоритмов машинного обучения в ранней диагностике сердечно-сосудительных заболеваний

Abstract

Сердечно-сосудистые заболевания являются одной из основных причин смертности во всем мире, и их раннее выявление является одной из актуальных задач современной медицины. В последние годы для решения этой проблемы широко используются алгоритмы машинного обучения. Однако в существующих исследованиях недостаточно освещен комплексный сравнительный анализ эффективности различных алгоритмов. В данной исследовательской работе проведен сравнительный анализ алгоритмов машинного обучения, используемых для раннего выявления сердечно-сосудистых заболеваний, на основе около 200 научных источников. В исследовании эффективность классических моделей, ансамблевых методов, глубокого обучения и гибридных подходов оценивалась с точки зрения объема, качества набора данных и этапов предварительной обработки. Результаты анализа показывают, что классический алгоритм эффективен для малых наборов данных, в то время как ансамблевые модели обеспечивают высокую точность и стабильность для данных среднего объема. Такие модели обучения доминируют в больших и сложных наборах данных, в то время как гибридные подходы дают наилучшие результаты. Также было установлено, что процессы предварительной обработки данных и выбора признаков существенно влияют на эффективность модели. В заключение следует отметить, что наиболее эффективным подходом к раннему выявлению сердечно-сосудистых заболеваний является комплексная последовательность машинного обучения, включающая предварительную обработку, инженерию признаков и алгоритмы.