.png){kind=icon}
返回
Heart failure mortality: a data driven analysis
.png){kind=icon}
PRE
AI
DOI：10.1108/JM2-09-2025-0523.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：全球每年有数百万人死于心力衰竭。与其他慢性病不同，一旦发生心力衰竭，患者可能在短时间内死亡。因此，提供具有成本效益的解决方案来预测此类患者的死亡概率至关重要。基于规则的分类可以揭示哪些特征对心力衰竭幸存者有更大影响的关键知识。本研究旨在调查可解释模型以支持预测并改善生存结果。研究设计/方法/方法：解决此问题的潜在方法是使用基于历史数据开发的、具有病理和非病理特征的分类模型。本研究比较了各种基于规则的分类算法，以确定哪些技术最适合预测心力衰竭的生存情况。评估了这些模型生成可解释且具有临床意义的规则的能力。研究发现：针对真实数据集的实证结果表明，RIPPER算法产生的可解释分类模型易于医疗专业人员管理和使用。RIPPER也表现出可接受的预测能力。这些发现表明，基于规则的方法可以在心力衰竭生存预测中平衡可解释性与预测准确性。原创性/价值：本研究强调了可解释的基于规则的分类在预测心力衰竭患者生存中的作用。通过比较算法，研究发现RIPPER在生成简单且易于理解的模型方面特别有效。其创新性在于证明预测模型可以同时具有可解释性和临床实用性，为医疗专业人员提供透明工具以支持决策制定。
Keyword:
Classification
Data analytics
Heart failure
Interpretable models
Medical informatics
期刊
J
IF:
2.2
论文数:
80
被引数:
1.3K
机构
引用论文
WekaPyScript: Classification, Regression, and Filter Schemes for WEKA
Implemented in PythonWekaPyScript：用于WEKA的分类、回归和过滤方案，以Python实现
OAAI
OAAI分享收藏Predicting heart failure using data mining with rough set theory and fuzzy petri net基于粗糙集理论和模糊Petri网的挖掘数据预测心力衰竭.png)
IF0
PREAI
分享收藏分享收藏
Machine learning in predicting heart failure survival: a review of current models and future prospects机器学习在预测心力衰竭生存中的应用：对当前模型和未来前景的综述
PREAI
分享收藏
查看更多内容