Fortgeschrittene Techniken in Biologie und Medizin
Offener Zugang

Abstrakt

Effektive Erkennung von Herzkrankheiten durch maschinelles Lernen

Kashish Agarwal*, Ayush Singh, Hrithik Maheshwari

Laut Weltgesundheitsorganisation (WHO) sind Herzkrankheiten die häufigste Todesursache auf der ganzen Welt. Schätzungsweise sterben jährlich 17,9 Millionen Menschen daran (32 % aller Todesfälle). Zu dieser Gruppe von Erkrankungen gehören koronare Herzkrankheiten, zerebrovaskuläre Erkrankungen, rheumatische Herzkrankheiten und andere Erkrankungen. Die meisten verhaltensbedingten Risikofaktoren für Herzkrankheiten und Schlaganfälle im Alltag sind unausgewogene Ernährung, körperliche Inaktivität, Trägheit sowie Tabak- und Alkoholkonsum. Diese Risikofaktoren können sich bei Menschen in Form von erhöhtem Blutdruck, erhöhtem Blutzuckerspiegel, erhöhten Blutfettwerten und Fettleibigkeit äußern. Diese mittleren Risikofaktoren können in Einrichtungen der Primärversorgung gemessen werden und helfen, ein erhöhtes Risiko für Herzkomplikationen wie Herzinfarkt, Schlaganfall und Herzversagen festzustellen.

Bei der traditionellen Methode wird die Krankheitserkennung von einem Arzt anhand von Labortestberichten vorgenommen. Dieser Prozess beinhaltet die Konsultation mehrerer Ärzte durch den Patienten, um den menschlichen Fehlerkoeffizienten zu verringern, was nicht nur viel Geld, sondern auch viel Zeit in Anspruch nimmt. Als Lösung für dieses Problem werden verschiedene auf maschinellem Lernen basierende Techniken eingesetzt, um nicht-invasive Lösungen bereitzustellen. In diesem Artikel schlagen wir vor, solche maschinellen Techniken zu verwenden, mit denen überprüft werden kann, ob ein Patient an einer Herzerkrankung leidet oder nicht. Wir bewerten unseren Ansatz anhand mehrerer Benchmark-Datensätze und zeigen, dass er den aktuellen Stand der Technik übertrifft und einen bedeutenden Beitrag leistet.