یک رویکرد جدید مبتنی بر الگوریتم XGBoost و هوش مصنوعی تفسیرپذیر به منظور پیش بینی بیماری قلبی

حملات قلبی یکی از عوامل مهم مرگ و میر در جهان هستند. پیش بینی و پیشگیری از این امر یک ضرورت اساسی برای بهبود بهداشت و درمان است. لذا برای این پیش بینی باید از الگوریتم ها و مدل-هایی بهره برد که دارای کمترین خطا و بیشترین دقت و اطمینان باشند. یادگیری ماشین زمانی که در مراقبت های بهداشتی بکار می رود قادر به تشخیص زود هنگام و دقیق بیماری است. تشخیص بیماری از روی ویژگی های مختلف و جلوگیری از تشدید بیماری یکی از مهم ترین کاربردهای داده کاوی و کشف دانش در بیمارن قلبی است. در این مقاله سعی شده است با ارائه روشی تفسیر پذیر و دقیق و مقایسه آن با روش های پیشین، بیماری قلبی را تشخیص و مهم ترین ویژگی های تاثیر گذار در این بیماری را توسط مدل تعیین کرد. بدین منظور از الگوریتم XGBoost به منظور پیش بینی بیماری قلبی استفاده شده است و خروجی مدل با استفاده از الگوریتم SHAP تفسیر شده است. از مزایا روش پیشنهادی می توان به کارایی و دقت بالا و تفسیرپذیری خروجی ها اشاره کرد.

کلیدواژه ها:

یادگیری ماشین ، SHAP ، XGBoost ، پیش بینی بیماری قلبی