DOI: https://doi.org/10.48084/etasr.14877
تاريخ النشر: 2026-02-09
المؤلف: Ahmad Muzammil Halim وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
يتناول هذا القسم من ورقة البحث القضية الحرجة المتعلقة بتوقع مرض القلب والأوعية الدموية (CVD)، وهو أحد الأسباب الرئيسية للوفيات العالمية. يبرز المؤلفون قيود أساليب التنبؤ الحالية التي تعتمد على مصنفات فردية، والتي غالبًا ما تواجه صعوبة مع تعقيد البيانات وعدم توازن الفئات، مما يؤدي إلى تصنيفات غير دقيقة. لمعالجة هذه التحديات، تقارن الدراسة أداء أساليب التعلم الجماعي المختلفة باستخدام مجموعات بيانات سريرية.
تشمل التقييم ستة مصنفات جماعية: XGBoost وGradient Boosting (التعزيز)، Random Forest وDecision Tree (التجميع)، وK-Nearest-Neighbor وLogistic Regression (التكديس). تكشف النتائج أن مصنفات التعزيز، وخاصة XGBoost وGradient Boosting، حققت أعلى دقة بنسبة 73.0% ومتوسط G-mean بنسبة 72.0% في توقع مرض القلب والأوعية الدموية. بالإضافة إلى ذلك، أظهر مصنف Random Forest دقة مماثلة في تحديد المرضى ذوي المخاطر العالية. تدعم فعالية مصنفات التعزيز أيضًا نتيجة منطقة منحنى التشغيل (ROC AUC) البالغة 0.80، مما يبرز قوتها التمييزية القوية في تقييم مخاطر مرض القلب والأوعية الدموية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الزيادة المتصاعدة في انتشار مرض القلب والأوعية الدموية (CVD)، الذي يُعترف به الآن كوباء عالمي وأحد الأسباب الرئيسية للوفيات. غالبًا ما تفتقر طرق التشخيص التقليدية، مثل تخطيط القلب الكهربائي (ECG) وتصوير القلب بالموجات فوق الصوتية، إلى الدقة اللازمة للكشف المبكر، مما يدفع لاستكشاف تقنيات التعلم الآلي (ML) لتعزيز دقة التنبؤ وتسهيل التدخلات في الوقت المناسب. بينما تم استخدام مصنفات ML المختلفة، بما في ذلك الانحدار اللوجستي، وأشجار القرار، وآلات الدعم الشعاعي، والشبكات العصبية، لتصنيف مرض القلب والأوعية الدموية، فإنها تواجه قيودًا مثل عدم توازن الفئات، والتكيف الزائد، وافتقارها إلى القابلية للتفسير.
لمعالجة هذه التحديات، تؤكد الورقة على إمكانيات أساليب التعلم الجماعي، التي تجمع بين عدة مصنفات لتحسين الأداء التنبؤي. يتم مناقشة تقنيات مثل التجميع، والتعزيز، والتكديس، مع ذكر محدد لـ Random Forest (RF) وXGBoost كنماذج فعالة. يُقترح دمج طرق اختيار الميزات، بما في ذلك الإزالة التكرارية للميزات (RFE) وتقنية زيادة العينة للأقليات الاصطناعية (SMOTE)، لتعزيز دقة النموذج وقابليته للتفسير مع معالجة عدم توازن البيانات. تهدف الدراسة إلى تقييم أداء مصنفات جماعية مختلفة في توقع مرض القلب والأوعية الدموية، مما يسهم في تحسين فحص الصحة ودعم المرضى من خلال تعزيز تحديد عوامل خطر مرض القلب والأوعية الدموية.
الطرق
تم هيكلة منهجية هذه الدراسة في ثلاث مراحل متميزة، كما هو موضح في الشكل 1. تتضمن المرحلة الأولى، معالجة البيانات، إعداد وتنظيف مجموعة البيانات لضمان ملاءمتها للتحليل. هذه الخطوة حاسمة لتحسين جودة البيانات المستخدمة في المراحل اللاحقة.
تركز المرحلة الثانية على توقع مرض القلب والأوعية الدموية، حيث يتم تطبيق نماذج تنبؤية مختلفة على البيانات المعالجة مسبقًا لتحديد حالات مرض القلب والأوعية الدموية المحتملة. هذه المرحلة ضرورية لتطوير خوارزميات تنبؤية دقيقة يمكن أن تساعد في التشخيص المبكر.
أخيرًا، تقيم المرحلة الثالثة، تقييم الأداء، فعالية النماذج التنبؤية من خلال مقاييس مختلفة، مما يضمن أن النماذج لا تؤدي بشكل جيد إحصائيًا فحسب، بل لها أيضًا تطبيق عملي في الإعدادات السريرية. يسمح هذا النهج المنظم بإجراء تحليل شامل للبيانات وقدرات النماذج التنبؤية المستخدمة.
النتائج
في تقييم المصنفات لتوقع مرض القلب والأوعية الدموية (CVD)، تشير النتائج إلى أن مصنفات التعزيز، وخاصة XGBoost وGradient Boosting (GB)، حققت أعلى مقاييس الأداء. سجلت XGBoost دقة بنسبة 73.04% ومتوسط G-mean بنسبة 71.95%، بينما تبعتها GB عن كثب بدقة 72.92% ومتوسط G-mean بنسبة 71.7%. أظهرت كلا المصنفين دقة واسترجاع متفوقين، مما يبرز فعاليتهما في التمييز بين الفئات مع الحفاظ على توازن بين الإيجابيات الكاذبة (FP) والسلبيات الكاذبة (FN).
أظهر مصنف Random Forest (RF)، المصنف تحت طرق التجميع، أداءً معتدلاً بدقة 72.40% ومتوسط G-mean بنسبة 70.9%. بالمقابل، حقق مصنف Decision Tree (DT) كمتعلم تجميعي نتائج أقل، حيث حقق دقة 69.0% ومتوسط G-mean بنسبة 68.9%. من بين المتعلمين التجميعيين، قدم الانحدار اللوجستي (LR) أداءً تنافسيًا بدقة 72.7% ومتوسط G-mean بنسبة 71.5%، على الرغم من أنه كان أقل فعالية من مصنفات التعزيز. كان أداء مصنف K-Nearest Neighbors (KNN) ضعيفًا باستمرار، بدقة 69.2% ومتوسط G-mean بنسبة 69.0%، مما يشير إلى قيوده في هذا السياق. بشكل عام، تؤكد النتائج على هيمنة مصنفات التعزيز في مهام توقع مرض القلب والأوعية الدموية.
المناقشة
في هذه الدراسة، بحث حليم وآخرون فعالية أساليب التعلم الجماعي المختلفة لتوقع مرض القلب والأوعية الدموية (CVD) باستخدام مجموعة بيانات تضم 69,966 سجلًا. تضمنت معالجة البيانات تنظيفًا، وإعادة أخذ عينات باستخدام SMOTE لمعالجة عدم توازن الفئات، واختيار الميزات من خلال الإزالة التكرارية للميزات (RFE). تضمنت المصنفات الجماعية المستخدمة أساليب التعزيز (Gradient Boosting وXGBoost)، وأساليب التجميع (Random Forest وDecision Tree كمتعلم تجميعي)، وتقنيات التكديس (K-Nearest Neighbors وLogistic Regression كمتعلمين تجميعيين). أشارت النتائج إلى أن مصنفات التعزيز والتجميع تفوقت على نماذج التكديس عبر جميع مقاييس الأداء، حيث حققت XGBoost دقة 73.0% وAUC 0.80، مما يبرز قوتها في التمييز بين حالات مرض القلب والأوعية الدموية الإيجابية والسلبية.
كشفت التحليل المقارن أنه بينما عززت أساليب التعزيز الدقة العامة والدقة، قد تؤثر سلبًا على الحساسية في تحديد الحالات الإيجابية. أظهر Random Forest أداءً تنافسيًا، محققًا دقة 72.7% وAUC 0.80، مما يعزز مكانته كنموذج أساسي موثوق. بالمقابل، كان أداء متعلم Decision Tree ضعيفًا على الرغم من وجود استرجاع تنافسي. تؤكد النتائج على الآثار العملية لاستخدام أساليب التعلم الجماعي في أنظمة دعم القرار، خاصة في الإعدادات السريرية حيث تكون الدقة العالية ضرورية لتقليل الإيجابيات الكاذبة. تختتم الدراسة بأن أساليب التعزيز مناسبة بشكل خاص لتوقع مرض القلب والأوعية الدموية، على الرغم من أنها تعترف بالقيود المتعلقة بعمومية مجموعة البيانات وتقترح سبلًا للبحث المستقبلي، بما في ذلك تحسين المعلمات ودمج مقاييس أداء إضافية.
DOI: https://doi.org/10.48084/etasr.14877
Publication Date: 2026-02-09
Author(s): Ahmad Muzammil Halim et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This section of the research paper addresses the critical issue of predicting Cardiovascular Disease (CVD), a leading cause of global mortality. The authors highlight the limitations of existing prediction methods that rely on single classifiers, which often struggle with data complexity and class imbalance, resulting in inaccurate classifications. To address these challenges, the study compares the performance of various ensemble learning approaches using clinical datasets.
The evaluation includes six ensemble classifiers: XGBoost and Gradient Boosting (Boosting), Random Forest and Decision Tree (Bagging), and K-Nearest-Neighbor and Logistic Regression (Stacking). The findings reveal that Boosting classifiers, particularly XGBoost and Gradient Boosting, achieved the highest accuracy of 73.0% and a G-mean of 72.0% in predicting CVD. Additionally, the Random Forest classifier demonstrated comparable precision in identifying high-risk patients. The effectiveness of the Boosting classifiers is further supported by a Receiver Operating Characteristic Area Under the Curve (ROC AUC) score of 0.80, underscoring their strong discriminative power in CVD risk assessment.
Introduction
The introduction of this research paper highlights the escalating prevalence of Cardiovascular Disease (CVD), which is now recognized as a global epidemic and the leading cause of mortality. Traditional diagnostic methods, such as ECG and echocardiography, often lack the precision necessary for early detection, prompting the exploration of machine learning (ML) techniques to enhance predictive accuracy and facilitate timely interventions. While various ML classifiers, including Logistic Regression, Decision Trees, Support Vector Machines, and Neural Networks, have been employed for CVD classification, they face limitations such as class imbalance, overfitting, and lack of interpretability.
To address these challenges, the paper emphasizes the potential of ensemble learning methods, which combine multiple classifiers to improve predictive performance. Techniques such as bagging, boosting, and stacking are discussed, with specific mention of Random Forest (RF) and XGBoost as effective models. The integration of feature selection methods, including Recursive Feature Elimination (RFE) and the Synthetic Minority Oversampling Technique (SMOTE), is proposed to enhance model accuracy and interpretability while addressing data imbalance. The study aims to evaluate the performance of various ensemble classifiers in predicting CVD, ultimately contributing to improved health screening and patient support through enhanced identification of CVD risk factors.
Methods
The methodology of this study is structured into three distinct phases, as illustrated in Figure 1. The first phase, Data Preprocessing, involves the preparation and cleaning of the dataset to ensure its suitability for analysis. This step is crucial for enhancing the quality of the data used in subsequent phases.
The second phase focuses on CVD Prediction, where various predictive models are applied to the preprocessed data to identify potential cardiovascular disease (CVD) cases. This phase is essential for developing accurate predictive algorithms that can assist in early diagnosis.
Finally, the third phase, Performance Evaluation, assesses the effectiveness of the predictive models through various metrics, ensuring that the models not only perform well statistically but also have practical applicability in clinical settings. This structured approach allows for a comprehensive analysis of the data and the predictive capabilities of the models employed.
Results
In the evaluation of classifiers for cardiovascular disease (CVD) prediction, the results indicate that boosting classifiers, particularly XGBoost and Gradient Boosting (GB), achieved the highest performance metrics. XGBoost recorded an accuracy of 73.04% and a G-mean of 71.95%, while GB closely followed with an accuracy of 72.92% and a G-mean of 71.7%. Both classifiers exhibited superior precision and recall, highlighting their effectiveness in distinguishing between classes while maintaining a balance between false positives (FP) and false negatives (FN).
The Random Forest (RF) classifier, categorized under bagging methods, demonstrated moderate performance with an accuracy of 72.40% and a G-mean of 70.9%. In contrast, the Decision Tree (DT) bagging meta-learner yielded lower results, achieving an accuracy of 69.0% and a G-mean of 68.9%. Among stacking meta-learners, Logistic Regression (LR) performed competitively with an accuracy of 72.7% and a G-mean of 71.5%, although it was less effective than the boosting classifiers. The K-Nearest Neighbors (KNN) classifier consistently underperformed, with an accuracy of 69.2% and a G-mean of 69.0%, indicating its limitations in this context. Overall, the findings underscore the dominance of boosting classifiers in CVD prediction tasks.
Discussion
In this study, Halim et al. investigated the effectiveness of various ensemble learning approaches for predicting cardiovascular disease (CVD) using a dataset of 69,966 records. The data preprocessing involved cleaning, resampling with SMOTE to address class imbalances, and feature selection through Recursive Feature Elimination (RFE). The ensemble classifiers employed included boosting methods (Gradient Boosting and XGBoost), bagging methods (Random Forest and Decision Tree as a meta-learner), and stacking techniques (K-Nearest Neighbors and Logistic Regression as meta-learners). The results indicated that boosting and bagging classifiers outperformed stacking models across all performance metrics, with XGBoost achieving an accuracy of 73.0% and an AUC of 0.80, highlighting their robustness in distinguishing between positive and negative CVD cases.
The comparative analysis revealed that while boosting methods enhanced overall accuracy and precision, they may compromise sensitivity in identifying positive cases. Random Forest demonstrated competitive performance, achieving an accuracy of 72.7% and an AUC of 0.80, reinforcing its status as a reliable baseline model. In contrast, the Decision Tree meta-learner performed poorly despite having a competitive recall. The findings underscore the practical implications of using ensemble learning approaches in decision support systems, particularly in clinical settings where high precision is crucial to minimize false positives. The study concludes that boosting methods are particularly suitable for CVD prediction, though it acknowledges limitations related to dataset generalizability and suggests avenues for future research, including hyperparameter optimization and the integration of additional performance metrics.