DOI: https://doi.org/10.52403/ijhsr.20260521
تاريخ النشر: 2026-05-20
المؤلف: Sunanda Budhal وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم ورقة البحث نهجًا يعتمد على التعلم العميق لتشخيص أمراض القلب، باستخدام مجموعة بيانات سريرية في الوقت الحقيقي من مستشفى أيوش متعدد التخصصات ومركز الأبحاث (AMSHRC) في كارناتاكا، الهند. تشمل المنهجية معالجة البيانات بشكل منهجي، واستخراج الميزات، وتنفيذ ثلاثة هياكل للشبكات العصبية: الشبكة العصبية الاصطناعية (ANN)، والشبكة العصبية التلافيفية (CNN)، وشبكات الذاكرة القصيرة والطويلة (LSTM). تستخدم الدراسة التحقق المتقاطع بخمسة طيات والتحقق من مجموعة الاختبار المستقلة لتقييم دقة النماذج التنبؤية وقوتها. تشير النتائج إلى أن الشبكة العصبية التلافيفية (CNN) تحقق أعلى دقة تحقق تبلغ 96.19% ومعامل ارتباط ماثيو (MCC) يبلغ 0.9087، بينما تظهر الشبكة العصبية الاصطناعية (ANN) دقة مماثلة (95.87%) مع أعلى استرجاع (94.92%) ومنطقة تحت المنحنى (AUC) تبلغ 0.9915. في مجموعات الاختبار، تظهر الشبكة العصبية الاصطناعية (ANN) كنموذج الأكثر فعالية، حيث تحقق دقة تبلغ 96.20 ومنطقة تحت المنحنى (AUC) تبلغ 0.9936.
تؤكد النتائج على فعالية نماذج التعلم العميق في التنبؤ بأمراض القلب، مما يبرز أهمية التدخل السريري في الوقت المناسب وإدارة المخاطر. يعزز دمج الميزات التشخيصية المتقدمة مثل ECG وECHO وTMT وCAG بشكل كبير دقة التنبؤ، مما يؤكد التطبيق العملي لنموذج الشبكة العصبية الاصطناعية (ANN). تسهل هذه الإطار الموحد من معالجة البيانات، واستخراج الميزات، وتدريب الشبكات العصبية مقارنة شاملة للقدرات التنبؤية، مما يظهر أن الطرق التشخيصية التقليدية قد تواجه صعوبة في التقاط الاتجاهات غير الخطية الموجودة في سجلات المرضى المتنوعة.
مقدمة
تسلط مقدمة الورقة الضوء على التحدي العالمي المستمر الذي تطرحه أمراض القلب والأوعية الدموية (CVDs)، والتي لا تزال السبب الرئيسي للوفيات في جميع أنحاء العالم. تتطلب الطبيعة غير العرضية لأمراض القلب خلال مراحلها المبكرة تشخيصًا مبكرًا وتدخلًا لتقليل معدلات الوفيات وتحسين نتائج المرضى. تعاني الطرق التشخيصية التقليدية من قيود بسبب اعتمادها على الميزات السريرية المختارة يدويًا والمعرفة الخبيرة، والتي تفشل في التقاط العلاقات غير الخطية المعقدة الموجودة في البيانات السريرية. استجابةً لذلك، اكتسبت تقنيات التعلم الآلي (ML) والتعلم العميق (DL) زخمًا لتنبؤ أمراض القلب بشكل آلي، حيث تشير الدراسات إلى أن الأساليب المعتمدة على البيانات غالبًا ما تتفوق على الطرق التقليدية في الأداء التنبؤي.
يشير المؤلفون إلى أنه بينما تتفوق الشبكات العصبية التلافيفية (CNNs) في تعلم تمثيلات الميزات الهرمية من البيانات المنظمة، وتدير شبكات الذاكرة القصيرة والطويلة (LSTM) التبعيات في مجموعات البيانات السريرية بشكل فعال، فإن الأبحاث السابقة قد ركزت بشكل أساسي على نماذج التعلم الآلي التقليدية أو هياكل التعلم العميق الفردية دون مقارنات شاملة. علاوة على ذلك، كانت تقييمات الأداء عادةً مقيدة باستراتيجيات التحقق المحدودة والمعايير. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال مقارنة منهجية بين الشبكات العصبية الاصطناعية (ANN) وCNN وLSTM لاكتشاف أمراض القلب المبكرة باستخدام مجموعة بيانات موسعة تضم 2000 سجل سريري. يتم استخدام خط أنابيب موحد للمعالجة المسبقة، ويتم تقييم أداء النموذج من خلال اختبار الاحتفاظ المصنف والتحقق المتقاطع بخمسة طيات، مع دمج المعايير السريرية ذات الصلة لضمان تقييم قوي. ستفصل الأقسام التالية من الورقة المواد والأساليب والنتائج والمناقشة والاستنتاجات، بما في ذلك الآثار السريرية والاتجاهات للبحث المستقبلي.
طرق
تقدم الدراسة منهجية تعلم عميق تهدف إلى التنبؤ بالحالات المبكرة من أمراض القلب، باستخدام مجموعة بيانات في الوقت الحقيقي تتضمن معلومات من 2000 مريض في AMSHRC Pvt. Ltd. تشمل المنهجية عدة مراحل، بما في ذلك معالجة البيانات، والتدريب، والاختبار، والتحقق من النماذج. يتم تقييم الأداء التنبؤي من خلال بناء هياكل مختلفة، وتحديدًا الشبكات العصبية الاصطناعية (ANN) والشبكات العصبية التلافيفية (CNN) ونماذج الذاكرة القصيرة والطويلة (LSTM). يتم توضيح نظرة عامة على هذه المنهجية المقترحة في الشكل 1، مما يبرز النهج المنهجي لتنبؤ أمراض القلب من خلال تقنيات التعلم العميق المتقدمة.
مناقشة
تقارن ورقة البحث بشكل منهجي أداء ثلاثة هياكل تعلم عميق—الشبكة العصبية الاصطناعية (ANN) والشبكة العصبية التلافيفية (CNN) وشبكة الذاكرة القصيرة والطويلة (LSTM)—في التنبؤ بأمراض القلب باستخدام مجموعة بيانات سريرية متعددة الوسائط من مستشفى أيوش متعدد التخصصات ومركز الأبحاث. تتضمن مجموعة البيانات، التي تضم 2000 سجل مريض، معايير ديموغرافية وسريرية ومتقدمة تشخيصية مثل نتائج ECG وECHO وTMT وCAG. تؤكد الدراسة على أهمية هذه المتغيرات التشخيصية المتطورة، وخاصة ECHO وCAG، التي تم تحديدها كأهم المتنبئين بأمراض القلب، مما يدعم النتائج من الدراسات السابقة التي تبرز قيمة دمج المعلومات التشخيصية متعددة الوسائط.
تشير النتائج إلى أنه بينما أظهرت النماذج الثلاثة جميعها أداءً تنبؤيًا عاليًا، تفوقت الشبكة العصبية الاصطناعية (ANN) على الآخرين من حيث الدقة العامة والاسترجاع ومعامل ارتباط ماثيو (MCC)، مما يشير إلى قوتها وموثوقيتها في التطبيقات السريرية. أظهرت نموذج CNN أداءً تنافسيًا، خاصة في الخصوصية، مما يدل على فعاليتها في تحديد المرضى غير المصابين. في المقابل، على الرغم من أن نموذج LSTM أظهر قيم ROC-AUC عالية، إلا أنه لم يؤدِ بشكل فعال بسبب الطبيعة الثابتة للبيانات الجدولية، مما حد من قدرته على الاستفادة من التبعيات الزمنية. تدعو النتائج إلى استخدام ANN في أنظمة دعم اتخاذ القرار السريري، خاصة حيث يكون التمييز المتوازن بين الفئات أمرًا حاسمًا، مع الاعتراف أيضًا بإمكانات CNN وLSTM في سياقات محددة، مثل مراقبة المرضى على المدى الطويل.
DOI: https://doi.org/10.52403/ijhsr.20260521
Publication Date: 2026-05-20
Author(s): Sunanda Budhal et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper presents a deep learning-based approach for the diagnosis of heart disease, utilizing a real-time clinical dataset from Ayush Multi Speciality Hospital and Research Centre (AMSHRC) in Karnataka, India. The methodology encompasses systematic data preprocessing, feature extraction, and the implementation of three neural network architectures: Artificial Neural Network (ANN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM) networks. The study employs five-fold cross-validation and independent test-set validation to assess the models’ predictive accuracy and robustness. Results indicate that the CNN achieves the highest validation accuracy of 96.19% and a Matthews correlation coefficient (MCC) of 0.9087, while the ANN demonstrates comparable accuracy (95.87%) with the highest recall (94.92%) and an area under the curve (AUC) of 0.9915. On test sets, the ANN emerges as the most effective model, achieving an accuracy of 96.20 and an AUC of 0.9936.
The findings underscore the efficacy of deep learning models in predicting heart disease, highlighting the importance of timely clinical intervention and risk management. The integration of advanced diagnostic features such as ECG, ECHO, TMT, and CAG significantly enhances prediction accuracy, affirming the practical applicability of the ANN model. This unified framework of preprocessing, feature extraction, and neural network training facilitates a comprehensive comparison of predictive capabilities, demonstrating that conventional diagnostic methods may struggle to capture the nonlinear trends present in diverse patient records.
Introduction
The introduction of the paper highlights the persistent global challenge posed by cardiovascular diseases (CVDs), which remain the leading cause of mortality worldwide. The asymptomatic nature of heart disease during its early stages necessitates early diagnosis and intervention to mitigate mortality rates and enhance patient outcomes. Traditional diagnostic methods have limitations due to their dependence on manually selected clinical features and expert knowledge, which fail to capture the complex nonlinear relationships inherent in clinical data. In response, machine learning (ML) and deep learning (DL) techniques have gained traction for automated heart disease prediction, with studies indicating that data-driven approaches often surpass traditional methods in predictive performance.
The authors note that while convolutional neural networks (CNNs) excel in learning hierarchical feature representations from structured data, and long short-term memory (LSTM) networks effectively manage dependencies in clinical datasets, previous research has primarily focused on classical ML models or single DL architectures without comprehensive comparisons. Furthermore, performance assessments have typically been restricted to limited validation strategies and metrics. This study aims to address these gaps by systematically comparing artificial neural networks (ANN), CNN, and LSTM models for early heart disease detection using an expanded dataset of 2,000 clinical records. A unified preprocessing pipeline is employed, and model performance is evaluated through stratified hold-out testing and fivefold cross-validation, incorporating clinically relevant metrics to ensure robust assessment. The subsequent sections of the paper will detail the materials and methods, results, discussion, and conclusions, including clinical implications and directions for future research.
Methods
The study presents a deep learning methodology aimed at predicting early instances of heart disease, utilizing a real-time dataset comprising information from 2000 patients at AMSHRC Pvt. Ltd. The methodology encompasses several stages, including preprocessing of the data, training, testing, and validation of the models. The evaluation of the predictive performance is conducted through the construction of various architectures, specifically Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), and Long Short-Term Memory (LSTM) models. An overview of this proposed methodology is illustrated in Figure 1, highlighting the systematic approach to heart disease prediction through advanced deep learning techniques.
Discussion
The research paper systematically compares the performance of three deep learning architectures—Artificial Neural Network (ANN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM)—in predicting heart disease using a multimodal clinical dataset from Ayush Multi Speciality Hospital and Research Centre. The dataset, comprising 2000 patient records, includes demographic, clinical, and advanced diagnostic parameters such as ECG, ECHO, TMT, and CAG results. The study emphasizes the importance of these sophisticated diagnostic variables, particularly ECHO and CAG, which were identified as the most significant predictors of heart disease, corroborating findings from previous studies that highlight the value of integrating multimodal diagnostic information.
The results indicate that while all three models demonstrated high predictive performance, the ANN outperformed the others in terms of overall accuracy, recall, and Matthews correlation coefficient (MCC), suggesting its robustness and reliability in clinical applications. The CNN model showed competitive performance, particularly in specificity, indicating its effectiveness in identifying non-diseased patients. In contrast, the LSTM model, while exhibiting high ROC-AUC values, performed less effectively due to the static nature of the tabular data, which limited its ability to leverage temporal dependencies. The findings advocate for the use of ANN in clinical decision-support systems, particularly where balanced discrimination between classes is critical, while also recognizing the potential of CNN and LSTM in specific contexts, such as longitudinal patient monitoring.