通过先进机器学习技术变革心脏病预测

arXiv cs.LG 论文
machine-learning heart-disease medical-ai preprint classification evaluation-metrics

摘要

本研究论文比较了各种机器学习分类器用于心脏病预测，发现支持向量机 (SVM) 和 Simple Cart 分别在 UCI 和 Kaggle 数据集上表现最佳，突显了机器学习在早期临床诊断中的潜力。

arXiv:2608.18687v1 Announce Type: new 摘要：心脏病仍是全球主要的死亡原因，需要早期准确检测以改善患者预后。本研究聚焦于使用机器学习 (ML) 技术进行心脏病的预测分析，比较多个分类器的性能，以确定最准确且错误最少的方法。使用了来自 UCI 和 Kaggle 仓库的两个数据集，每个数据集包含 14 个与心脏健康指标相关的属性。应用了包括 J48、Naive Bayes、Logistic Regression、Simple Cart、Bagging、Decision Stump、AdaBoost、Artificial Neural Networks 和 Support Vector Machine (SVM) 在内的技术。使用了平均绝对误差 (MAE)、相对绝对误差 (RAE)、准确率、精确率、召回率和 F 值等评估指标进行性能比较。结果揭示，SVM 在 UCI 数据集上表现最佳，而 Simple Cart 在 Kaggle 数据集上表现最佳，提供最高的准确率和最低的错误率。研究工作得出结论，机器学习模型在适当调整和验证后，可以显著辅助心脏病的早期诊断，为临床决策提供关键支持。未来工作可能涉及混合方法和使用更新数据集以进一步提高预测准确性。
查看原文
查看缓存全文

缓存时间: 2026/08/20 10:33 

# 运用先进机器学习技术革新心脏病预测
来源：https://arxiv.org/abs/2608.18687  
查看PDF（https://arxiv.org/pdf/2608.18687）

> **摘要**：心脏病仍是全球首要死因，需要早期且精准的检测以改善患者预后。本研究聚焦于运用机器学习（ML）技术对心脏病进行预测分析，通过比较多种分类器的性能，以识别最精确且错误率最低的方法。研究使用了来自UCI和Kaggle数据库的两个数据集，每个数据集包含14项与心脏健康指标相关的属性。应用了包括J48决策树、朴素贝叶斯、逻辑回归、简单分类与回归树（Simple Cart）、袋装法（Bagging）、决策桩（Decision Stump）、AdaBoost、人工神经网络以及支持向量机（SVM）在内的多种技术。评估指标采用平均绝对误差（MAE）、相对绝对误差（RAE）、准确率、精确率、召回率和F值进行性能比较。研究结果表明，SVM在UCI数据集上取得了最佳性能，而Simple Cart在Kaggle数据集上表现最优，提供了最高的准确率和最低的错误率。本研究得出结论，经过适当调优和验证的机器学习模型能够显著辅助心脏病的早期诊断，为临床决策提供关键支持。未来研究可探索混合方法并采用更新的数据集，以进一步提升预测精度。

## 提交历史记录

来自：Sami Ullah \[查看邮件（https://arxiv.org/show-email/6a0d856b/2608.18687）\] **\[v1\]** 2026年8月19日 星期三 08:37:05 UTC（941 KB）

相似文章

从结构化临床数据预测心血管风险的大语言模型

arXiv cs.CL

本文提出了一种混合框架，将结构化临床数据与LLM生成的叙述相结合，用于冠状动脉疾病预测，在变量提取方面实现了高保真度，并比较了机器学习模型与基于LLM的零样本和少样本分类。

AI能否帮助预测哪些心力衰竭患者会在一年内病情恶化？

MIT News — Artificial Intelligence

MIT研究人员开发了 PULSE-HF，这是一种深度学习模型，可通过心电图预测心力衰竭患者在一年内是否会出现左心室射血分数恶化。该模型已发表于 Lancet eClinical Medicine，有望帮助临床医生对高危患者进行优先级管理，并在资源丰富和资源匮乏的临床场景中减少不必要的住院就诊。

利用生理信号通过机器学习预测考试结果

arXiv cs.LG

本研究探讨了利用皮肤电活动、心率和皮肤温度等生理数据，通过机器学习模型预测考试结果，发现深度学习方法与随机森林等简单模型均能有效发挥作用。