本研究は、代謝バイパス手術の術後成功を分類するための新しいマシンラーニングアプローチを提示しています。73人の患者データを使用し、Gaussian Naive Bayes、Complement Naive Bayes、K-nearest neighbour、Decision Tree、K-nearest neighbour with RandomOverSampler、K-nearest neighbour with SMOTEなどのさまざまなマシンラーニングモデルを適用しました。
実験結果は、最良のモデルで66.7%の高い正解率を示しています。K-nearest neighbourとDecision Treeの改良版、およびRandomOverSamplerやSMOTEなどのK-nearest neighbourの変形が最良の結果をもたらしました。
この研究は、代謝バイパス手術の患者分類における有望な道筋を明らかにしています。適切な変数の選択と多様なアプローチの採用が最適なパフォーマンスを達成するために重要であることが示されています。開発されたシステムは、医療従事者の意思決定を支援し、代謝バイパス手術の成果を向上させる可能性を秘めています。これらの知見は、より大きなデータセットと慎重なパラメータチューニングによって、さらなる改善が期待できることを示唆しています。
翻譯成其他語言
從原文內容
arxiv.org
深入探究