Loading...

Prediction of Myocardial Infarction Complications using Machine Learning Methods

Zojaji, Sahar | 2025

0 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 58630 (01)
  4. University: Sharif University of Technology
  5. Department: Industrial Engineering
  6. Advisor(s): Rafiee, Majid; Hemmati, Soheil
  7. Abstract:
  8. Accurate prediction of myocardial infarction complications is one of the major challenges in the management of cardiac patients, as the occurrence of such complications can lead to severe consequences for quality of life, length of hospitalization, treatment costs, and mortality. This study aims to develop a data-driven, machine learning-based framework to predict 12 critical post-infarction outcomes using modern algorithms. In the first step, patients were stratified into more homogeneous groups based on treatment effects through a causal clustering algorithm. Subsequently, machine learning models, including logistic regression, random forest, and gradient boosting, were trained and evaluated both within each cluster and on the overall dataset. To assess model performance, accuracy, the area under the curve (AUC), and the Scott-Knott statistical ranking test were employed. The results indicated that in many outcomes, models incorporating causal clustering achieved superior performance compared to global models, with improvements that were not only numerical but also statistically significant. These findings present a novel approach for analyzing patient heterogeneity and modeling cardiac complications, offering the potential to serve as a foundation for developing data-driven clinical decision support systems and health policy planning
  9. Keywords:
  10. Myocardial Infarction ; Machine Learning ; Complication Prediction ; Causal Clustering ; Heart Attack ; Cardiovascular Patients

 Digital Object List

 Bookmark

  • مقدمه
    • تعریف مسئله
    • اهداف پژوهش
    • ضرورت و کاربرد پژوهش
    • نوآوری پژوهش
    • ساختار پژوهش
  • مبانی نظری و پیشینه پژوهش
    • مبانی نظری
      • مفاهیم پزشکی مرتبط با بیماری آنفارکتوس میوکارد و عوارض آن
      • داده‌های پزشکی و ساختارهای رایج در تحلیل عوارض
      • الگوریتم‌های یادگیری ماشین پرکاربرد در پیش‌بینی عوارض بالینی
      • تفسیرپذیری در مدل‌های یادگیری ماشین
      • تکنیک‌های پرکاربرد در تفسیرپذیری
      • تفسیر بالینی در مقابل دقت آمار
      • مفاهیم استنتاج علّی و کاربرد آن در پزشکی
      • مدل‌های مدرن یادگیری علّی برای داده‌های پیچیده پزشکی
      • چارچوب کلی مسئله یادگیری ماشین در این تحقیق
    • مرور ادبیات
      • آغاز به کارگیری هوش مصنوعی در پیش‌بینی عوارض آنفارکتوس میوکارد (۲۰۰۶-۱۹۹۵)
      • ورود داده‌های سیگنالی، زمانی و چندوجهی به مدل‌سازی خطر انفارکتوس‌میوکارد(۲۰۲۴-۲۰۰۵)
      • به‌کارگیری الگوریتم‌های یادگیری ماشین در پیش‌بینی عوارض (۲۰۲۴-۲۰۲۱)
      • مدل‌های ترکیبی، چندمرحله‌ای، و مبتنی بر داده‌های چندمنبعی یا پیچیده
      • مدل‌های مبتنی بر یادگیری عمیق در پیش‌بینی و تشخیص عوارض آنفارکتوس میوکارد
      • روش‌های نوین و آینده‌نگر در تحلیل، تفسیر، و کاربرد مدل‌های هوش مصنوعی برای آنفارکتوس میوکارد
      • شکاف تحقیقاتی
  • روش تحقیق
    • مراحل انجام پژوهش
    • معرفی مجموعه داده
    • پیش‌پردازش
      • تحلیل اکتشافی متغیرها
    • تحلیل متغیر هدف
    • تقسیم اولیه داده‌ها برای آموزش و ارزیابی
    • خوشه‌بندی علّی
      • علت انتخاب این روش
      • تخمین‌گر اول
      • استفاده از الگوریتم K-Means برای خوشه‌بندی
      • تخمین‌گر دوم
      • پیاده‌سازی گام‌به‌گام تخمین‌گر دوم
    • مدل‌سازی پیش‌بینی عوارض با استفاده از الگوریتم‌های یادگیری ماشین
      • رگرسیون لجستیک
      • جنگل تصادفی
      • گرادیان تقویتی
    • ارزیابی عملکرد
      • تحلیل اختلاف عملکرد ( یا دلتا)
      • رتبه‌بندی آماری با استفاده از روش Scott-Knott
  • تجزیه و تحلیل یافته‌ها
    • بررسی توصیفی داده‌ها و تحلیل ساختار متغیرهای خروجی
      • تحلیل همبستگی بین متغیرهای مجموعه داده آنفارکتوس میوکارد
      • تحلیل همبستگی بین عوارض پس از آنفارکتوس میوکارد
      • عدم توازن عوارض
    • خوشه‌بندی بیماران با استفاده از تخمین‌گر نوع اول
      • تنظیمات مدل و تولید ماتریس تخمین عوارض فرضی
      • پیاده‌سازی الگوریتم K-Means بر روی ماتریس تخمین مقادیر فرضی
      • مشخصات نهایی خوشه‌بندی
    • خوشه‌بندی بیماران با استفاده از تخمین‌گر نوع دوم
      • ساخت ماتریس‌های 1 و 2
      • اجرای الگوریتم K-Means و انتخاب تعداد خوشه‌ها
      • نتایج نهایی خوشه‌بندی و تحلیل ساختار
      • مقایسه با تخمین‌گر نوع اول
    • متعادل‌سازی داده‌ها پس از خوشه‌بندی با استفاده از یادگیری حساس به هزینه
      • مراحل پیاده‌سازی
    • تخصیص داده‌های تست به خوشه‌های استخراج‌شده با تخمین‌گر نیمه‌پارامتریک
      • مراحل انجام تخصیص:
      • اهمیت این موضوع در چارچوب پژوهش
    • طبقه‌بندی با مدل رگرسیون لجستیک: تحلیل درون‌خوشه‌ای و سراسری
      • مدل‌سازی درون خوشه‌ای با رگرسیون لجستیک
      • مدل‌سازی سراسری با رگرسیون لجستیک
      • مقایسه عملکرد مدل خوشه‌ای و مدل سراسری الگوریتم رگرسیون لجستیک
    • طبقه‌بندی با مدل جنگل تصادفی: تحلیل درون‌خوشه‌ای و سراسری
      • مدل‌سازی درون خوشه‌ای با جنگل تصادفی
      • مدل‌سازی سراسری الگوریتم جنگل تصادفی
      • تنظیمات مدل سراسری جنگل تصادفی
      • مقایسه عملکرد مدل خوشه‌ای و مدل سراسری الگوریتم جنگل تصادفی
    • طبقه‌بندی با مدل گرادیان تقویتی: تحلیل درون‌خوشه‌ای و سراسری
      • مدل‌سازی درون خوشه‌ای با گرادیان تقویتی
      • مدل‌سازی سراسری الگوریتم گرادیان تقویتی
      • مقایسه عملکرد مدل خوشه‌ای و مدل سراسری الگوریتم گرادیان تقویتی
    • مقایسه کلی بین مدل‌های سراسری و خوشه‌ای
      • تحلیل عملکرد مدل‌ها در پیش‌بینی عوارض
      • ارزیابی اثر خوشه‌بندی بر دقت مدل‌ها: تحلیل دلتا و رتبه‌بندی ScottKnott
  • نتیجه‌گیری
    • جمع‌بندی کلی پژوهش
      • دستاوردهای علمی و کاربردی
      • محدودیت‌های پژوهش
      • پیشنهادات آتی
      • جمع‌بندی پایانی
  • مراجع
...see more