的机器学习方法在实际研究心血管疾病

心血管疾病(CVD)是全世界死亡的主要原因之一,迫切需要和答案关于很多方面,尤其是风险识别和预后的预测。现实世界的研究与大量的观测提供心血管疾病研究的重要基础,但受制于高维度,和失踪或非结构化数据。

机器学习(ML)方法,包括各种监督和无监督算法,可用于数据治理,有效的高维数据分析和归责在实际研究。本文回顾了理论、优点和局限性,和几种常用的ML方法的应用在心血管疾病领域,为进一步应用提供参考。

本文介绍了起源、目的、理论的优点和局限性,和应用程序的多个常用的ML算法,包括分层和k - means聚类,主成分分析,随机森林、支持向量机和神经网络。一个示例使用一个随机森林收缩压干预试验(SPRINT)数据展示的过程和主要结果毫升在心血管疾病中的应用。

毫升方法是有效的工具生产实际证据支持临床决策和满足临床需求。本文解释了多个毫升方法的原则平实的语言,为进一步的应用提供一个参考。未来的研究需要制定准确的集成学习方法广泛应用在医学领域。

这项研究发表在《华尔街日报》心血管的创新和应用程序。