Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2023

Prediksi penyakit diabetes menggunakan ansambel model multi-pengklasifikasi machine learning

Penelitian ini mengusulkan kerangka multi-klasifikasi berbasis pipeline untuk memprediksi diabetes (diabetes, non-diabetes, prediabetes) menggunakan dataset Irak yang tidak seimbang. Model ansambel berbobot mencapai akurasi tinggi (0.9887), presisi (0.9861), recall (0.9792), -score (0.9851), dan AUC (0.999).
Karlo Abnoosian; R. Farnoosh; M. Behzadiยท BMC Bioinformaticsยท 2023ยท DOI 10.1186/s12859-023-05465-z

Masalah inti

Diabetes adalah penyakit kronis yang mengancam jiwa dengan prevalensi global yang terus meningkat. Diagnosis dan pengobatan dini sangat penting untuk mencegah komplikasi berat. Machine learning (ML) telah menunjukkan potensi untuk diagnosis diabetes, tetapi tantangan seperti keterbatasan data berlabel, nilai yang hilang, dan ketidakseimbangan dataset menghambat pengembangan model prediksi yang akurat. Para penulis mengusulkan kerangka multi-klasifikasi berbasis pipeline yang baru untuk mengatasi tantangan tersebut dan meningkatkan kinerja prediksi. Penelitian ini menggunakan Iraqi Patient Dataset of Diabetes yang tidak seimbang untuk mengklasifikasikan pasien ke dalam tiga kelas: diabetes, non-diabetes, dan prediabetes.

Inovasi

Kerangka yang diusulkan mencakup beberapa langkah pra-pemrosesan: penghapusan sampel duplikat, konversi atribut, imputasi nilai yang hilang, normalisasi dan standardisasi data, pemilihan fitur, dan k-fold cross-validation. Beberapa model machine learning diimplementasikan: k-Nearest Neighbors (k-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), AdaBoost, dan Gaussian Naive Bayes (GNB). Untuk mengatasi ketidakseimbangan dataset, diperkenalkan pendekatan ansambel berbobot berdasarkan Area Under the Receiver Operating Characteristic Curve (AUC). Penyetelan hyperparameter dilakukan menggunakan grid search dan optimasi Bayesian. Pipeline dapat direpresentasikan sebagai:

Ansambel berbobot menggabungkan prediksi dari model dasar menggunakan bobot yang proporsional dengan skor AUC masing-masing. Keluaran ansambel dapat dinyatakan sebagai:

dengan adalah bobot untuk model berdasarkan AUC-nya, dan adalah probabilitas prediksi untuk kelas .

Pendahuluan
Diabetes adalah penyakit kronis yang mengancam jiwa dengan prevalensi global yang terus meningkat. Diagnosis dan pengobatan dini sangat penting untuk mencegah komplikasi berat. Machine learning (ML) telah menunjukkan potensi untuk diagnosis diabetes, tetapi tantangan seperti keterbatasan data berlabel, nilai yang hilang, dan ketidakseimbangan dataset menghambat pengembangan model prediksi yang akurat. Para penulis mengusulkan kerangka multi-klasifikasi berbasis pipeline yang baru untuk mengatasi tantangan tersebut dan meningkatkan kinerja prediksi. Penelitian ini menggunakan Iraqi Patient Dataset of Diabetes yang tidak seimbang untuk mengklasifikasikan pasien ke dalam tiga kelas: diabetes, non-diabetes, dan prediabetes.

Mengapa penting

Kerangka multi-klasifikasi berbasis pipeline berhasil mengatasi tantangan yang terkait dengan keterbatasan data berlabel, nilai yang hilang, dan ketidakseimbangan dataset, sehingga meningkatkan kinerja prediksi. Penggunaan ansambel berbobot berdasarkan AUC secara efektif mengurangi dampak ketidakseimbangan kelas. Nilai AUC yang tinggi (0.999) menunjukkan kemampuan diskriminatif yang sangat baik. Penelitian ini menyoroti potensi teknik machine learning dalam diagnosis dan pengelolaan diabetes. Kerangka yang diusulkan dapat menjadi alat yang berharga untuk prediksi yang akurat dan peningkatan perawatan pasien. Penelitian lebih lanjut dapat menyempurnakan dan mengoptimalkan kerangka ini serta mengeksplorasi penerapannya pada dataset dan populasi yang beragam.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ