Phân loại bệnh tim với các mô hình học máy.

Abstract

Bệnh tim mạch là một trong những nguyên nhân gây tử vong hàng đầu trên thế giới, do đó việc phát hiện sớm và dự đoán nguy cơ mắc bệnh có ý nghĩa quan trọng trong công tác chăm sóc sức khỏe. Nghiên cứu này tập trung phân tích dữ liệu bệnh tim bằng cách kết hợp các phương pháp thống kê và học máy nhằm xác định các yếu tố nguy cơ quan trọng cũng như xây dựng mô hình dự đoán bệnh tim hiệu quả. Quy trình nghiên cứu bao gồm các bước như tiền xử lý dữ liệu, thống kê mô tả, kiểm định giả thuyết, phân tích tương quan và chuẩn hóa dữ liệu. Trên cơ sở đó, nhiều mô hình học máy đã được xây dựng và đánh giá để dự đoán nguy cơ mắc bệnh tim. Kết quả phân tích cho thấy các yếu tố như tuổi, loại đau ngực, mức cholesterol, nhịp tim tối đa và độ dốc đoạn ST (ST Slope) có mối liên hệ đáng kể với khả năng mắc bệnh tim. Các mô hình học máy được đánh giá thông qua các chỉ số Accuracy, Precision và Recall. Kết quả cho thấy tất cả các mô hình đều đạt hiệu quả dự đoán tốt và có tính ổn định. Trong đó, mô hình cây quyết định (Decision Tree) cho kết quả vượt trội nhất trên toàn bộ tập đặc trưng, thể hiện khả năng phân loại chính xác và hiệu quả. Nghiên cứu đã chứng minh rằng, việc kết hợp giữa thống kê suy diễn và học máy là một phương pháp hiệu quả trong phân tích dữ liệu y học. Kết quả không chỉ giúp nhận diện các yếu tố nguy cơ quan trọng liên quan đến bệnh tim mà còn hỗ trợ dự đoán sớm bệnh, góp phần nâng cao chất lượng chẩn đoán và hỗ trợ ra quyết định trong thực hành lâm sàng.