Библиографическое описание:Решение задачи классификации здоровых и пациентов с эссенциальной гипертонией по результатам велоэргометрии и биохимии крови : доклад, тезисы доклада / Т. А. Данилин, Н. А. Лукьянова. - [Б. м. : б. и.], 2025. - Текст : непосредственный // ИТ. Наука. Креатив : Материалы II Международного форума. В 5-ти томах / ИТ. Наука. Креатив (2025 ; 13.05 - 15.05 ; Омск). - Омск, 2025. - С. 302-311. - ISBN 9785814939951.
Аннотация:Сложность ранней диагностики эссенциальной гипертензии во многом обусловлена неспецифичностью симптомов и необходимостью анализа значительного множества клинических параметров. В работе проведено сравнение эффективности моделей машинного обучения при классификации пациентов с эссенциальной гипертензией и здоровых лиц на основе интеграции данных велоэргометрии и биохимических показателей крови. Исследование охватывает данные 566 пациентов (148 с эссенциальной гипертензией и 418 здоровых), включая параметры велоэргометрии (частота сердечных сокращений, артериальное давление, толерантность к нагрузке) и биохимические маркеры (холестерин, липопротеины низкой плотности, липопротеины высокой плотности, глюкоза, кортизол). Отбор признаков проводился тремя способами: экспертный метод (на основе рекомендаций ВОЗ), метод случайного леса и метод решающего дерева. Сравнительный анализ шести алгоритмов (логистическая регрессия, k-ближайших соседей, метод опорных векторов, методы градиентного бустинга XGBoost и LightGBM, ансамбль голосования) показал, что наилучшие результаты достигаются при использовании XGBoost с признаками, отобранными методом решающего дерева. Наиболее информативными для диагностики оказались показатели артериального давления, липидного профиля, толерантности к нагрузке.
The complexity of early diagnosis of essential hypertension is largely due to the nonspecificity of symptoms and the need to analyze a significant variety of clinical parameters. In this study, the effectiveness of machine learning models for classifying patients with essential hypertension and healthy individuals was compared based on the integration of bicycle ergometry and biochemical blood parameters. The study covers data from 566 patients (148 with essential hypertension and 418 healthy), including bicycle ergometry parameters (heart rate, blood pressure, exercise tolerance) and biochemical markers (cholesterol, low density lipoprotein, high-density lipoproteins, glucose, cortisol). The selection of features was carried out in three ways: the expert method (based on WHO recommendations), Random Forest and Decision Tree. A comparative analysis of six algorithms (logistic regression, k-NN, SVM, XGBoost, LightGBM, VotingClassifier) showed that the best results are achieved when using XGBoost with features selected by Decision Tree. Most informative indicators for diagnosis were blood pressure, lipid profile, exercise tolerance.
