Wyszukiwarka
Abstrakt
This paper describes a research study that investigates the use of machine learning algorithms on synthetic data to classify the risk of developing preeclampsia by pregnant women. Synthetic datasets were generated based on parameter distributions from three real patient studies. Four models were compared: XGBoost, Support Vector Machine (SVM), Random Forest, and Explainable Boosting Machines (EBM). The study found that the XGBoost and EBM consistently outperform the other models. An analysis of patient subsets based on their pregnancy history was also conducted, revealing that the group of patients in their first pregnancy achieved the highest prediction accuracy. Additionally, the study explored the efficacy of risk prediction based on various parameters and found that the results vary depending on the models used and the degree of class balance in the database. Finally, an additional test was performed on the dataset annotated by physicians.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
1
Scopus
Autorzy (11)
-
Kinga Jaguszewska
-
Dorota Zamkowska
-
Dariusz Wójcik
-
Krzysztof Preis dr n. med
-
Henriette Skov
-
Stefan Rahr Wagner
-
Puk Sandager
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja monograficzna
- Typ:
- rozdział, artykuł w książce - dziele zbiorowym /podręczniku w języku o zasięgu międzynarodowym
- Język:
- angielski
- Rok wydania:
- 2024
- Opis bibliograficzny:
- Mazur-Milecka M., Kowalczyk N., Jaguszewska K., Zamkowska D., Wójcik D., Preis K., Skov H., Wagner S. R., Sandager P., Sobotka M., Rumiński J.: Preeclampsia Risk Prediction Using Machine Learning Methods Trained on Synthetic Data// The Latest Developments and Challenges in Biomedical Engineering/ : , 2024, s.267-281
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-031-38430-1_21
- Źródła finansowania:
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 115 razy