机构名称：
¥ 1.0
心血管疾病（CVD）是全球死亡率的主要原因，准确的预测模型对于改善预防和管理策略至关重要。本研究通过基于相关的图形结构和加权链路预测算法来解决增强CVD风险预测的挑战。使用Pearson和Spearman相关方法，我们将包含1025个患者记录和14个关键特征的综合数据集转换为图形结构。基于相关的图形结构捕获特征依赖性，通过将变量关系表示为网络中的边缘。为了评估图形表示的有效性，我们应用了加权链路预测算法，包括加权共同邻居（WCN），加权优先附着（WPA）和加权Jaccard系数（WJC）。基于Pearson相关的网络表现出非凡的性能，WCN算法在曲线（AUC）下达到99.80％的面积，精度为48.0％。相比之下，基于Spearman相关的网络显示出强大的结果，WJC的AUC为96.60％，精度为67.16％。在jupyter环境中使用Python进行的比较分析，并采用了诸如NetworkX和各种统计文库之类的库，突出了基于相关图在CVD数据中捕获线性和非线性关系的卓越能力。虽然有希望，但该研究承认与数据集大小和计算复杂性有关的局限性。我们的发现表明，基于相关的图形方法可显着增强CVD预测，提供更个性化的CVD预防和管理方法。
Kardan工程技术杂志（KJET）
主要关键词
相关文件推荐
