Resumen

El ictus es un trastorno médico en el que se rompen las arterias sanguíneas del cerebro, causándole daños. Cuando se interrumpe el suministro de sangre y otros nutrientes al cerebro, pueden aparecer síntomas. Según la Organización Mundial de la Salud (OMS), el ictus es la mayor causa de muerte y discapacidad en el mundo. El reconocimiento precoz de las distintas señales de advertencia de un ictus puede ayudar a reducir su gravedad. Se han desarrollado distintos modelos de aprendizaje automático para predecir la probabilidad de que se produzca un ictus en el cerebro. Esta investigación utiliza una serie de parámetros fisiológicos y algoritmos de aprendizaje automático, como la regresión logística (LR), la clasificación en árbol de decisión (DT), la clasificación en bosque aleatorio (RF) y el clasificador por votación, para entrenar cuatro modelos diferentes de predicción fiable. Random Forest fue el algoritmo con mejor rendimiento para esta tarea, con una precisión de aproximadamente el 96%. El conjunto de datos utilizado en el desarrollo del método fue el de libre acceso Stroke Prediction. El porcentaje de precisión de los modelos utilizados en esta investigación es significativamente superior al de estudios anteriores, lo que indica que los modelos utilizados en esta investigación son más fiables. Numerosas comparaciones de modelos han establecido su solidez, y el esquema puede deducirse del análisis del estudio.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:cerebro, ictus, modelos, Random Forest, acceso al conjunto de datos Stroke Prediction, Numerosas comparaciones de modelos, Organización Mundial de la Salud, algoritmos de aprendizaje automático, diversas señales de advertencia, Clasificación
• Keywords:brain, stroke, models, Random Forest, access Stroke Prediction dataset, Numerous model comparisons, World Health Organization, machine learning algorithms, various warning signs, Classification