针对心血管疾病预测的改进算法模型

心血管疾病是危害人类生命的高危疾病之一,整合高新技术精准预测疾病发病的可能性、降低发病率是应对该疾病的最佳方法,也是不久的将来实现精准医学的关键技术之一。为了使数据类型标准化并保证数据格式的一致性,提高疾病预测的时效性以及疾病预测结果的精准度,整合国家标准化个人查体报告书及个人日常生活健康指标等相关信息,提出使用基于随机森林与Relief的特征选择方法进行数据降维,结合改进后的误差反向传播神经网络模型对心血管疾病进行预测。为了证实该模型的有效性,进行心血管疾病预测实验,并对实验结果进行可视化比较与分析。研究结果表明,改进的误差反向传播神经网络疾病预测模型在时效性、准确性与扩展性方面表现较好,分类精度达到98.68%,灵敏度达到98.78%,特异性达到98.56%,且预测速度提升了30%左右。