ترجمه فارسی مقاله بهینه‌سازی پیش‌بینی بیماری با انتخاب ویژگی مبتنی بر هوش مصنوعی و شبکه‌های توجه

چکیده

The rapid integration of machine learning methodologies in healthcare has ignited innovative strategies for disease prediction, particularly with the vast repositories of Electronic Health Records (EHR) data. This article delves into the realm of multi-disease prediction, presenting a comprehensive study that introduces a pioneering ensemble feature selection model. This model, designed to optimize learning systems, combines statistical, deep, and optimally selected features through the innovative Stabilized Energy Valley Optimization with Enhanced Bounds (SEV-EB) algorithm. The objective is to achieve unparalleled accuracy and stability in predicting various disorders. This work proposes an advanced ensemble model that synergistically integrates statistical, deep, and optimally selected features. This combination aims to enhance the predictive power of the model by capturing diverse aspects of the health data. At the heart of the proposed model lies the SEV-EB algorithm, a novel approach to optimal feature selection. The algorithm introduces enhanced bounds and stabilization techniques, contributing to the robustness and accuracy of the overall prediction model. To further elevate the predictive capabilities, an HSC-AttentionNet is introduced. This network architecture combines deep temporal convolution capabilities with LSTM, allowing the model to capture both short-term patterns and long-term dependencies in health data. Rigorous evaluations showcase the remarkable performance of the proposed model. Achieving a 95% accuracy and 94% F1-score in predicting various disorders, the model surpasses traditional methods, signifying a significant advancement in disease prediction accuracy. The implications of this research extend beyond the confines of academia.

چکیده به فارسی (ترجمه ماشینی)

ادغام سریع روشهای یادگیری ماشین در مراقبت های بهداشتی ، استراتژی های نوآورانه ای را برای پیش بینی بیماری ، به ویژه با مخازن گسترده داده های سوابق بهداشت الکترونیکی (EHR) نادیده گرفته است.این مقاله به قلمرو پیش بینی چند بیماری می پردازد و یک مطالعه جامع را ارائه می دهد که یک مدل انتخاب ویژگی های پیشگام را معرفی می کند.این مدل ، به منظور بهینه سازی سیستم های یادگیری ، ترکیب ویژگی های آماری ، عمیق و بهینه منتخب را از طریق بهینه سازی دره انرژی تثبیت شده با الگوریتم پیشرفته (SEV-EB) ترکیب می کند.هدف دستیابی به دقت و ثبات بی نظیر در پیش بینی اختلالات مختلف است.این کار یک مدل گروه پیشرفته را پیشنهاد می کند که به طور هم افزایی ویژگی های آماری ، عمیق و بهینه منتخب را ادغام می کند.این ترکیب با هدف تقویت قدرت پیش بینی مدل با گرفتن جنبه های متنوع از داده های بهداشتی انجام می شود.در قلب مدل پیشنهادی الگوریتم SEV-EB ، یک رویکرد جدید برای انتخاب ویژگی بهینه قرار دارد.این الگوریتم محدودیت های پیشرفته و تکنیک های تثبیت شده را معرفی می کند و به استحکام و صحت مدل پیش بینی کلی کمک می کند.برای بالا بردن بیشتر قابلیت های پیش بینی کننده ، یک مورد توجه HSC معرفی می شود.این معماری شبکه قابلیت های عمیق همبستگی زمانی را با LSTM ترکیب می کند ، و به مدل اجازه می دهد تا الگوهای کوتاه مدت و وابستگی های بلند مدت را در داده های بهداشتی ضبط کند.ارزیابی های دقیق عملکرد قابل توجه مدل پیشنهادی را نشان می دهد.دستیابی به دقت 95 ٪ و 94 ٪ نمره F1 در پیش بینی اختلالات مختلف ، این مدل از روشهای سنتی پیشی می گیرد و این نشان دهنده پیشرفت قابل توجهی در دقت پیش بینی بیماری است.پیامدهای این تحقیق فراتر از محدوده آکادمی ها است.