МАШИННОЕ ОБУЧЕНИЕ ДЛЯ КОМПЛЕКСНОЙ ОЦЕНКИ РИСКА СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ И БИОХИМИЧЕСКИХ ИЗМЕНЕНИЙ: АКЦЕНТ НА АСПАРТАТАМИНОТРАНСФЕРАЗЕ

Аннотация

В этом исследовании рассматриваются различные подходы машинного обучения для анализа факторов, способствующих развитию сердечно-сосудистых заболеваний. При создании моделей прогнозирования были применены два метода — XGBoost и сверточная нейронная сеть (CNN). Особое внимание уделялось оценке производительности каждой модели в задачах классификации и регрессии, а также способности выявлять ключевые биомаркеры и факторы риска, включая холестерин, ферритин, гомоцистеин и аспартатаминотрансферазу (AST). Параметры XGBoost были адаптированы под табличные данные, что позволило достичь высокой точности предсказаний риска. В то же время, несмотря на быстрое снижение ошибки на обучающем наборе, модель CNN продемонстрировала признаки переобучения при проверке на валидационных данных. Сравнение моделей по метрикам средней квадратичной ошибки (MSE), коэффициента детерминации (R²), критерия Акаике (AIC) и байесовского информационного критерия (BIC) выявило существенные различия в их эффективности. Результаты анализа подтверждают, что XGBoost более эффективно обрабатывает табличные данные и обобщает информацию о факторах риска, тогда как CNN требует дальнейшей оптимизации для корректной работы с разреженными наборами данных. Исследование подчеркивает важность выбора оптимальной архитектуры модели и параметров обучения для обеспечения точной и надежной диагностики сердечно-сосудистых заболеваний.