Research Article

Vergelijkende evaluatie van ensemble machine learning-benaderingen voor hartziektevoorspelling

DOI:

10.3791/70124

⸱

April 10th, 2026

 ,  ,  , 
1Department of Computer Science and Engineering, Trident Academy of Technology, 2Center for Cyber Security, SOA University, 3Department of Computer Science and Engineering, Jagadguru Kripalu University, 4Technical Information Security Officer (TISO), Invesco Inc.

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit protocol beschrijft een computationeel proces om ensemble machine learning-modellen te creëren en te beoordelen voor hartziektevoorspelling, met behulp van publiek toegankelijke benchmarkgegevens binnen een reproduceerbare preprocessing- en evaluatiestructuur.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit artikel presenteert een computationele benchmarking van Ensemble Learning-algoritmen bij de voorspelling van hartziekten, waarbij verschillende Machine Learning-algoritmen, zoals hard voting, soft voting en stacking, worden gecombineerd in één framework. De evaluatie werd uitgevoerd met behulp van publiek beschikbare cardiovasculaire dataset, verkregen uit de Kaggle-repository (https://www.kaggle.com/datasets/sid321axn/heart-statlog-cleveland-hungary-final), met 1.190 gevallen en 11 klinische kenmerken. Het proces omvat data-preprocessing, waaronder het verwerken van ontbrekende waarden, het verwijderen van uitschieters, het schalen van variabelen en het balanceren van klassen om ervoor te zorgen dat uniforme selectie van inputkenmerken, gebaseerd op Random Forest (RF), wordt gebruikt om onnodige features te elimineren. Onder de geëvalueerde modellen behaalde de stacking ensemble classifier de hoogste algehele nauwkeurigheid van 91,88% op de testdataset. Hoewel aanvullende meetwaarden zoals precisie, herinnering en F1-score zijn berekend voor vergelijkende analyse, blijft de nadruk van deze studie op methodologische benchmarking in plaats van klinische validatie.

Verschillende basisclassifiers, waaronder Decision Tree, Random Forest, AdaBoost en XGBoost, worden onafhankelijk toegepast en getest. Deze modellen worden vervolgens gecombineerd met ensembletechnieken met hard voting, soft voting en stacking. Bij stapeling wordt logistische regressie gebruikt als metamodel, dat wordt getraind op kruisgevalideerde voorspellingen van de out-of-fold samples om overfitting te voorkomen.

Evaluaties worden uitgevoerd met nauwkeurigheid als primaire vergelijkingscriterium, zodat individuele classificatiesystemen en hun combinatiestrategieën uniform kunnen worden vergeleken in dezelfde preprocessing- en validatieomgeving. Hoewel prestatie-indicatoren worden gegeven voor vergelijkende indicaties, ligt de nadruk van de aanpak op de ontwikkeling en evaluatie van strategieën en niet op hun klinische beoordeling.

Dit protocol maakt het eenvoudig om ensemble-machine learning-algoritmen te vergelijken op publiek beschikbare cardiovasculaire datasets en helpt bij een systematische vergelijking van datapreprocessing en ensembleconfiguratie-benaderingen.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Publiek beschikbare datasets van hart- en vaatziekten worden veel gebruikt als benchmarkproblemen in machine learning-onderzoek voor het evalueren van classificatie-algoritmen en voorspellende modelleringstechnieken 1,2,3. Dergelijke datasets, die klinische en demografische kenmerken bevatten, bieden een gestandaardiseerde en reproduceerbare basis voor het vergelijken van preprocessingstrategieën, featureselectiemethoden en ensemble-learningarchitecturen onder gecontroleerde experimentele omstandigheden. Daarom worden ze vaak gebruikt om algoritmisch gedrag te beoordelen in plaats van om klinische inferentie of implementatie in de praktijk te ondersteunen 4,5.

Eerder onderzoek heeft gekeken naar verschillende machine learning-methoden om cardiovasculaire ziekten te voorspellen, zoals Logistic Regression (LR), Support Vector Machines (SVM), Random Forests (RF) en gradient boosting modellen 6,7,8,9. Meer recentelijk hebben studies zich gericht op ensemble-leertechnieken, zoals hard voting, soft voting en stacking, om modellen stabieler te maken en hun prestaties te verbeteren 10,11,12,13,14. De verschillen in hoe data wordt voorbereid, kenmerken worden behandeld, validatie en resultaten die worden gemeten in deze studies maken het echter moeilijk om de gerapporteerde uitkomsten direct te vergelijken. Om een globaal contextueel overzicht te geven van de categorieën van hart- en vaatziekten die vaak in de literatuur worden gerapporteerd, wordt een conceptuele illustratie gepresenteerd in Figuur 1.

figure-introduction-1
Figuur 1: Conceptuele illustratie van vaak gerapporteerde hart- en vaatziektecategorieën, uitsluitend opgenomen voor contextuele achtergrond. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 1 is uitsluitend opgenomen voor contextuele referentie op hoog niveau en vertegenwoordigt geen gegevens afkomstig van de dataset die in deze studie is geanalyseerd of van enige output van het voorgestelde computationele protocol.

In het bijzonder leggen veel bestaande werken de nadruk op uitvoeringsresultaten zonder duidelijk de bijdrage van individuele methodologische componenten te isoleren, zoals timing van de selectie van de kenmerken, klassenbalans of ensembleconfiguratie 15,16,17,18. Deze variabiliteit benadrukt de noodzaak van een reproduceerbaar benchmarkingkader dat systematisch ensemble-machine learning-methoden evalueert met behulp van een consistente preprocessing-pijplijn en evaluatieprotocol op een publiek beschikbare dataset.

Er wordt verondersteld dat ensemble-leerbenaderingen, met name stackingmethoden, een verbeterde classificatienauwkeurigheid en gebalanceerde klasseprestaties zullen laten zien ten opzichte van individuele basisclassifiers wanneer ze worden geëvalueerd onder gestandaardiseerde preprocessing- en validatiecondities.

Het doel van deze studie is dan ook het uitvoeren van een computationele benchmarkanalyse van ensemble machine learning-benaderingen voor de voorspelling van hart- en vaatziekten met behulp van een publiek beschikbare Kaggle-dataset. Het proces omvat gestandaardiseerde data-preprocessing, het gebruik van het Random Forest-algoritme om het belang van features te rangschikken, evenals het gebruik van verschillende ensembletechnieken, die hard voting, soft voting en stacking omvatten. Logistische regressie wordt gebruikt als het meta-classifieralgoritme bij stapelen. Dit zorgt ervoor dat er geen overfitting plaatsvindt, omdat het gebruikmaakt van kruisvalideerde voorspellingen.

Deze studie is strikt bedoeld als een openbaar benchmarkonderzoek van datasets. De bevindingen worden beperkt door het vertrouwen op één enkele dataset en mogelijke dataset-specifieke biases, en impliceren daarom geen klinische validatie of inzet. Externe validatie met behulp van onafhankelijke datasets en prospectieve evaluatie zou vereist zijn voordat een klinische toepassing kan worden overwogen.

De volgende onderzoeksvragen leiden deze studie:

Deze studie onderzoekt hoe verschillende ensemble machine learning-benaderingen, waaronder hard voting, soft voting en stacking, zich verhouden qua classificatienauwkeurigheid wanneer ze worden toegepast op een publiek beschikbare dataset van cardiovasculaire ziekten.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit protocol beschreef een reproduceerbare computationele workflow voor het benchmarken van ensemble machine learning-modellen met behulp van een publiek beschikbare dataset voor cardiovasculaire ziekten.

Selectie van de dataset
De studie maakte gebruik van een publiek beschikbare dataset voor hart- en vaatziekten afkomstig uit de Kaggle-repository. De dataset bestond uit 1190 instanties en bevatte 11 functies. Voor modeltraining werd 80% van de data gebruikt, terwijl de resterende 20% werd toegewezen aan prestatie-evaluatie. Tabel 1 gaf een gedetailleerde beschrijving van de kenmerken van de dataset. De dataset werd geladen in Python (versie 3.9) met behulp van de pandas-bibliotheek (versie 1.5.3). De integriteit van de datasets werd geverifieerd door ontbrekende waarden, dubbele records en inconsistente datatypes te onderzoeken.

Tabel 1 vat de demografische, klinische en experimentele attributen samen die in de dataset voor hart- en vaatziekten zijn opgenomen, samen met hun datatypes en gecodeerde formaten. Deze kenmerken vormden de invoervariabelen voor alle daaropvolgende modeltrainings- en evaluatieprocedures.

Sl. NeeNaam van het kenmerkGegevenstypeBeschrijving
1LeeftijdNumeriekLeeftijd van de patiënt in jaren.
2SeksNominaalMannelijk vertegenwoordigd als 1, en vrouw vertegenwoordigd als 0.
3Borstpijn typeCategorisch1: Typisch 2: Typische angina 3: Niet-anginale pijn 4: Asymptomatisch
4Rustende bloeddruk sNumeriekBloeddruk in rust gemeten in millimeters kwik (mmHg).
5CholesterolgehalteNumeriekSerumcholesterol in milligram per deciliter (mg/dL).
6Nuchtere bloedsuikerNominaalBloedsuikerwaarden boven 120 mg/dl tijdens het vasten worden weergegeven als 1 voor waar en 0 voor onwaar.
7Rustend ECGCategorischDrie verschillende waarden worden als volgt toegekend: 0 voor normaal, 1 voor afwijking in ST-T-golf en 2 voor linkerventrikelhypertrofie.
8Maximale hartslagNumeriekMaximale hartslag bereikt
9Oefening anginaNominaalAngina veroorzaakt door oefening, waarbij 0 NEE vertegenwoordigt en 1 Ja.
10OldpeakNumeriekST-depressie tijdens inspanning vergeleken met de rusttoestand.
11ST-hellingCategorischST-segment helling tijdens piektraining als volgt gecategoriseerd: 0: Normaal 1: Opwaarts 2: Vlak 3: Afwaarts

Tabel 1: Beschrijving van datasetkenmerken gebruikt voor het voorspellen van hartziekten.

Preprocessing van de data
Datapreprocessing werd uitgevoerd met behulp van Python-bibliotheken. Rijen met ontbrekende waarden werden verwijderd met panda's. DataFrame.dropna()-functie. Outliers in numerieke kenmerken werden geïdentificeerd en verwijderd met behulp van de interquartile range (IQR)-methode en op een boxplot gebaseerde visualisatie, die de verdeling en detecteerde uitschieters over kenmerken illustreert (Figuur 2). Alle numerieke variabelen werden geschaald met behulp van de StandardScaler-functie uit de scikit-learn-bibliotheek (versie 1.2.2). Klasse-ongelijkheid werd aangepakt door willekeurige ondersteekproeven om een gebalanceerde klassenverdeling te verkrijgen voorafgaand aan modeltraining.

figure-protocol-1
Figuur 2: Boxplot van alle attributen in de dataset voor cardiovasculaire ziekten. Klik hier om een grotere versie van deze figuur te bekijken.

De correlatiecoëfficiënt van Pearson (PCC) werd gebruikt om relaties tussen kenmerken te beoordelen. De resulterende correlatiematrix, gevisualiseerd als een heatmap, illustreert de sterkte en richting van paargewijze featurecorrelaties en benadrukt redundante attributen voor eliminatie (Figuur 3).

figure-protocol-2
Figuur 3: Correlatiematrix voor de Heart Disease Dataset. Klik hier om een grotere versie van deze figuur te bekijken.

Het model resulteert in een heatmap van de correlatiematrix die esthetisch aantrekkelijk is en een sneller begrip van correlaties tussen verschillende kenmerken in de data mogelijk maakt. Deze heatmap gebruikt kleuren om aan te geven hoeveel en in welke richting waarden gecorreleerd zijn, waardoor het een belangrijk hulpmiddel is in Exploratory Data Analysis. Lichtere kleuren tonen hogere positieve correlaties, donkerdere kleuren hogere negatieve correlaties en meer groen tonen correlaties dicht bij nul.

Feature-extractie
Featureselectie werd uitgevoerd met behulp van Random Forest feature importance, geïmplementeerd via de RandomForestClassifier in open-source machine learning-bibliotheken. De belangrijkheidsscores van kenmerken werden berekend op basis van de gemiddelde afname van onzuiverheid, en kenmerken werden dienovereenkomstig gerangschikt. De top-N gerangschikte kenmerken werden behouden voor latere analyse. Featureselectie werd toegepast na voltooiing van alle preprocessing-stappen en vóór train-testsplitsing, waarbij werd gegarandeerd dat een vaste en consistente featureset werd gebruikt over alle classificatiemodellen en ensembleconfiguraties (Figuur 4).

figure-protocol-3
Figuur 4: Feature-belangrijkheidsscores berekend met behulp van Random Forest feature-belangrijkheid. Kenmerken worden gerangschikt op genormaliseerde belangrijkheidswaarde. Klik hier om een grotere versie van deze figuur te bekijken.

Kenmerken werden gerangschikt op basis van de gemiddelde afname in onzuiverheid met behulp van Random Forest feature-belang met random_state = 42; alle beschikbare functies (N = 11) werden echter behouden voor latere modeltraining. Featureselectie werd toegepast na preprocessing en vóór train-testsplitsing, zodat er een vaste featureset over alle modellen werd gegarandeerd.

Modeltraining en ensembleconstructie
De dataset werd opgedeeld in trainings- en testsubsets met een 80:20 splitsingsverhouding met de train_test_split()-functie. De trainingsgegevens werden uitsluitend gebruikt voor modelontwikkeling en ensemble-constructie, terwijl de testgegevens werden gereserveerd voor prestatie-evaluatie. Basisclassifiers, waaronder Decision Tree, Random Forest, AdaBoost en XGBoost, werden getraind op de trainingsdataset met standaard hyperparameterinstellingen, tenzij anders gespecificeerd.

Hard voting en soft voting ensemblemodellen werden geconstrueerd met behulp van de VotingClassifier, waarbij gelijke gewichten aan alle basisclassifiers werden toegekend om objectieve vergelijking te garanderen. Een stapelensemblemodel werd geïmplementeerd met behulp van logistische regressie als meta-classifier. De meta-classifier werd getraind op out-of-fold voorspellingen die werden gegenereerd via 5-voudige kruisvalidatie van de basisclassifiers, wat overfitting verminderde en onbevooroordeelde schatting van ensembleprestaties mogelijk maakte.

Voorgesteld model
Het voorgestelde ensemble-framework werd geïmplementeerd om een samengestelde classifier te construeren met behulp van meerdere ensemble-leerstrategieën. Alle trainingsgegevens werden gestandaardiseerd en identieke preprocessing-stappen werden toegepast op de testgegevens om consistentie tussen trainings- en evaluatiefasen te waarborgen. Basisclassifiers werden geïntegreerd met hard voting, soft voting en stackingmechanismen en de stacking meta-classifier werd getraind met behulp van logistische regressie op kruisvalidatievoorspellingen. De algemene architectuur en datastroom van het ensemble-framework (Figuur 5).

figure-protocol-4
Figuur 5: Architectuur van het voorgestelde model. Klik hier om een grotere versie van deze figuur te bekijken.

Niveau I:
Op niveau I van het ensembleframework werden vier basisclassifiers—Random Forest, Decision Tree, XGBoost en AdaBoost—getraind met behulp van de geschaalde trainingsdataset. Deze basisclassifiers werden gecombineerd om zowel hard voting als soft voting ensemblemodellen te construeren. Gelijke gewichten werden aan alle basisclassifiers toegekend om objectiviteit te behouden en om bias te voorkomen die ontstond door differentieel stemmen tijdens de samenstelling van het ensemble.

Niveau II:
Op niveau II werd een stacking ensemble classifier geïmplementeerd door voorspellingen gegenereerd door de basisclassifiers te combineren. De basisclassificatoren werden getraind met 5-voudige kruisvalidatie en er werden voor elke vouw voorspellingen buiten de vouw gegenereerd. Deze out-of-fold voorspellingen werden vervolgens gebruikt als inputfeatures om een Logistic Regression meta-classifier te trainen, waardoor overfitting werd verminderd en onbevooroordeelde schatting van ensembleprestaties mogelijk werd.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze sectie presenteert de effecten van datapreprocessing en featureselectie, vergelijkt de prestaties van individuele en ensembleclassifiers en vat benchmarkresultaten samen over standaard evaluatiemetrics. Data-preprocessing, waaronder het verwijderen van ontbrekende waarden, klassenbalans en feature-schaal, leverde consistente invoerverdelingen op over alle classifiers. Modellen getraind op voorbewerkte data vertoonden een verminderde variabiliteit in prestaties over herhaalde 5-voudi...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie toont aan dat stacking-based ensemble learning consequent superieure en stabielere classificatieprestaties behaalde vergeleken met individuele classifiers en stem-based ensembles onder gestandaardiseerde preprocessing- en benchmarkingcondities.

De consistentie van ensembleprestaties die in deze studie wordt waargenomen, benadrukt het belang van methodologische nauwkeurigheid in vergelijkend machine learning-onderzoek 19,20,21,22,23,24,25.

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs geven aan dat zij geen belangenconflicten hebben met betrekking tot dit onderzoekswerk. Geen enkele financiële, persoonlijke of professionele relatie heeft invloed gehad op de resultaten, analyses of conclusies die in dit manuscript worden gepresenteerd.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs erkennen het gebruik van openbaar beschikbare datasets en open-source softwarebronnen die deze studie ondersteunden. De auteurs bedanken ook hun respectievelijke instellingen, waaronder Sri Sri University in Bhubaneswar en SOA University in Bhubaneswar, voor het bieden van de academische omgeving en onderzoeksfaciliteiten die nodig zijn om dit werk uit te voeren.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AdaBoostClassifierscikit-learn DevelopersN/AEnsemble boosting classifier gebruikt voor benchmarking
Jupyter NotebookProject JupyterN/AComputationeel notebook-omgeving
Kaggle Heart Statlog (Cleveland–Hungary) DatasetKaggleN/AOpenbare cardiovasculaire dataset (1190 instanties, 11 kenmerken). URL: https://www.kaggle.com/datasets/sid321axn/heart-statlog-cleveland-hungary-final
LogisticRegressionscikit-learn DevelopersN/AMeta-classifier gebruikt in stacking ensemble
MatplotlibMatplotlib Development TeamN/ADatavisualisatiebibliotheek
NumPyNumPy DevelopersN/ANumerieke berekeningsbibliotheek
pandas (versie 1.5.3)pandas Development TeamN/ADatavoorverwerking en -verwerking
Python (versie 3.9)Python Software FoundationN/AProgrammeromgeving gebruikt voor implementatie
RandomForestClassifierscikit-learn DevelopersN/ABasisclassifier en berekening van functie-importantie
SeabornSeaborn Development TeamN/AHeatmapvisualisatie van correlatiematrix
StandardScalerscikit-learn DevelopersN/AFunctie-schaalfunctie
VotingClassifierscikit-learn DevelopersN/AHard en soft voting ensemble implementatie
XGBoostClassifierDMLCN/AGradient boosting classifier gebruikt als basisleerder

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Libby, P., Bonow, R. O., et al. Braunwald’s Heart Disease: A Textbook of Cardiovascular Medicine. Elsevier Health Sci. 9, (2011).
  2. Nayak, O., Pallapothala, T., Gupta, G. P. Heart disease prediction framework using soft voting-based ensemble learning techniques. Convergence of Big Data Technologies and Computational Intelligent Techniques. IGI Global. , IGI Global. 147-165 (2023).
  3. Gaidai, O., Yan, P., Xing, Y. Future world cancer death rate prediction. Sci Rep. 13 (1), 303(2023).
  4. Imran, M., et al. A hybrid ensemble framework for cardiac disease risk stratification with machine learning. J Popul Ther Clin Pharmacol. 30 (18), 1336-1353 (2023).
  5. Elhneiti, M., Al-Hussami, M. Predicting risk factors of heart disease among Jordanian patients. Health. 9 (2), 237-247 (2017).
  6. Sevakula, R. K., Verma, N. K. Assessing generalization ability of majority vote point classifiers. IEEE Trans Neural Netw Learn Syst. 28 (12), 2985-2997 (2017).
  7. Li, H., et al. Ensemble learning for overall power conversion efficiency of all-organic dye-sensitized solar cells. IEEE Access. 6, 34118-34126 (2018).
  8. Chicco, D., Jurman, G. Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone. BMC Med Inform Decis Mak. 20 (1), 16(2020).
  9. Predicting the survival of heart failure patients in unbalanced data sets. Türkmenoğlu, B. K., Yildiz, O. In Proc. 29th Signal Process Commun Appl Conf (SIU), , IEEE. 1-4 (2021).
  10. Wang, B., et al. A multi-task neural network architecture for renal dysfunction prediction in heart failure patients with electronic health records. IEEE Access. 7, 178392-178400 (2019).
  11. Amin, M. S., Chiam, Y. K., Varathan, K. D. Identification of significant features and data mining techniques in predicting heart disease. Telemat Inform. 36, 82-93 (2019).
  12. Gao, X. Y., et al. Improving the accuracy for analyzing heart diseases prediction based on the ensemble method. Complexity. 2021, 1-10 (2021).
  13. Hasan, N., Bao, Y. Comparing different feature selection algorithms for cardiovascular disease prediction. Health Technol. 11, 49-62 (2021).
  14. Pan, C., et al. Impact of categorical and numerical features in ensemble machine learning frameworks for heart disease prediction. Biomed Signal Process Control. 76, 103666(2022).
  15. Renugadevi, G., et al. Predicting heart disease using hybrid machine learning model. J Phys Conf. 1916 (1), 012208(2021).
  16. Rani, P., et al. A decision support system for heart disease prediction based upon machine learning. J Reliab Intell Environ. 7 (3), 263-275 (2021).
  17. Fayez, M., Kurnaz, S. Novel method for diagnosis diseases using advanced high-performance machine learning system. Appl Nanosci. 11, 1-7 (2021).
  18. Mohri, M., Rostamizadeh, A., Talwalkar, A. Introduction. Foundations of Machine Learning. , 2nd ed, MIT Press. 1-7 (2018).
  19. Kelleher, J. D., Mac Namee, B., D’Arcy, A. Fundamentals of Machine Learning for Predictive Data Analytics. , MIT Press. (2020).
  20. Wittek, P. Quantum Machine Learning: What Quantum Computing Means to Data Mining. , Academic Press. (2014).
  21. Sridhar, C., et al. Optimal medical image size reduction model creation using recurrent neural network and GenPSOWVQ. J Healthc Eng. 2022, 1-12 (2022).
  22. Dalal, S., et al. A hybrid machine learning model for timely prediction of breast cancer. Int J Model Simul Sci Comput. 14 (4), 2341023(2023).
  23. Edeh, M. O., et al. Artificial intelligence-based ensemble learning model for prediction of hepatitis C disease. Front Public Health. 10, 892371(2022).
  24. Latha, C. B. C., Jeeva, S. C. Improving the accuracy of prediction of heart disease risk based on ensemble classification techniques. Inform Med Unlocked. 16, 100203(2019).
  25. Bhatt, C. M., et al. Effective heart disease prediction using machine learning techniques. Algorithms. 16 (2), 88(2023).
  26. Khan, A., et al. A novel study on machine learning algorithm-based cardiovascular disease prediction. Health Soc Care Community. 2023, 1-12 (2023).
  27. García-Ordás, M. T., et al. Heart disease risk prediction using deep learning techniques with feature augmentation. Multimed Tools Appl. 82, 1-15 (2023).
  28. Tiwari, A., Chugh, A., Sharma, A. Ensemble framework for cardiovascular disease prediction. Comput Biol Med. 146, 105624(2022).
  29. Chowdary, K. R., et al. Early heart disease prediction using ensemble learning techniques. J Phys Conf Ser. 2325 (1), 012051(2022).
  30. Alqahtani, A., et al. Cardiovascular disease detection using ensemble learning. Comput Intell Neurosci. 2022, 1-10 (2022).
  31. Naser, M. A., et al. A review of machine learning’s role in cardiovascular disease prediction: recent advances and future challenges. Algorithms. 17 (2), 78(2024).
  32. Vara, N. V. D. S. S., et al. AI-assisted medical imaging and heart disease diagnosis using ensemble classifiers. J Artif Intell Gen Sci. 6 (1), 210-229 (2024).
  33. Gnanavelu, A., et al. Cardiovascular disease prediction using machine learning metrics. J Young Pharm. 17 (1), 226-233 (2025).
  34. Pal, P., et al. Interactive cardiovascular disease prediction system using learning techniques. Results Control Optim. 19, 100560(2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Ensemble LearningHeart Disease PredictionMachine Learning AlgorithmsStacking ClassifierHard VotingSoft VotingRandom ForestData PreprocessingFeature SelectionCardiovascular Dataset

Related Articles