뇌졸중 위험 예측을 위한 하이브리드 랜덤 포레스트 모델

목표 본 연구는 여러 기계 학습 알고리즘을 통해 뇌졸중 위험 예측 모델을 개발하고, 이 모델을 뇌졸중 위험 예측 도구로 최적화하는 것을 목표로 합니다. 방법 이 회고적 다기관 연구는 고품질 건강 데이터베이스에서 원본 데이터를 유래하였습니다. 데이터셋은 불완전하고 클래스 불균형이 있었습니다. 첫째, 극단적인 이상치와 노이즈를 제거하고 적절한 알고리즘에 의해 누락된 값을 대체하였습니다. 이후 합성 소수자 과다 샘플링 기법(Synthetic Minority Over-sampling Technique)을 사용하여 균형 잡힌 데이터셋을 생성하였습니다. 둘째, 임상 실습을 위한 기계 학습 기반 예측 도구 개발을 위해 7개의 알고리즘을 적합시켰습니다. 결과 전체 35,859명의 참가자가 포함되었으며, 이 중 781명(2.2%)이 뇌졸중을 경험하였습니다. 랜덤 포레스트 모델은 높은 예측 가치와 차별화 능력을 바탕으로 최상의 성능을 보였습니다. 뇌졸중 위험 예측을 위해 최상의 모델의 AUC는 0.97이었습니다. 결론 쉽게 얻을 수 있는 데이터를 사용한 새로운 랜덤 포레스트 알고리즘 기반의 뇌졸중 위험 예측 모델이 개발되었으며 기존 모델보다 우수한 성능을 보였습니다. 향후 연구에서는 현재 모델의 일반성을 평가하고 널리 적용할 수 있도록 추가 검증 및 최적화가 필요합니다. 제안된 랜덤 포레스트 알고리즘을 개별 위험 예측 모델로 활용하는 것은 임상 실천 가이드라인 및 공유 의사 결정을 적용하는 데 도움을 줄 수 있습니다.