Sydänsairauksien ennakointi koneoppimisen avulla

Abstract

Sydän- ja verisuonisairaudet ovat merkittävä kansanterveydellinen haaste, ja niiden varhainen havaitseminen on keskeistä potilaiden hoidon ja ennusteen parantamiseksi. Tämä kandidaatintutkielma tarkastelee koneoppimisen menetelmien soveltamista sydänsairauksien havaitsemisessa. Työssä käsitellään yleisimpiä sydänsairauksia ja niiden diagnosointia, sekä esitellään keskeisiä koneoppimisen lähestymistapoja, kuten päätöspuut, tukivektorikoneet ja satunnaismetsät. Tulosten perusteella tehokkaimmat algoritmit saavuttivat jopa yli 85 % tarkkuuden. Koneoppiminen tarjoaa lupaavan työkalun sydänsairauksien havaitsemisen tueksi, mutta sen käyttö vaatii edelleen tarkkaa mallien validointia ja eettisten näkökulmien huomiointia kliinisessä käytössä.

Cardiovasculardiseasesareamajorpublichealthchallenge, andtheirearlydetection is essential to improve patient care and prognosis. This thesis explores the appli- cation of machine learning methods to the detection of heart disease. It discusses the most common heart diseases and their diagnosis, and introduces key machine learning approaches such as decision trees, support vector machines and random forests. The results show that the most efficient algorithms achieved accuracies of up to more than 85 %. Machine learning offers a promising tool to support the detection of heart disease, but its use still requires rigorous model validation and consideration of ethical aspects in clinical applications.