Prediktion av hjärtsjukdom

Sammanfattning: Hjärt- och kärlsjukdomar är den vanligaste enskilda dödsorsaken i både Sverige och världen i stort, och utgör ungefär en tredjedel av alla dödsfall. Maskininlärning används som medel för riskbedömning av sjukdomar inom sjukvården och visar på stor potential, men ingen konsensus har hittills nåtts kring vilken klassificeringsalgoritm som når högst träffsäkerhet vid klassificering av hjärt- och kärlsjukdomar. Att kunna tolka och förstå en algoritm ses som extra viktigt inom hälso- och sjukvård, och avsaknaden av möjligheten att kunna förstå en algoritm kan ha en negativ inverkan på huruvida en teknologi anammas inom sjukvård. Studien implementerade därför fem skilda maskininlärningsalgoritmer, varav fyra var av black box-typ och en white box-typ, för att försöka nå fram till ett resultat där det går att avgöra vilken tränad modell av en maskininlärningsalgoritm som når högst träffsäkerhet, samt undersöka huruvida någon black box-modell är tillräckligt bra för att försvara dess användande över en white box-algoritm. Studien visade att black box-algoritmen RF producerade den bästa modellen med en accuracy på 86,6% och white box-algoritmen LR producerade den sämsta modellen med en accuracy på 84,8%. Framtida forskning bör fokusera på vilka variabler som ger tyngd åt resultatet samt en nyansering av förklarbarhet av olika algoritmer. Nyckelord: Hjärt- och kärlsjukdom, machine learning, klassificering, prediktionsmodell, white box, black box, RF, ANN, SVM, KNN, LR