A Lifestyle Related Disease Prediction Framework Based on Missing Value Imputation and Stacking Ensemble Method - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

A Lifestyle Related Disease Prediction Framework Based on Missing Value Imputation and Stacking Ensemble Method

Un cadre de prédiction des maladies liées au mode de vie basé sur l'imputation des valeurs manquantes et la méthode d'empilement d'ensembles

Résumé

Industrialized countries have come to the conclusion that numerous chronic non-communicable diseases are caused by lifestyle-related factors after completing numerous epidemiological studies on these conditions, and can be called lifestyle related diseases (LRDs). Obesity, high blood pressure, coronary heart disease and other cardiovascular diseases, stroke and other cerebrovascular diseases, diabetes, and several malignant tumors are among the diseases that are included. All of these conditions pose a major threat to people's lives and health and are challenging to treat with current medical technology.In this context, the prevention of lifestyle-related diseases is extremely important. Disease prediction facilitates early detection to improve the chances of positive health outcomes. Therefore, this study aims to propose a lifestyle related disease prediction framework based on missing value imputation and stacking ensemble method. Specifically, the application of information technology in the medical field is resulting in a large amount of medical data. However, due to early withdrawal and refusal of participants, there are a lot of missing values in medical data. We proposed an imputation method based on SMOTE-NC oversampling technology and the ALWRF method for imbalanced and mixed-type data, called SncALWRFI. Meanwhile, Bayesian optimization and cross-validation are employed to search optimal parameters. In the experiment for missing value imputation, the SncALWRFI shows the best imputation accuracy, and it performs high imputation effectiveness in public datasets with characteristics of data imbalance and mixed-type.Since prediction performance can be easily impacted by the presence of noise, we have to look for a good strategy to improve this situation. Noise may come from real patients and cannot be removed directly. Meanwhile, ensemble approaches are great way to lower variation, bias, and noise. Therefore, in order to increase prediction performance of lifestyle related diseases, we employ the stacking ensemble technology in our study. Specifically, in order to maximize the diversity and the accuracy of ensemble models simultaneously, we proposed a Multi-objective Iterative Model Selection (MoItMS) algorithm. Data was obtained from the National Health and Nutrition Examination Survey from 2007 to 2018. Our study utilized an imbalanced data set of 11,341 with (67.16\%) non-hypertensive patients, and (32.84\%) hypertensive patients. The results indicate a sensitivity of 51.41\%, a specificity of 70.48\%, accuracy of 76.62\% and a measured AUC (Area under the ROC Curve) of 0.84, which outperformed 12 individual and ensemble models. The proposed ensemble model can be implemented in applications to assist population health management programs in identifying patients with high risk of developing hypertension.The missing value module, feature selection module, and disease prediction module are the three main elements of the architecture we propose for LRDs prediction. In view of the large number of missing values in the data set related to lifestyle-related diseases, the missing value module uses a combination of deletion and imputation to deal with missing values. Since different lifestyle-related diseases have different relevant features, the feature selection module uses machine learning-based feature selection to find key features for lifestyle-related diseases. Finally, we use a scenario from a Chinese hospital to apply the suggested prediction framework. According to the experimental findings, the proposed prediction framework can also enhance LRD's prevention performance.
Les pays industrialisés sont arrivés à la conclusion que de nombreuses maladies chroniques non transmissibles sont causées par des facteurs liés au mode de vie après avoir réalisé de nombreuses études épidémiologiques sur ces conditions, et peuvent être appelées maladies liées au mode de vie (MRD). L'obésité, l'hypertension artérielle, les maladies coronariennes et autres maladies cardiovasculaires, les accidents vasculaires cérébraux et autres maladies cérébrovasculaires, le diabète et plusieurs tumeurs malignes font partie de ces maladies. Toutes ces conditions constituent une menace majeure pour la vie et la santé des personnes et sont difficiles à traiter avec la technologie médicale actuelle. Dans ce contexte, la prévention des maladies liées au mode de vie est extrêmement importante. La prévention des maladies facilite la détection précoce pour améliorer les chances de résultats positifs pour la santé. Par conséquent, cette étude vise à proposer un cadre de prédiction des maladies liées au mode de vie basé surl’imputation des valeurs manquantes et l’ensemble la méthode ensembliste. Plus précisément, l'application des technologies de l'information dans le domaine médical produit une grande quantité de données médicales. Cependant, à cause de certaines situations de la collecte de données, comme le retrait précoce et le refus des participants, il y a beaucoup de valeurs manquantes dans les données médicales. Nous avons proposé une méthode d'imputation basée sur la technologie de suréchantillonnage SMOTE-NC et la méthode ALWRF pour les données déséquilibrées et de type mixte, appelée SncALWRFI. Pendant ce temps, l'optimisation bayésienne et la validation croisée sont utilisées pour rechercher les paramètres optimaux. Dans l'imputation des valeurs manquantes, le SncALWRFI présente une meilleure précision d'imputation et réalise une efficacité d'imputation élevée pour l'ensemble des bases de données publiques avec des caractéristiques de déséquilibre et de type mixe. Étant donné que les performances de prédiction peuvent être facilement impactées par la présence de bruit dans les données, nous devons rechercher une bonne stratégie pour améliorer cette situation. Le bruit peut provenir de vrais patients et il ne peut être supprimé directement.Les approches d'ensemble sont un excellent moyen de réduire la variation, le biais et le bruit. Par conséquent, afin d'augmenter les performances de prédiction des maladies liées au mode de vie, nous utilisons la technologie d'approche ensembliste dans notre étude pour confronter au bruit des données. Plus précisément, afin de maximiser simultanément la diversité et la précision des modèles d'ensemble, nous avons proposé un algorithme multi-objectif de sélection itérative de modèles (MoItMS). Les données ont été obtenues à partir de l'enquête nationale sur la santé et la nutrition de 2007 à 2018. Notre étude a utilisé un ensemble de données déséquilibrées de 11 341 personnes avec (67,16\%) personnes non hypertendues et (32,84\%) patients hypertendus. Les résultats indiquent une sensibilité de 51,41 \%, une spécificité de 70,48 \%, une précision de 76,62 \% et une AUC mesurée à 0,84, ce qui a surpassé 12 modèles individuels et d'ensemble. Ce modèle peut être mis en œuvre dans des applications pour aider les programmes de santé publique à identifier les patients présentant un risque élevé de développer une hypertension.
Fichier principal
Vignette du fichier
these_internet_ren_l.pdf (16.71 Mo) Télécharger le fichier
resumefr_internet_ren_l_annexe.pdf (224.27 Ko) Télécharger le fichier
Origine Version validée par le jury (STAR)
Format Autre

Dates et versions

tel-04141212 , version 1 (26-06-2023)

Identifiants

  • HAL Id : tel-04141212 , version 1

Citer

Lijuan Ren. A Lifestyle Related Disease Prediction Framework Based on Missing Value Imputation and Stacking Ensemble Method. Computers and Society [cs.CY]. Université Lumière - Lyon II, 2023. English. ⟨NNT : 2023LYO20010⟩. ⟨tel-04141212⟩
92 Consultations
16 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More