基于统计、机器学习、深度学习与量子神经网络的高血压预测模型比较研究

《Scientific Reports》：Predicting hypertension risk using machine learning, deep learning, and quantum neural network models: a comparative evaluation

　　

摘要

高血压是一个主要的公共卫生问题，也是心血管疾病的重要风险因素。早期识别高血压高风险患者有助于及时预防和临床评估。本研究使用巴基斯坦费萨尔阿巴德区总部医院 624 名患者的临床数据，开发并比较了用于高血压预测的统计、机器学习、深度学习和量子神经网络（QNN）模型。所提出的框架包括数据预处理、K 近邻插补、基于卡方的特征选择、特征缩放以及用于类别平衡的合成少数类过采样技术（SMOTE）。逻辑回归被用作统计参考，而 SVM、随机森林、XGBoost、朴素贝叶斯、ANN、带有 PCA 的 SVM、DNN 和 QNN 进行了评估。使用分层 10 折交叉验证来评估模型性能，指标包括准确率、F 值、AUC、精确率、召回率、特异性以及正确决策的最大概率（MPCD）。DNN 模型达到了最高的准确率（95.77%），而 QNN 达到了最高的 AUC（95.40%）、精确率（96.26%）和召回率（94.76%）。朴素贝叶斯显示准确率最低（83.40%）。QNN 被纳入为一个探索性的量子 - 经典混合方法，使用模拟量子电路，结果并不意味着相对于经典模型具有量子优势。总体而言，评估的模型在该研究人群中显示了令人满意的高血压分类预测性能。在考虑将其用于常规临床实践之前，需要使用独立人群、外部验证和前瞻性临床研究进行进一步评估。