HyCARD-Net: Hybrid-Intelligenz-Framework verbessert Herz‑Kreislauf‑Diagnose

Herz‑ und Kreislauf‑Erkrankungen bleiben weltweit die häufigste Todesursache, was die dringende Notwendigkeit intelligenter, datenbasierter Diagnosewerkzeuge unterstreicht. Traditionelle Vorhersagemodelle haben oft Schwierigkeiten, sich über heterogene Datensätze und komplexe physiologische Muster hinweg zu verallgemeinern. Um diesem Problem zu begegnen, wurde ein hybrides Ensemble‑Framework entwickelt, das tiefe Lernarchitekturen – Convolutional Neural Networks (CNN) und Long Short-Term Memory (LSTM) – mit klassischen Machine‑Learning‑Algorithmen wie K‑Nearest Neighbor (KNN) und Extreme Gradient Boosting (XGB) kombiniert. Durch ein Abstimmungs‑Voting‑Verfahren verbindet das System die Repräsentationskraft von Deep‑Netzwerken mit der Interpretierbarkeit und Effizienz traditioneller Modelle.

In Experimenten an zwei öffentlich zugänglichen Kaggle‑Datensätzen erzielte das Modell beeindruckende Ergebnisse: 82,30 % Genauigkeit bei Datensatz I und 97,10 % bei Datensatz II. Darüber hinaus wurden konsistente Verbesserungen in Präzision, Recall und F1‑Score beobachtet, was die Robustheit und klinische Relevanz hybrider KI‑Ansätze für die Vorhersage von Herz‑Kreislauf‑Erkrankungen unterstreicht. Diese Erkenntnisse zeigen das enorme Potenzial, frühzeitige Diagnosen zu ermöglichen und die Behandlung von nichtübertragbaren Krankheiten zu optimieren.

Die Studie trägt zudem direkt zur Erreichung des UN‑Ziels 3 „Gesundheit und Wohlergehen“ bei, indem sie innovative, datengetriebene Lösungen für die frühzeitige Erkennung, Prävention und das Management von Herz‑Kreislauf‑Erkrankungen fördert.