Heart failure disease prediction using enhanced multi-layer perceptron Frameworks

ABSTRACT

This research aims to build a predictive model for heart failure based on a multilayer perceptron (MLP) neural network, while improving its performance by incorporating the molecular swarm optimization (PSO) algorithm. Early detection of heart failure is crucial for reducing mortality rates, improving patient quality of life, and reducing the burden on healthcare systems. The model was applied to a medical dataset available on the Kaggle platform, containing 918 clinical records covering 12 key health variables, such as age, blood pressure, cholesterol, and fasting blood sugar.
A series of experiments were conducted using different split ratios between training and test data, ranging from 90:10 to 55:45, to examine the model's performance under various conditions. The results showed that the PSO-augmented model performed better than the baseline model in all scenarios, achieving the highest accuracy of 92.39% at the 90:10 ratio, while maintaining its superiority in precision, recall, and F1 rate. Even with a reduced training dataset, the model demonstrated good generalization ability and remarkable stability, confirming its effectiveness in predicting heart failure.
The analysis results also showed that the most influential predictive factors included ST-segment depression, resting blood pressure, and cholesterol levels. These results highlight the effectiveness of the proposed model as an aid in early diagnosis of the disease. The study recommends expanding the dataset size, improving feature quality, utilizing advanced optimization techniques such as PSO, and integrating the model with more sophisticated analysis methods to increase efficiency and accuracy. This study confirms the growing role of enhanced neural networks in the medical field and their impact on supporting early diagnosis systems, reducing disease complications, and improving the quality of healthcare services.

مستخلص البحث

يهدف هذا البحث إلى بناء نموذج تنبؤي لمرض قصور القلب بالاعتماد على الشبكة العصبية متعددة الطبقات (MLP)، مع تحسين أدائها من خلال دمج خوارزمية تحسين السرب الجزيئي (PSO). وتكمن أهمية الكشف المبكر عن قصور القلب في دوره الحيوي في خفض معدلات الوفيات، وتحسين حياة المرضى، وتقليل الضغط على نظم الرعاية الصحية. تم تطبيق النموذج على مجموعة بيانات طبية متاحة عبر منصة Kaggle، تحتوي على 918 سجلًا سريريًا تتضمن 12 متغيرًا صحيًا رئيسيًا، مثل العمر، ضغط الدم، الكوليسترول، وسكر الدم الصائم.
تم تنفيذ سلسلة من التجارب باستخدام نسب تقسيم مختلفة بين بيانات التدريب والاختبار، تراوحت من 90:10 إلى 55:45، بهدف دراسة أداء النموذج في ظروف متنوعة. وقد أظهرت النتائج أن النموذج المُعزز باستخدام PSO قدّم أداءً أفضل من النموذج الأساسي في كافة السيناريوهات، حيث سجّل أعلى دقة بلغت 92.39% عند نسبة 90:10، مع الحفاظ على تفوقه في مؤشرات الدقة (Precision)، الاستدعاء (Recall)، ومعدل F1. حتى في حالات تقليل نسبة بيانات التدريب، أظهر النموذج قدرة جيدة على التعميم وثباتًا ملحوظًا، مما يؤكد كفاءته في التنبؤ بحالات قصور القلب.
كما بيّنت نتائج التحليل أن العوامل الأكثر تأثيرًا في التنبؤ تشمل اكتئاب مقطع ST، ضغط الدم أثناء الراحة، ومستوى الكوليسترول. تُبرز هذه النتائج فعالية النموذج المقترح كأداة مساعدة في التشخيص المبكر للمرض. وتوصي الدراسة بالتوسع في حجم البيانات المستخدمة، وتحسين جودة السمات، والاستفادة من تقنيات تحسين متقدمة مثل PSO، إلى جانب دمج النموذج مع أساليب تحليل أكثر تطورًا لزيادة الكفاءة والدقة وتؤكد هذه الدراسة الدور المتنامي للشبكات العصبية المُحسّنة في المجال الطبي، وأثرها في دعم أنظمة التشخيص المبكر، والحد من مضاعفات الأمراض، والارتقاء بجودة خدمات الرعاية الصحية.

ABSTRAK

Penelitian ini bertujuan untuk membangun model prediktif untuk gagal jantung berdasarkan jaringan saraf multilayer perceptron (MLP), sekaligus meningkatkan kinerjanya dengan menggabungkan algoritma molecular swarm optimization (PSO). Deteksi dini gagal jantung sangat penting untuk mengurangi angka kematian, meningkatkan kualitas hidup pasien, dan mengurangi beban pada sistem perawatan kesehatan. Model ini diterapkan pada kumpulan data medis yang tersedia di platform Kaggle, yang berisi 918 catatan klinis yang mencakup 12 variabel kesehatan utama, seperti usia, tekanan darah, kolesterol, dan gula darah puasa.
Serangkaian eksperimen dilakukan menggunakan rasio split yang berbeda antara data pelatihan dan data uji, mulai dari 90:10 hingga 55:45, untuk memeriksa kinerja model dalam berbagai kondisi. Hasil penelitian menunjukkan bahwa model yang ditambah PSO berkinerja lebih baik daripada model dasar dalam semua skenario, mencapai akurasi tertinggi sebesar 92,39% pada rasio 90:10, sekaligus mempertahankan keunggulannya dalam presisi, recall, dan rasio F1. Bahkan dengan set data pelatihan yang diperkecil, model tersebut menunjukkan kemampuan generalisasi yang baik dan stabilitas yang luar biasa, yang menegaskan keefektifannya dalam memprediksi gagal jantung.
Hasil analisis juga menunjukkan bahwa faktor prediksi yang paling berpengaruh meliputi depresi segmen ST, tekanan darah saat istirahat, dan kadar kolesterol. Hasil ini menyoroti keefektifan model yang diusulkan sebagai alat bantu dalam diagnosis dini penyakit. Studi ini merekomendasikan perluasan ukuran set data, peningkatan kualitas fitur, pemanfaatan teknik pengoptimalan tingkat lanjut seperti PSO, dan pengintegrasian model dengan metode analisis yang lebih canggih untuk meningkatkan efisiensi dan akurasi. Studi ini menegaskan peran jaringan saraf yang semakin meningkat dalam bidang medis dan dampaknya dalam mendukung sistem diagnosis dini, mengurangi komplikasi penyakit, dan meningkatkan kualitas layanan kesehatan.