Support vector machines classification for discriminating coronary heart disease patients from non-coronary heart disease / Clasificación con la máquina de vector de apoyo para diferenciar la cardiopatía coronaria de la cardiopatía no coronaria en los pacientes

ABSTRACT

OBJECTIVE: The present contribution concentrates on the application of support vector machines (SVM) for coronary heart disease and non-coronary heart disease classification. METHODS: We conducted many experiments with support vector machine and different variables of low-density lipoprotein cholesterol (LDLC), high-density lipoprotein cholesterol (HDLC), total cholesterol (TC), triglycerides (TG), glucose and age (dataset 346 patients with completed diagnostic procedures). Linear and non-linear classifiers were compared linear discriminant analysis (LDA) and SVM with a radial basis function (RBF) kernel as a non-linear technique. RESULTS: The prediction accuracy of training and test sets of SVM were 96.86% and 78.18% respectively, while the prediction accuracy of training and test sets of LDA were 90.57% and 72.73% respectively. The cross-validated prediction accuracy of SVM and LDA were 92.67% and 85.4%. CONCLUSION: Support vector machine can be used as a valid way for assisting diagnosis of coronary heart disease.

RESUMEN

OBJETIVO: El presente trabajo trata de la utilización de las máquinas de vector de apoyo a la hora de clasificar cardiopatías coronarias y cardiopatías no coronarias. MÉTODOS: Llevamos a cabo numerosos experimentos con máquinas de vector de apoyo y diferentes variables de colesterol de lipoproteínas de baja densidad (CLBD), colesterol de lipoproteínas de alta densidad (CLAD), colesterol total (TC), triglicéridos (TG), glucosa y edad de nuestro conjunto de datos (346 pacientes con procedimientos de diagnóstico completos). Se compararon los clasificadores lineales y no lineales el análisis lineal discriminante (ALD) y las máquinas de vector de apoyo (SVM) con un kernel de función de base radial (FBR) como técnica no lineal. RESULTADO: La exactitud de predicción del conjunto de pruebas y de entrenamientos de SVM fue 96.86% y 78.18% respectivamente, mientras que la exactitud de prediccin de los conjuntos de prueba y entrenamientos de ALD fue 90.57% y 72.73% respectivamente. La exactitud de predicción de SVM y ALD tras la validación cruzada fue 92.67% y 85.4%. CONCLUSIÓN: La máquina de vector de apoyo puede usarse como una forma válida de ayuda a la hora de realizar el diagnóstico de la cardiopatía coronaria.