Сравнительный анализ квантовых моделей в прогнозе сердечно-сосудистых заболеваний

Abstract

В данной работе анализируются два подхода к прогнозу сердечно-сосудистых заболеваний, которые имеют постановку задачи в форме бинарной классификации на одном и том же бенчмарке Cleveland и имеют целью выявить преимущества квантовых вычислений перед традиционными классификаторами. Это - гибридный квантовый случайный лес (HQNN, HQRF) для прогнозирования развития ишемической болезни сердца на ранних стадиях и объяснимый прогноз сердечно-сосудистых заболеваний ансамблево-квантового обучения Bagging-QSVC. В первом подходе используются различные методы выбора признаков, которые в обычно требуют больших вычислительных усилий, в то время как модель HQRF и более ранняя модель HQNN являются высокоскоростными алгоритмами в силу природы квантовых вычислений. Численные результаты показывают, что HQRF больше подходит для небольших наборов данных, в то время как HQNN лучше подходит для больших наборов данных. Во втором подходе модель Bagging-QSVC в качестве базового классификатора использует квантовый классификатор опорных векторов. Результаты работы модели объясняются через важность вклада каждого отдельного признака помощью алгоритма Shaply (SHAP). Сравнительные исследование других квантовых классификаторов, на бенчмарке Cleveland показывают превосходство Bagging-QSVC с точностью 90,16%. Из этого следует, что классификаторы квантового машинного обучения эффективнее классификаторов классического машинного обучения предсказывают заболевания сердечно-сосудистой системы.

More by Fatima Adilova

• Graph-based density-variation outlier removal for chronic disease prediction: A leakage-free benchmark and component-wise ablationResults in Engineering · 2026
• Monotonic System Framework for Globally Optimal Structuring of Complex Data2026
• Boosting LLM Adaptation: Superior Stability and Convergence via OLoRA+ Across Diverse NLP BenchmarksInternational Siberian workshops and tutorials on electron devices and materials · 2026
• Генерации графов заданной структуры: от глубоких нейронных сетей к квантовым моделям (на примере создания новых лекарств)Problems of Computational and Applied Mathematics · 2026