基于决策树的冠状动脉疾病诊断：CART模型
Mohammad M. Ghiasi、Sohrab Zendehboudi、Ali Asghar Mohsenipour（2020年）
该研究发表在《计算机方法与生物医学项目》（Computers Methods and Programs in Biomedicine）第192卷，文章编号105400（2020年）。
研究人员开发了一种基于分类与回归树(CART)模型的诊断方法，用于冠状动脉疾病的精准识别。该模型通过分析患者的临床指标和风险因素，构建了清晰的决策路径，能够有效区分健康个体与冠状动脉疾病患者。
CART模型作为一种机器学习算法，在医疗诊断中展现出独特优势。研究团队收集了大量患者数据，包括年龄、性别、血压、胆固醇水平、心电图结果等关键指标，通过算法训练建立了诊断决策树。该模型能够识别出对疾病诊断最具影响力的变量组合，并生成易于临床医生理解和应用的决策规则。
研究结果表明，基于CART的诊断系统具有较高的灵敏度和特异性，能够辅助医生进行更准确的临床决策。与传统诊断方法相比，该模型减少了主观判断带来的误差，提高了诊断效率，特别适用于医疗资源有限的地区，可作为初步筛查工具使用。
这项研究为人工智能在心血管疾病诊断中的应用提供了实证支持，展示了机器学习技术如何与医学专业知识相结合，开发出既科学又实用的医疗辅助工具。未来研究将进一步优化模型性能，并探索将其整合到电子健康记录系统中的可行性。
【全文结束】
