بیماری‌های قلبی-عروقی (CVDs) یکی از علل اصلی مرگ‌ومیر در سراسر جهان محسوب می‌شوند. افزایش داده‌های پیچیده حاصل از ابزارهای تشخیصی مانند الکتروکاردیوگرام (ECG)، چالش‌های قابل توجهی را برای پزشکان ایجاد کرده که بر دقت تشخیص و سرعت درمان تأثیر می‌گذارد. یادگیری گروهی (EL) با ترکیب مدل‌های مختلف، عملکرد بهتری را در مدیریت CVD ها ارائه می‌دهد، اما تحقیقات محدودی به صورت سیستماتیک تکنیک‌های مختلف آن را مقایسه کرده‌اند. این پژوهش با استفاده از رویکرد فراترکیب، به بررسی کاربرد مدل‌های EL در ترکیب با مدل‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) می‌پردازد. هدف این مطالعه، دسته‌بندی مدل‌های EL در مدیریت CVD ها، ارزیابی عملکرد و کارایی آن‌ها در هر دسته، شناسایی مزایا و محدودیت‌ها و تحلیل نقش مهندسی ویژگی است. یافته‌های این فراترکیب نشان می‌دهد که کاربرد مدل‌های یادگیری در مدیریت CVD ها به چهار حوزه‌ی اصلی تقسیم می‌شود: پیش‌بینی، تشخیص، شناسایی و طبقه‌بندی. نتایج تأیید می‌کند که مدل‌های EL در تمام این چهار حوزه غالب هستند و کارایی آن‌ها با ادغام با تکنیک‌های ML و DL به طور قابل توجهی افزایش می‌یابد. در میان رویکردهای مختلف، مدل‌های جنگل تصادفی (RF) و الگوریتم‌های تقویت گرادیان مانند XGBoost، بیشترین فراوانی استفاده را داشته و به عنوان کارآمدترین و دقیق‌ترین مدل‌ها شناخته می‌شوند. این پژوهش با ارائه یک نمای کلی ساختاریافته، بینش‌های ارزشمندی را برای محققان و متخصصان بالینی فراهم می‌کند و چارچوبی برای به‌کارگیری مدل‌های ترکیبی جهت دستیابی به مدیریت دقیق‌تر و مؤثرتر بیماری‌های قلبی-عروقی ارائه می‌دهد.

کلمات کلیدی