病毒感染后心血管风险预测：基于随机森林的机器学习医疗诊断系统

印度KIIT大学的研究项目，使用随机森林算法构建机器学习模型，预测有病毒感染史患者的心血管疾病风险，准确率达90.6%，已发表于Springer Nature国际会议论文集。

• 原作者/维护者: Suchismita Sarkar (@suchismittaa)，Simran Kumari，Srishti Sawarna
• 机构: KIIT大学计算机工程学院，印度布巴内斯瓦尔
• 来源平台: GitHub
• 原始标题: Cardiovascular-Impact-of-Viral-Infection-Prediction
• 原始链接: https://github.com/suchismittaa/Cardiovascular-Impact-of-Viral-Infection-Prediction
• 论文发表: Springer Nature，第五届计算与通信网络国际会议(ICCCNet-2025)，英国曼彻斯特城市大学
• 发布时间: 2026年6月2日

心血管疾病(CVD)是全球主要死因之一。传统的心血管风险评估工具主要关注吸烟、糖尿病、高血压等已知风险因素，但往往忽视了一个重要因素：既往病毒感染对心血管系统的长期影响。

近年来的医学研究表明，某些病毒感染(如流感、新冠病毒等)可能在急性期过后仍对心血管系统造成持久影响，增加患者未来发生心血管事件的风险。然而，现有的临床诊断方法——血液检测、心电图和血清学检测——并未将病毒感染史纳入常规风险评估体系。

这一诊断空白导致许多高风险患者直到严重并发症出现后才被发现，错过了早期干预的最佳时机。

本研究旨在填补这一诊断空白，通过构建基于机器学习的预测模型，将病毒感染史与临床指标相结合，实现对有病毒感染史患者的心血管风险早期识别。

核心贡献：

• 首次将病毒感染史作为特征纳入心血管疾病预测模型
• 对比评估五种主流机器学习算法在该任务上的表现
• 实现90.6%的预测准确率，优于传统方法
• 提供可解释的风险评估框架，便于临床决策支持

研究使用heart.csv数据集，包含患者记录，涵盖病毒感染史和心血管健康指标。数据集经过严格的数据清洗、归一化和特征缩放处理。

模型输入特征包括：

• 人口统计学特征: 年龄
• 生理指标: 血压、胆固醇水平、心率
• 病史信息: 既往病毒感染史
• 其他临床指标: 相关实验室检查结果

1. 数据清洗: 处理缺失值和异常值
2. 特征归一化: 消除量纲差异，确保各特征在相同尺度上
3. 特征缩放: 使用标准化方法调整特征分布
4. 训练/测试划分: 确保模型泛化能力的合理数据分割

研究团队对比评估了五种主流机器学习算法：

算法	准确率	召回率	F1分数
随机森林 ⭐	0.906	0.844	0.879
逻辑回归	0.852	0.844	0.857
朴素贝叶斯	0.869	0.844	0.871
支持向量机	0.869	0.844	0.871
决策树	0.754	0.656	0.737