본 논문은 의료 자원과 진단 시설이 부족한 지역에서 심각한 문제가 되는 심장병 진단 및 위험 예측을 위한 종합적인 머신러닝 기반 프레임워크를 제안한다. 1035개의 심장병 데이터셋에 SMOTE 기법을 활용하여 10만개의 합성 데이터를 생성하여 클래스 불균형 문제를 해결하였다. 분류 모델(Random Forest)과 회귀 모델(Linear Regression)을 적용하여 평가하였으며, Random Forest는 실제 데이터에서 97.2%, 합성 데이터에서 97.6%의 정확도를 달성하였고, Linear Regression은 실제 및 합성 데이터에서 각각 0.992, 0.984의 높은 R2 값과 낮은 오차 지표를 보였다. 설명 가능한 AI 기법을 사용하여 모델의 해석력을 높였다. 이 연구는 머신러닝을 통한 심장병 진단 및 위험 예측의 혁신적인 가능성을 강조하며, 조기 개입 및 임상 의사결정 개선에 기여할 수 있음을 시사한다.
