Ushbu tadqiqot yurak kasalligini prognozlashda klassik klinik maʼlumotlarning kvant holatlariga qanday kodlanishi model muvaffaqiyatini o‘zgartiradimi-yo‘qmi, shuni o‘rganadi. Tadqiqotchilar 918 bemorga oid 11 klinik va fiziologik xususiyatni o‘z ichiga olgan ochiq maʼlumotlar to‘plamini oldindan qayta ishlab, Principal Component Analysis (PCA) yordamida taxminan %90 umumiy dispersiyani saqlaydigan 9 komponentgacha kamaytirgan; so‘ng Angle Encoding (AE), Amplitude Encoding (AmE), Basis Encoding (BE), Pauli Encoding (PE) va ZZ Feature Map (ZZFM) bo‘lgan besh kvant xususiyat xaritasini QSVM, QKNN, QRF va VQC bo‘lgan to‘rt kvant klassifikatori bilan taqqoslagan. Besh qatlamli kross-validatsiyada eng yuqori umumiy aniqlik QSVM + AE kombinatsiyasida %90,26, sezgirlik %92,16, spetsifiklik %83,42, F1-skori %89,68 va ROC-AUC 0,93 deb bildirilgan. Shunga qaramay, natijalarning barchasi kvant simulyatorida olingan; tadqiqot real kvant apparatida yoki prospektiv klinik muhitda diagnostik tasdiqlash bermaydi.

Tadqiqotning muhim natijasi faqat qaysi klassifikator tanlangani emas, balki klassik klinik xususiyatlarning kvant holatiga qanday kodlanishi performansni katta darajada o‘zgartira olishidir. Masalan, QSVM AE bilan %90,26 aniqlikka erishar ekan, ayni klassifikator AmE bilan %79,89 ga tushadi; VQC esa AE bilan %43,48 aniqlik bersa, BE bilan %85,87 ga ko‘tariladi. Shu sababli kvant mashina o‘rganishi (Quantum Machine Learning, QML) baholashida “kvant model”ning o‘zi yetarli taʼrif emas; xususiyat xaritasi va klassifikator birgalikda baholanishi kerak.

Tadqiqotning asosiy savoli nima?

Tadqiqot markazidagi savol yurak kasalligiga oid klassik klinik o‘zgaruvchilarning turli kvant xususiyat xaritalari bilan ifodalanishi kvant klassifikatorlarining performansiga qanday taʼsir qilishidir. Tadqiqot ayniqsa besh kodlash texnikasi va to‘rt QML klassifikatorini bir xil umumiy ish oqimida taqqoslab, xususiyat kodlashining taʼsirini ko‘rinadigan qilishni maqsad qiladi.

Manba maʼlumotlar to‘plamida 918 bemor yozuvi, 11 kirish xususiyati va bitta ikkilik maqsad o‘zgaruvchisi mavjud. HeartDisease maqsadida 1 yurak kasalligi, 0 normal holat sifatida belgilangan.

Maʼlumotlar taqsimoti nimani ko‘rsatadi?

Tadqiqotning histogram va zichlik grafiklarida yosh taqsimoti asosan taxminan 40–65 yosh oralig‘ida jamlangani, RestingBP taxminan 130 mmHg atrofida va MaxHR taxminan 140–160 bpm atrofida jamlangani ko‘rinadi. Cholesterol va Oldpeak taqsimotlari o‘ngga og‘ishgan. Kategorik xususiyatlar kodlangandan keyin kutilgan diskret cho‘qqi tuzilmalari ko‘rinadi.

Violin grafiklarida ham yoshning asosan 50-li yoshlarda jamlangani, RestingBP ning katta qismi 120–150 mmHg atrofida joylashgani va Oldpeak o‘zgaruvchisining uzun musbat dumga ega ekani ko‘rinadi. Manba xolesterin o‘zgaruvchisida nolga yaqin kichik qiymatlar guruhi placeholder yoki chetki qiymat bo‘lishi mumkinligini bildiradi. Shunga qaramay, tadqiqotchilar bu qiymatlar PCA oldidan miqyoslash jarayoni bilan ko‘rib chiqilganini aytadi; maʼlumotlarning haqiqiyligi alohida klinik ravishda tasdiqlangani haqida tahlil taqdim etilmaydi.

Korrelyatsiyalar nima deydi?

Tadqiqotning Pearson korrelyatsiya issiqlik xaritasida HeartDisease maqsadi bilan eng yaqqol munosabatlardan baʼzilari ST_Slope uchun −0,56, ExerciseAngina uchun +0,49, Oldpeak uchun +0,40, MaxHR uchun −0,40, ChestPainType uchun −0,39, Sex uchun +0,31 va Age uchun +0,28 sifatida ko‘rsatiladi.

Bu koeffitsiyentlar maʼlumotlar to‘plamidagi chiziqli munosabatlarni ko‘rsatadi; ular yakka holda biror xususiyat yurak kasalligiga sabab bo‘lishini isbotlamaydi. Ayniqsa kategorik o‘zgaruvchilar label encoding orqali songa aylantirilgani uchun Pearson korrelyatsiya koeffitsiyentlarining klinik maʼnosi kodlash shaklidan mustaqil sababiy taʼsir sifatida talqin qilinmasligi kerak.

PCA nima uchun ishlatildi?

Principal Component Analysis ham hisoblash yukini kamaytirish, ham korrelyatsiyalangan boshlang‘ich o‘zgaruvchilarni kamroq sondagi ortogonal komponentlarga aylantirish maqsadida ishlatilgan. Tadqiqotning izohlangan dispersiya grafigiga ko‘ra, dastlabki 9 asosiy komponent umumiy dispersiyaning taxminan %90 ini saqlaydi. Shu sababli keyingi kvant kodlash va klassifikatsiya bosqichlarida to‘qqiz komponent ishlatilgan.

PCA bu yerda klinik o‘zgaruvchilarning bevosita talqin qilinishini kamaytirar ekan, kvant circuitlariga uzatiladigan o‘lchamni cheklaydi. Natijada modelning kvant qatlami endi bevosita “xolesterin”, “yosh” yoki “MaxHR” ustida emas, balki ularning chiziqli birikmalaridan tashkil topgan asosiy komponentlar ustida ishlaydi.

Besh kvant xususiyat xaritasi orasidagi farq nima?

Angle Encoding (AE) har bir klassik kirishni bir qubit aylanish burchagiga moslaydi. Manbada asosiy ifoda quyidagicha berilgan:

\[ |\psi_{AE}(x)\rangle=U_{AE}(x)|0\rangle^{\otimes n} \]

\[ U_{AE}(x)=\prod_{i=1}^{n}R_y(s(x_i)) \]

Bu yerda \(x_i\) klassik xususiyat qiymatini, \(s(\cdot)\) qiymatni mos burchak oralig‘iga miqyoslaydigan funksiyani, \(R_y\) esa Y o‘qi atrofidagi bitta-qubit aylanishini ifodalaydi. Circuitning asosiy gate murakkabligi tadqiqotda \(O(n)\) sifatida bayon qilingan. Tadqiqotning eng yuqori aniqligi shu kodlash bilan olingan.

Amplitude Encoding (AmE) xususiyatlarni qubitlarning aylanish burchaklari o‘rniga bevosita kvant holatining amplitudalariga joylashtiradi:

\[ |\psi_{AmE}(x)\rangle=\sum_{k=0}^{2^n-1}\alpha_k|k\rangle \]

Manbada \(0\leq k<d\) uchun \(\alpha_k=x_k/\|x\|_2\), qolgan holatlar uchun esa nol sifatida taʼriflanadi. AmE ning afzalligi ko‘proq klassik xususiyatlarni kamroq qubitning holat amplitudalarida ifodalay olishidir; kamchiligi esa umumiy state preparation amali hozirgi kvant apparatida qimmat bo‘lishi mumkinligidir.

Basis Encoding (BE) chegaralangan ikkilik xususiyat vektorini bevosita computational basis holatiga aylantiradi:

\[ |\psi_{BE}(b)\rangle= \left(\prod_{i=1}^{n}X_i^{b_i}\right) |0\rangle^{\otimes n} =|b_1b_2\ldots b_n\rangle \]

Bu yondashuv faqat X gatelarini talab qilgani uchun tadqiqotda juda sayoz va past xarajatli kodlash sifatida baholangan. Ammo uzluksiz xususiyatlarning ikkilik holga keltirilishi axborot yo‘qotishiga olib kelishi mumkin.

Pauli Encoding (PE) xususiyatlarni ketma-ket Pauli aylanishlari bilan kodlaydi:

\[ |\psi_{\mathrm{Pauli}}(x)\rangle= \left( \prod_{i=1}^{n} R_z(\theta_i^{(z)}) R_x(\theta_i^{(x)}) \right)|0\rangle^{\otimes n} \]

Bitta o‘qqa tayangan Angle Encoding ga nisbatan boyroq trigonometrik ifoda yaratishni maqsad qiladi. Tadqiqotda sayoz circuit xususiyatini katta darajada saqlagan holda oddiy qubitlararo munosabatlar qo‘shimcha entanglement qatlamlari bilan ifodalanishi mumkinligi qayd etiladi.

ZZ Feature Map (ZZFM) esa xususiyatlarning ham yakka, ham juft o‘zaro taʼsirlarini kvant fazasiga kodlaydi:

\[ |\psi_{ZZ}(x)\rangle= \exp\left( i\gamma_1\sum_{i=1}^{n}x_iZ_i+ i\gamma_2\sum_{1\leq i<j\leq n}x_ix_jZ_iZ_j \right) \]

Bu yerdagi \(x_ix_j\) ko‘paytma hadlari ikkinchi darajali xususiyat o‘zaro taʼsirlarining kvant holatiga bevosita uzatilishini taʼminlaydi. Buning bahosi esa AE va BE ga nisbatan ko‘proq entangling gate va yuqoriroq circuit xarajatidir.

QSVM qanday ishlaydi?

Quantum Support Vector Machine (QSVM) klassik SVM ning qaror mexanizmini saqlagan holda namunalar orasidagi o‘xshashlikni klassik kernel o‘rniga kvant holatlari orqali hisoblaydi. Tadqiqotda kvant kernel quyidagicha taʼriflangan:

\[ K(x,z)=|\langle\psi(x)|\psi(z)\rangle|^2 \]

Bu yerda ikki bemorning PCA dan keyingi xususiyatlari avval tanlangan kvant xususiyat xaritasi bilan \(|\psi(x)\rangle\) va \(|\psi(z)\rangle\) holatlariga kodlanadi. Kernel bu ikki holat orasidagi fidelity o‘xshashligidir. SVM qaror funksiyasi esa:

\[ f(x)=\operatorname{sign} \left( \sum_i \alpha_i y_iK(x_i,x)+b \right) \]

shaklidadir. Demak, tadqiqotdagi “kvant” hissasi asosan xususiyatlarning kvant fazosidagi ifodasidan va kernel hisobidan kelib chiqadi; yakuniy klassifikatsiya mantiqi klassik SVM doirasidan foydalanadi.

Boshqa kvant klassifikatorlari qanday qurilgan?

QKNN klassik K-nearest neighbor mantiqini saqlagan holda namunalar orasidagi yaqinlikni quantum-state fidelity bilan hisoblaydi. QRF klassik random forest g‘oyasini shallow variational quantum “trees” bilan bagging ansambliga aylantiradi. VQC esa tadqiqotda to‘qqiz qubit ustida bir variational qatlamdan foydalanadi; har bir qubitda \(R_Y\) va \(R_Z\) parametrik aylanishlaridan so‘ng chiziqli CNOT entanglement zanjiri qo‘llanadi.

Tadqiqot nimani qo‘llab-quvvatlaydi, nimani qo‘llab-quvvatlamaydi?

Qo‘llab-quvvatlaydigan natija: Bu maʼlumot va simulyatsiya sharoitlarida kvant xususiyat xaritasining tanlovi klassifikatsiya performansini sezilarli tarzda o‘zgartirgan; besh xususiyat xaritasi orasida AE bilan birlashtirilgan QSVM eng yuqori umumiy aniqlikni bergan. Baʼzi boshqa kombinatsiyalar esa turli mezonlarda oldinga chiqqan; masalan, QSVM+PE %97,06 sezgirlik, VQC+BE esa %89,02 spetsifiklik va %90,43 precision bildirgan.

Qo‘llab-quvvatlamaydigan natija: Tadqiqot kvant mashina o‘rganishi yurak kasalligi tashxisida klassik mashina o‘rganishidan umuman ustun ekanini isbotlamaydi. Tadqiqot real kvant apparatida bajarilmagan, prospektiv klinik tadqiqot emas, diagnostik qurilma tasdiqlashini o‘z ichiga olmaydi va olingan model klinik qaror qabul qilishda ishonch bilan ishlatilishi mumkinligini ko‘rsatmaydi.

Turkiya nuqtayi nazaridan nimani anglatadi?

Tadqiqot Turkiyada o‘tkazilmagan va Turkiyadagi bemor populyatsiyasiga xos maʼlumotlardan foydalanmaydi. Yosh taqsimoti, kasallik prevalensiyasi, klinik o‘lchov amaliyotlari va populyatsiya xususiyatlari o‘zgarishi mumkin bo‘lgani uchun bildirilgan performans qiymatlari Turkiyadagi sog‘liqni saqlash muassasalariga bevosita ko‘chirilmaydi. Turkiya kontekstida ishlatilishidan oldin mahalliy bemor maʼlumotlari ustida mustaqil tasdiqlash, kalibratsiya, klinik performans va xato tahlili talab qilinadi.

Tadqiqot Usuli va Natijalari

Boshidan oxirigacha tadqiqot oqimi

1. 918 bemor yozuvi va 11 klinik/fiziologik xususiyatni o‘z ichiga olgan maʼlumotlar to‘plami olindi.
2. Maʼlumotlarni tozalash bajarildi; kategorik o‘zgaruvchilar label encoding bilan sonlashtirildi.
3. Taqsimotlar histogram, density plot, violin plot va Pearson korrelyatsiya issiqlik xaritasi bilan tekshirildi.
4. PCA qo‘llandi va umumiy dispersiyaning taxminan %90 ini tushuntiradigan 9 asosiy komponent tanlandi.
5. Maʼlumotlar AE, AmE, BE, PE va ZZFM usullari bilan kvant holatlariga kodlandi.
6. QSVM, QKNN, QRF va VQC klassifikatorlari turli xususiyat xaritalari bilan baholandi.
7. Performans besh qatlamli kross-validatsiya orqali; accuracy, specificity, sensitivity, precision, F1-score, Cohen's kappa va ROC-AUC bo‘yicha o‘lchandi.
8. Eng yaxshi QSVM+AE modeli qo‘shimcha ravishda ikkinchi yurak kasalligi maʼlumotlar to‘plamida baholandi.

Besh xususiyat xaritasida qaysi kombinatsiya oldinga chiqdi?

Quyidagi qiymatlar manba tadqiqotdagi Jadval 3–7 va Shakl 13 da har bir kodlash yondashuvi uchun oldinga chiqqan konfiguratsiyalarni ko‘rsatadi. Qiymatlar ayni tadqiqotdagi natijalardan olingan bo‘lsa-da, har bir konfiguratsiyaning qaror geometriyasi turlicha; bitta performans metrikasi klinik ustunlikni yakka holda belgilamaydi.

Bu taqqoslashda QSVM + AE eng yuqori umumiy accuracy qiymatini bergan bo‘lsa, QSVM + PE ning sensitivity qiymati yuqoriroq. VQC + BE esa eng yuqori specificity va precision qiymatlaridan ayrimlarini beradi. Shuning uchun “eng yaxshi” taʼrifi tanlangan klinik xato xarajatiga qarab o‘zgarishi mumkin; masalan, kasallikni o‘tkazib yuborish va sog‘lom kishini noto‘g‘ri musbat tasniflashning taʼsirlari bir xil emas.

QSVM + AE ning besh qatlamli kross-validatsiyasi

Manbaning normallashtirilgan chalkashlik matritsasi kasallik bo‘lmagan sinfning taxminan %83 i va kasallik bo‘lgan sinfning taxminan %92 si to‘g‘ri tasniflanganini ko‘rsatadi. ROC grafigining AUC qiymati 0,93. Bu performans ayni maʼlumot va simulyatsiya ish oqimidagi sinflarni ajratish qobiliyatini ko‘rsatadi; klinik sezgirlik yoki spetsifiklik tasdig‘i sifatida talqin qilinmasligi kerak.

Klassik SVM bilan taqqoslanganda farq qancha?

Tadqiqotchilar yakuniy QSVM+AE modelini ayni baholash muhitidagi klassik SVM kernellari bilan ham taqqoslagan. Shakl 16 da aniqlik qiymatlari chiziqli SVM uchun %86,97, polinom kernel uchun %88,5, RBF kernel uchun %89,5 va QSVM uchun %90,26 sifatida berilgan.

Bu natija QML konfiguratsiyasi tadqiqotdagi eng kuchli klassik SVM versiyasidan son jihatdan yuqoriroq aniqlik berganini ko‘rsatadi. Biroq tadqiqot bu kichik performans farqi uchun statistik ahamiyatlilik testi yoki ishonch oralig‘iga asoslangan ustunlik tahlilini taqdim etmaydi. Shu sababli natija “kvant mashina o‘rganishi klassik usuldan umumiy ravishda ustundir” tarzida kengaytirilmaydi.

Ikkinchi maʼlumotlar to‘plamidagi tasdiqlash nimani ko‘rsatdi?

QSVM+AE modeli 1000 bemor yozuvi va 15 xususiyatni o‘z ichiga olgan boshqa bir yurak kasalligi maʼlumotlar to‘plamida ham baholangan. Tadqiqotning Shakl 17 sida ushbu tashqi baholash uchun accuracy 0,8969, specificity 0,8561, sensitivity 0,9118, precision 0,8884, F1-score 0,8999, kappa 0,7705 va AUC 0,9186 deb xabar qilinadi.

Ikkinchi maʼlumotlar to‘plamidagi performans model butunlay bitta boshlang‘ich maʼlumot bo‘linmasiga bog‘liq emasligini ko‘rsatuvchi qo‘shimcha testdir. Shunga qaramay, manbada bu tasdiqlash prospektiv klinik tadqiqot, turli shifoxonalardan mustaqil bemor kohortasi yoki real kvant apparati testi ekani bildirilmaydi.

Kvant circuit xarajatlari

Bu quvvat xarajatlari fizik kvant protsessorida o‘lchangan energiya isteʼmoli emas. Tadqiqotchilar barcha tajribalar simulyatsiyada bajarilganini va energiya baholashi faqat nisbiy, sifat xarakteridagi hisoblash xarajati ko‘rsatkichi ekanini aniq bildiradi.

Real kvant kompyuteri nega muhim keyingi test?

Simulyatorda mantiqiy qubitlar ideallashtirilgan sharoitlarda ishlatilishi mumkin. Fizik kvant apparatida esa qubit ulanish xaritasi, qo‘shimcha routing gatelari, transpilation, gate error, readout error, calibration o‘zgaruvchanligi va decoherence circuit xatti-harakatini o‘zgartirishi mumkin. Tadqiqotda bu taʼsirlarning hech biri benchmark ish oqimiga kiritilmagan.

Shu sababli AE, BE va PE circuitlarining “near-term hardware” nuqtayi nazaridan umidli ekani haqidagi baholash apparat o‘lchovi emas, circuit tuzilmasiga asoslangan sifatli xulosadir. Real NISQ apparatida ayni aniqliklar saqlanadimi-yo‘qmi, bu tadqiqot bilan aniqlanmagan.

Manba ichidagi muhim nomuvofiqliklar

Precision nomuvofiqligi: Xulosa QSVM+AE precision qiymatini %88,89 deb beradi. Bunga qarshi Jadval 3, Shakl 13 va besh qatlamli natijalarning o‘rtachasi 0,8739, yaʼni %87,39. Ikki qiymat ayni metrika uchun mos kelmaydi. Ushbu maqolada batafsil natija jadvallaridagi 0,8739 qiymati ishlatilgan, xulosa qiymati farqli ekani alohida qayd etilgan.

Qubit soni nomuvofiqligi: Amplitude Encoding izohi \(n=\lceil\log_2d\rceil\) qubit kerakligini aytar ekan, PCA dan keyin \(d=9\) xususiyat ishlatilmoqda. Bunga qarshi usul bo‘limi “ushbu tadqiqotda barcha tajribalarda 9 qubit ishlatilgan” degan ifodani o‘z ichiga oladi va darhol undan keyin 9 komponent “ko‘pchilik kodlash strategiyalarida” 9 qubitga moslanganini bildiradi. Tadqiqot AmE amalda aynan nechta qubit bilan bajarilganini bu ikki ifoda orasida ochiq ravishda muvofiqlashtirmaydi.

Umumiy ustunlik ifodasi: Xulosa natijalar klassik state-of-the-art usullardan ustun ekanini ifodalar ekan, maqolaning o‘z adabiyot taqqoslashida %97,06 va %99,96 aniqlik bildirgan avvalgi tadqiqotlar mavjud. Natija bo‘limida esa mualliflar ehtiyotkorroq tarzda topilmalar klassik ML ga nisbatan umumiy ustunlikning isboti sifatida talqin qilinmasligi kerakligini aniq bildiradi. Ilmiy talqin nuqtayi nazaridan ushbu ikkinchi chegara asos sifatida olinishi kerak.

Manba va Usul Haqida Izoh

To‘liq asl tadqiqot nomi: A Comparative Study of Quantum Feature Maps and Quantum Classifiers for Heart Disease Prediction

Mualliflar: Muhammad Minoar Hossain; Md. Hasibul Hassan Himal; Arslan Munir.

Teng birinchi/teng hissa: Manbada ko‘rsatilmagan.

Masʼul muallif: Arslan Munir.

Muassasalar: Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, Florida, AQSH; Department of Computer Science and Engineering, Bangladesh University, Dhaka, Bangladesh.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi; simulyatsiya asosidagi kvant mashina o‘rganishi va maʼlumotlar tahlili tadqiqotidir. Prospektiv klinik tadqiqot emas.

Jurnal: AI.

Nashriyot: MDPI, Basel, Shveytsariya.

Bibliografik yozuv: AI, 2026, 7(5), Maqola 180.

DOI: 10.3390/ai7050180.

Qabul qilinishi / reviziya / qabul / nashr: 25 Fevral 2026 / 16 May 2026 / 18 May 2026 / 21 May 2026.

Rasmiy nashr havolasi: DOI 10.3390/ai7050180 orqali MDPI ning rasmiy maqola yozuvi.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Etik kengash: Institutional Review Board Statement “Not applicable” sifatida bildirilgan.

Axborotli rozilik: “Not applicable” sifatida bildirilgan.

Maʼlumotlar mavjudligi: Asosiy yurak kasalligi maʼlumotlar to‘plami Kaggle da ochiq tarzda mavjud ekani bildiriladi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bayon qilgan.

Sunʼiy intellektdan foydalanish bayonoti: Mualliflar maqolaning turli bo‘limlaridagi inglizcha bayonning aniqligi va til sifatini yaxshilash maqsadida sunʼiy intellektga asoslangan suhbat yordamchilaridan foydalanganlarini va barcha mualliflar bu bayonotni ko‘rib chiqib tasdiqlaganini bildiradi.

Muallif hissalari: Konseptuallashtirish M.M.H. va A.M.; metodologiya M.M.H. va A.M.; tasdiqlash M.H.H.H. va A.M.; formal tahlil M.H.H.H. va A.M.; tadqiqot A.M. va M.M.H.; resurslar M.H.H.H. va A.M.; dastlabki qoralama M.H.H.H. va M.M.H.; ko‘rib chiqish va tahrirlash A.M. va M.H.H.H.; vizualizatsiya M.M.H.; maslahat A.M. tomonidan bajarilgan.

Ilmiy talqin chegarasi

Bu tadqiqot yurak kasalligi tashxisini qo‘yadigan klinik kvant qurilmaning baholashi emas. Ishlatilgan 918 yozuvli maʼlumotlar to‘plami va ikkinchi 1000 yozuvli maʼlumotlar to‘plami ustida bajarilgan hisoblashga asoslangan klassifikatsiya tajribasidir. Barcha kvant natijalari simulyator muhitidan keladi. Fizik qubitlar, real quantum backend, hardware noise, decoherence, coupling constraints, routing overhead va readout error bevosita test qilinmagan.

QSVM+AE ning %90,26 aniqligi va 0,93 AUC qiymati ushbu tadqiqotning maʼlumotlar to‘plami, preprocessing, PCA, quantum feature map va cross-validation sharoitlariga tegishli. Bu qiymatlar real bemorlarda %90,26 diagnostik muvaffaqiyat kafolati degani emas.

Ayniqsa tadqiqotning klassik RBF-SVM taqqoslashida QSVM foydasiga sonli farq ko‘rsatilgan bo‘lsa-da, bu farq uchun xabar qilingan statistik ustunlik testi mavjud emas. Demak, tadqiqot kvant mashina o‘rganishining klassik mashina o‘rganishiga nisbatan umumiy ustunligi isboti sifatida taqdim etilmasligi kerak.