This thesis investigates the integration of Explainable Artificial Intelligence (XAI) techniques into heart disease prediction using database solutions. The primary focus is on comparing the performance and feasibility of local MySQL databases and cloud-based Azure MySQL databases for handling large datasets and providing reliable predictions. The study implements R Shiny for the user interface, ensuring transparency and user-friendliness. Benchmark tests reveal that Azure MySQL outperforms local MySQL in terms of efficiency and scalability. The findings suggest that cloud-based solutions are more suitable for large-scale healthcare applications, offering enhanced performance and better handling of concurrent operations. This project contributes to the field of personalized medicine by demonstrating the practical application of advanced AI and database technologies in predicting heart disease.

Denna avhandling undersöker integrationen av Explainable Artificial Intelligence (XAI)-tekniker i förutsägelser av hjärtsjukdomar med hjälp av databaslösningar. Det primära fokuset ligger på att jämföra prestanda och genomförbarhet för lokala MySQL-databaser och molnbaserade Azure MySQL-databaser för att hantera stora datamängder och tillhandahålla tillförlitliga förutsägelser. Studien implementerar R Shiny för användargränssnittet, vilket säkerställer transparens och användarvänlighet. Benchmark-tester visar att Azure MySQL överträffar lokala MySQL när det gäller effektivitet och skalbarhet. Resultaten tyder på att molnbaserade lösningar är mer lämpade för storskaliga tillämpningar inom hälsovård, och erbjuder förbättrad prestanda och bättre hantering av samtidiga operationer. Detta projekt bidrar till personaliserad sjukvård genom att demonstrera den praktiska tillämpningen av avancerad AI och databasteknik för att förutsäga hjärtsjukdomar.