Aprendizagem automática no diagnóstico do risco cardiovascular

A quantificação exacta do risco de ASCVD é essencial para uma gestão precoce e eficaz do risco cardiovascular. Os modelos convencionais baseiam-se apenas nos factores de risco tradicionais (FRT). Muitas vezes estes não incorporam variáveis de risco mais recentes e não tradicionais levando a uma potencial subestimação ou sobrestimação do risco especialmente em populações étnicas diversas. Este livro apresenta uma nova estrutura baseada em aprendizagem automática (ML) que integra TRFs com marcadores não tradicionais baseados em ultra-sons como a espessura da íntima-média da carótida (cIMT) e caraterísticas da placa carotídea (cP) para melhorar a precisão preditiva. Abrange o desenvolvimento de uma arquitetura de diagnóstico que utiliza modelos inteligentes híbridos optimizados através de diferentes algoritmos meta-heurísticos. A estrutura escolhida tem a vantagem de poder incluir novas variáveis de risco adicionais sem reconstrução metodológica contribuindo assim para o desenvolvimento de soluções fiáveis eficientes e personalizáveis para a previsão do risco de ASCVD em contextos de cuidados de saúde públicos.