L'apprentissage automatique dans le diagnostic du risque cardiovasculaire

Une quantification précise du risque de maladie cardiovasculaire aiguë est essentielle pour une gestion précoce et efficace du risque cardiovasculaire. Les modèles conventionnels s'appuient uniquement sur les facteurs de risque traditionnels (FRT). Souvent ils n'intègrent pas les nouvelles variables de risque non traditionnelles ce qui entraîne une sous-estimation ou une surestimation potentielle du risque en particulier dans les diverses populations ethniques. Ce livre présente un nouveau cadre basé sur l'apprentissage automatique qui intègre les FRT avec des marqueurs échographiques non traditionnels tels que l'épaisseur intima-média de la carotide (cIMT) et les caractéristiques de la plaque carotide (cP) afin d'améliorer la précision prédictive. Il couvre le développement d'une architecture de diagnostic qui utilise des modèles intelligents hybrides optimisés à l'aide de différents algorithmes méta-heuristiques. Le cadre choisi présente l'avantage de pouvoir inclure de nouvelles variables de risque supplémentaires sans reconstruction méthodologique et de contribuer ainsi au développement de solutions fiables efficaces et personnalisables pour la prédiction du risque de maladies cardiovasculaires dans les établissements de santé publique.