Maschinelles Lernen in der kardiovaskulären Risikodiagnose

Eine genaue Quantifizierung des ASCVD-Risikos ist für ein frühzeitiges und wirksames kardiovaskuläres Risikomanagement unerlässlich. Herkömmliche Modelle stützen sich ausschließlich auf traditionelle Risikofaktoren (TRFs). Dabei werden neuere nicht-traditionelle Risikovariablen oft nicht berücksichtigt was zu einer potenziellen Unter- oder Überschätzung des Risikos führt insbesondere bei unterschiedlichen ethnischen Populationen. In diesem Buch wird ein neuartiges auf maschinellem Lernen (ML) basierendes System vorgestellt das TRFs mit nicht-traditionellen ultraschallbasierten Markern wie der Carotis-Intima-Media-Dicke (cIMT) und Carotis-Plaque (cP)-Merkmalen integriert um die Vorhersagegenauigkeit zu verbessern. Es umfasst die Entwicklung einer diagnostischen Architektur die hybride intelligente Modelle verwendet die mit verschiedenen meta-heuristischen Algorithmen optimiert werden. Der gewählte Rahmen hat den Vorteil dass zusätzliche neuere Risikovariablen ohne methodische Rekonstruktion einbezogen werden können und so zur Entwicklung zuverlässiger effizienter und anpassbarer Lösungen für die ASCVD-Risikovorhersage im öffentlichen Gesundheitswesen beitragen.