Uczenie maszynowe w diagnostyce ryzyka sercowo-naczyniowego

Dokładna kwantyfikacja ryzyka ASCVD jest niezbędna do wczesnego i skutecznego zarządzania ryzykiem sercowo-naczyniowym. Konwencjonalne modele opierają się wyłącznie na tradycyjnych czynnikach ryzyka (TRF). Często nie uwzględniają one nowszych nietradycyjnych zmiennych ryzyka co prowadzi do potencjalnego niedoszacowania lub przeszacowania ryzyka zwłaszcza w różnych populacjach etnicznych. Niniejsza książka przedstawia nowatorską strukturę opartą na uczeniu maszynowym (ML) która integruje TRF z nietradycyjnymi markerami ultrasonograficznymi takimi jak grubość błony wewnętrznej i środkowej tętnicy szyjnej (cIMT) oraz cechy blaszki miażdżycowej tętnicy szyjnej (cP) w celu zwiększenia dokładności predykcyjnej. Obejmuje opracowanie architektury diagnostycznej która wykorzystuje hybrydowe inteligentne modele zoptymalizowane przy użyciu różnych algorytmów metaheurystycznych. Wybrane ramy mają przewagę ze względu na możliwość uwzględnienia dodatkowych nowszych zmiennych ryzyka bez rekonstrukcji metodologicznej a tym samym przyczyniają się do rozwoju niezawodnych wydajnych i konfigurowalnych rozwiązań do przewidywania ryzyka ASCVD w warunkach publicznej opieki zdrowotnej.