Overview

Dokladna kwantyfikacja ryzyka ASCVD jest niezbędna do wczesnego i skutecznego zarządzania ryzykiem sercowo-naczyniowym. Konwencjonalne modele opierają się wylącznie na tradycyjnych czynnikach ryzyka (TRF). Często nie uwzględniają one nowszych, nietradycyjnych zmiennych ryzyka, co prowadzi do potencjalnego niedoszacowania lub przeszacowania ryzyka, zwlaszcza w różnych populacjach etnicznych. Niniejsza książka przedstawia nowatorską strukturę opartą na uczeniu maszynowym (ML), która integruje TRF z nietradycyjnymi markerami ultrasonograficznymi, takimi jak grubośc blony wewnętrznej i środkowej tętnicy szyjnej (cIMT) oraz cechy blaszki miażdżycowej tętnicy szyjnej (cP), w celu zwiększenia dokladności predykcyjnej. Obejmuje opracowanie architektury diagnostycznej, która wykorzystuje hybrydowe inteligentne modele zoptymalizowane przy użyciu różnych algorytmów metaheurystycznych. Wybrane ramy mają przewagę ze względu na możliwośc 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.