Maschinelles Lernen in der kardiovaskulären Risikodiagnose

Eine genaue Quantifizierung des ASCVD-Risikos ist f r ein fr hzeitiges und wirksames kardiovaskul res Risikomanagement unerl sslich. Herk mmliche Modelle st tzen sich ausschlie lich auf traditionelle Risikofaktoren (TRFs). Dabei werden neuere, nicht-traditionelle Risikovariablen oft nicht ber cksichtigt, was zu einer potenziellen Unter- oder bersch tzung des Risikos f hrt, 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 gew hlte Rahmen hat den Vorteil, dass zus tzliche neuere Risikovariablen ohne methodische Rekonstruktion einbezogen werden k nnen und so zur Entwicklung zuverl ssiger, effizienter und anpassbarer L sungen f r die ASCVD-Risikovorhersage im ffentlichen Gesundheitswesen beitragen.