Aprendizaje automático en el diagnóstico del riesgo cardiovascular
-Modelo de predicción del riesgo aterosclerótico-CV basado en neuro-fuzzy utilizando marcadores de imagen US no tradicionales
Versandkostenfrei!
Versandfertig in 1-2 Wochen
63,99 €
inkl. MwSt.
PAYBACK Punkte
32 °P sammeln!
La cuantificación precisa del riesgo de ECVA es esencial para una gestión precoz y eficaz del riesgo cardiovascular. Los modelos convencionales se basan únicamente en los factores de riesgo tradicionales (FRT). A menudo no incorporan las nuevas variables de riesgo no tradicionales, lo que puede llevar a una subestimación o sobrestimación del riesgo, especialmente en poblaciones étnicas diversas. Este libro presenta un novedoso marco basado en el aprendizaje automático (ML) que integra los FRT con marcadores ecográficos no tradicionales, como el grosor íntima-media carotídeo (GIMC) y ...
La cuantificación precisa del riesgo de ECVA es esencial para una gestión precoz y eficaz del riesgo cardiovascular. Los modelos convencionales se basan únicamente en los factores de riesgo tradicionales (FRT). A menudo no incorporan las nuevas variables de riesgo no tradicionales, lo que puede llevar a una subestimación o sobrestimación del riesgo, especialmente en poblaciones étnicas diversas. Este libro presenta un novedoso marco basado en el aprendizaje automático (ML) que integra los FRT con marcadores ecográficos no tradicionales, como el grosor íntima-media carotídeo (GIMC) y las características de la placa carotídea (PC), para mejorar la precisión predictiva. Abarca el desarrollo de una arquitectura de diagnóstico que utiliza modelos inteligentes híbridos optimizados mediante diferentes algoritmos metaheurísticos. El marco elegido presenta la ventaja de poder incluir nuevas variables de riesgo adicionales sin necesidad de reconstrucción metodológica, contribuyendo así al desarrollo de soluciones fiables, eficientes y personalizables para la predicción del riesgo de ASCVD en entornos sanitarios públicos.
Andere Kunden interessierten sich für
