Read more
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.
About the author
Dr. Paulin Paul ist derzeit Assistenzprofessor in der Abteilung für MCA am Amal Jyothi College of Engineering, Kanjirapally, Kerala, Indien.Dr. Dr. Priestly B Shan, Vizekanzler an der Alliance University, Banglore, Karnataka, Indien.Dr. Babymol Kurian, außerordentlicher Professor am KCG College of Technology, Chennai, Tamil Nadu, Indien.
