Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Soluciones de aprendizaje automático integradas en una plataforma IoT de atención médica para la estratificación del riesgo de insuficiencia cardíaca
Created by
Haebom
Autor
Aiman Faiz, Anna Maria De Roberto, Claudio Pascarelli, Gianvito Mitrano, Gianluca Fimiani, Marina Garofano, Genoveffa Tortora, Mariangela Lazoi, Claudio Passino, Alessia Bramanti
Describir
Este artículo presenta un modelo predictivo basado en aprendizaje automático (AA) para identificar pacientes con riesgo de insuficiencia cardíaca crónica (IC). El modelo es un enfoque de aprendizaje conjunto con una técnica de apilamiento modificada que utiliza dos modelos expertos que aprovechan las características clínicas y ecocardiográficas, y un metamodelo que combina sus predicciones. Los resultados de la evaluación con un conjunto de datos reales muestran que identifica eficazmente a los pacientes con riesgo de IC, logrando una alta sensibilidad (95%) y una precisión moderada (84%). El modelo se utilizará para seleccionar participantes para el programa de monitorización remota del proyecto de investigación PrediHealth y supera a los modelos de referencia existentes.
Takeaways, Limitations
•
Takeaways:
◦
Estos resultados sugieren que los modelos de estratificación de riesgo basados en ML pueden servir como valiosas herramientas de apoyo a la toma de decisiones para ayudar en la identificación temprana y el tratamiento personalizado de pacientes con riesgo de insuficiencia cardíaca.
◦
Demuestra que se puede utilizar eficazmente en programas de monitorización remota como el proyecto PrediHealth.
◦
Al combinar características clínicas y ecocardiográficas, demostramos un rendimiento mejorado en comparación con los modelos existentes basados en características simples.
•
Limitations:
◦
La precisión (84%) puede considerarse moderada en algunos contextos de ML.
◦
Se necesita una mayor validación del tamaño y la generalización del conjunto de datos del estudio.
◦
Se necesitan evaluaciones de desempeño adicionales en diversos entornos y poblaciones.
