Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Giải pháp học máy tích hợp trong nền tảng chăm sóc sức khỏe IoT để phân tầng nguy cơ suy tim
Created by
Haebom
Tác giả
Aiman Faiz, Anna Maria De Roberto, Claudio Pascarelli, Gianvito Mitrano, Gianluca Fimiani, Marina Garofano, Genoveffa Tortora, Mariangela Lazoi, Claudio Passino, Alessia Bramanti
Phác thảo
Bài báo này trình bày một mô hình dự đoán dựa trên học máy (ML) để xác định bệnh nhân có nguy cơ suy tim mạn tính (HF). Mô hình này là một phương pháp học tập tổng hợp với kỹ thuật xếp chồng được sửa đổi, sử dụng hai mô hình chuyên gia tận dụng các đặc điểm lâm sàng và siêu âm tim, cùng một siêu mô hình kết hợp các dự đoán của chúng. Kết quả đánh giá sử dụng tập dữ liệu thực tế cho thấy mô hình này xác định hiệu quả bệnh nhân có nguy cơ suy tim, đạt độ nhạy cao (95%) và độ chính xác trung bình (84%). Mô hình sẽ được sử dụng để lựa chọn người tham gia chương trình theo dõi từ xa của dự án nghiên cứu PrediHealth, và vượt trội hơn các mô hình cơ sở hiện có.
Takeaways, Limitations
•
Takeaways:
◦
Những kết quả này cho thấy các mô hình phân tầng rủi ro dựa trên ML có thể đóng vai trò là công cụ hỗ trợ quyết định có giá trị để giúp xác định sớm và quản lý cá nhân hóa những bệnh nhân có nguy cơ suy tim.
◦
ĐIều này cho thấy công nghệ này có thể được sử dụng hiệu quả trong các chương trình giám sát từ xa như dự án PrediHealth.
◦
Kết hợp các tính năng lâm sàng và siêu âm, chúng tôi chứng minh hiệu suất được cải thiện so với các mô hình dựa trên tính năng đơn giản hiện có.
•
Limitations:
◦
Độ Chính xác (84%) có thể được coi là trung bình trong một số bối cảnh ML.
◦
Cần phải xác nhận thêm về quy mô và khả năng khái quát hóa của tập dữ liệu nghiên cứu.
◦
Cần có thêm các đánh giá hiệu suất trong nhiều môi trường và quần thể khác nhau.
