Andere Kunden interessierten sich auch für
![Python als Kernstück: Maschinelles Lernen und mehr]( "Python als Kernstück: Maschinelles Lernen und mehr")
Python als Kernstück: Maschinelles Lernen und mehr43,90 €![Maschinelles Lernen für mikroökonomische Vorhersagen]( "Maschinelles Lernen für mikroökonomische Vorhersagen")
Maschinelles Lernen für mikroökonomische Vorhersagen43,90 €![Maschinelles Lernen für Anfänger'.]( "Maschinelles Lernen für Anfänger'.")
Maschinelles Lernen für Anfänger'.43,90 €![Maschinelles Lernen für SE: Techniken, Tools und Anwendungen]( "Maschinelles Lernen für SE: Techniken, Tools und Anwendungen")
Maschinelles Lernen für SE: Techniken, Tools und Anwendungen43,90 €![Überbrückung der Lücke - Maschinelles Lernen im Gesundheitswesen]( "Überbrückung der Lücke - Maschinelles Lernen im Gesundheitswesen")
Überbrückung der Lücke - Maschinelles Lernen im Gesundheitswesen43,90 €![Maschinelles Lernen für das Gesundheitswesen]( "Maschinelles Lernen für das Gesundheitswesen")
Maschinelles Lernen für das Gesundheitswesen43,90 €![Maschinelles Lernen und seine Anwendungen in der Landwirtschaft]( "Maschinelles Lernen und seine Anwendungen in der Landwirtschaft")
Maschinelles Lernen und seine Anwendungen in der Landwirtschaft45,90 €
Eine genaue Quantifizierung des ASCVD-Risikos ist für ein frühzeitiges und wirksames kardiovaskuläres Risikomanagement unerlässlich. Herkömmliche Modelle stützen sich ausschließlich auf traditionelle Risikofaktoren (TRFs). Dabei werden neuere, nicht-traditionelle Risikovariablen oft nicht berücksichtigt, was zu einer potenziellen Unter- oder Überschätzung des Risikos führt, 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 gewählte Rahmen hat den Vorteil, dass zusätzliche neuere Risikovariablen ohne methodische Rekonstruktion einbezogen werden können und so zur Entwicklung zuverlässiger, effizienter und anpassbarer Lösungen für die ASCVD-Risikovorhersage im öffentlichen Gesundheitswesen beitragen.