Heart Attack Kalkulator Laget


Greske forskere har utviklet en tilnærming til kunstig intelligens, rask og lett å regne ut risikoen for hjerteinfarkt. Legene kunne bruke deres system for å gi pasienter med en personlig risikofaktor og så gi råd om endringer i livsstil eller medisiner for å senke risikoen.

Det velkjent at faktorer av livsstil, inkludert depresjon, utdanning, røyking, kosthold og fedme, spille en rolle i risikoen for hjerte-og karsykdommer. Imidlertid har epidemiologer som studerer hvordan helserisiko varierer gjennom populasjoner ikke funnet en måte å ekstrapolere fra slike brede studier til individuelle risikonivåer.

Nå, Hara Kostakis av TEI Piraeus Research Centre, i Methonis, Hellas, og kolleger studert mønstre av kardiovaskulære risikofaktorer i en befolkning. De innhentet data fra nesten 1000 pasienter registrert i CARDIO 2000 som hadde vært innlagt på sykehus med de første symptomene på ACS, akutt koronarsyndrom. De spilte inn detaljer om kroppsmasseindeks, familiehistorie, fysisk aktivitet, høyt blodtrykk, ble høyt kolesterol og diabetes registrert. De deretter matchet data mot friske individer som en vitenskapelig kontroll.



I stedet for å bruke konvensjonelle metoder for statistisk analyse, forskerne lånt en tilnærming fra databransjen av kunstig intelligens, OLAP. Online analytical processing ble utviklet tidlig på 1990-tallet og har vært brukt hovedsakelig i industrielle og kommersielle programmer, for økonomisk analyse og markedsføring.

I utgangspunktet gir OLAP et flerdimensjonalt syn på data som gjør at mønstrene som skal identifiseres selv i store datasett som forblir usynlig selv for mer erfarne brukere av regneark. I en standard modell, salg, innkjøp, priser, kundebase, og andre økonomiske tiltak blir brukt, kolleger Kostakis 'ved Universitetet i Patras har tilpasset dette systemet i stedet for å akseptere risikofaktorer for hjertesykdom .

Teamet påpeker at studien CARDIO2000 utforsket sammenhengen mellom flere demografiske, ernæringsmessige, psykologiske, livsstil og medisinske risikofaktorer, men ikke nødvendigvis gi epidemiologer og leger med en måte å vise resultatene og så gi pasienter med en faktor personlig risiko basert på deres spesielle omstendigheter.

Kostakis og hans kolleger legge til at deres tilnærming fungerer mye raskere enn konvensjonell statistisk analyse avslører risikofaktorer og foreninger og gjør ingen av de skjulte forutsetninger standard tilnærminger for å vurdere risikoen for hjerteinfarkt.

"På grunn av den enkle bruken av metodikken, har en lege fordelen av lett identifisere høyrisikopasienter, er det bare å legge inn sine personlige data i modellen," forskerne konkluderer. De kan da gi råd sin pasient på livsstil og psykologisk. De kan også foreskrive mer hensiktsmessig avhengig av de spesifikke risikofaktorer.

0

Kommentarer - 0

Ingen kommentarer

Legg en kommentar

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Tegn igjen: 3000
captcha