Εφαρμογές μηχανικής μάθησης και υπολογιστικών μεθόδων στην πρόβλεψη της καρδιοαγγειακής αναδιαμόρφωσης

Περίληψη

Η μηχανική μάθηση (ΜΜ) είναι ένας γοργά αναπτυσσόμενος τομέας που πιθανόν να αλλάξει τον τρόπο με τον οποίο ασκούμε την καρδιολογική ιατρική, προσφέροντας νέα εργαλεία για την ερμηνεία των δεδομένων και τη λήψη αποφάσεων. Οι ψηφιακές εικόνες και τα βιοσήματα της καρδιάς δεν μπορουν να αναλυθούν με τις παραδοσιακές στατιστικές μεθόδους και χρειάζονται εφαρμογές της ΜΜ. Σε αυτήν την εργασία δείχνουμε ότι οι ταξινομητές ΜΜ που εκπαιδεύονται χρησιμοποιώντας ανθρωπομετρικά χαρακτηριστικά και χαρακτηριστικά που προέρχονται από το ηλεκτροκαρδιογράφημα (ΗΚΓ), μπορούν: (α) να ανιχνεύσουν την ανώμαλη γεωμετρίατης αριστερής κοιλίας, ακόμη και πριν την εμφάνιση υπερτροφίας της αριστερής κοιλίας, (β) να ανιχνεύσουν την υπέρταση σε πληθυσμούς χωρίς καρδιαγγειακή νόσο, χρησιμοποιώντας χαρακτηριστικά που προέρχονται από το ΗΚΓ 12 απαγωγών, και (γ) να ανιχνεύσουν την υπέρταση σε πληθυσμούς χωρίς καρδιαγγειακή νόσο, από το ΗΚΓ της μίας απαγωγής. Στην τελευταία περίπτωση, οι ταξινομητές θα μπορούσαν να ε ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Machine learning (ML) is a growing field poised to change the way we practice cardiovascular medicine, providing new tools for interpreting data and making decisions. Cardiac digital images or biosignals defy traditional statistical methods and require the deployment of ML. In this work we show that ML classifiers trained using anthropometric features and ECG-derived features, can: (a) detect abnormal left ventricular geometry, even before the onset of left ventricular hypertrophy; (b) detect hypertension using 12-lead-ECG-derived features; and (c) detect hypertension in populations without cardiovascular disease from single-lead-ECGs. The latter classifiers can be useful in raising awareness in people with undiagnosed hypertension. We then present a computational method to simulate the dynamics of action potential propagation using the three-variable Fenton-Karma model and account for both normal and damaged cells through spatially inhomogeneous voltage diffusion coefficient.

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/55500
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/55500
ND
55500
Εναλλακτικός τίτλος
Application of machine learning and computational methods in the prediction of cardiovascular remodeling
Συγγραφέας
Αγγελάκη, Ελένη (Πατρώνυμο: Εμμανουήλ)
Ημερομηνία
2023
Ίδρυμα
Πανεπιστήμιο Κρήτης. Σχολή Θετικών και Τεχνολογικών Επιστημών. Τμήμα Φυσικής
Εξεταστική επιτροπή
Τσιρώνης Γεώργιος
Μαρκέτου Μαρία
Ζέζας Ανδρέας
Κοχιαδάκης Γεώργιος
Κομίνης Ιωάννης
Μακρής Κωνσταντίνος
Λαγαρής Ισαάκ
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΦυσική ➨ Φυσική, διεπιστημονική προσέγγιση
Ιατρική και Επιστήμες ΥγείαςΆλλες Ιατρικές Επιστήμες ➨ Ιατρική έρευνα και Πειραματική ιατρική
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη; Μηχανική μάθηση; Κρήτη; Ηλεκτροκαρδιογράφημα; ΗΚΓ; Υπολογιστική φυσική; Καρδιολογία
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)