相关实验视频
Updated: Jul 6, 2025
03:40
Three-Dimensional Printing of a Complex Aortic Anomaly
Published on: November 1, 2018
6.7K
使用心脏CT和临床数据进行风险分层和识别上升性大动脉维度相关子组的无监督机器学习
Mario Zanfardino1, Bruna Punzo1, Erica Maffei2
1IRCCS Synlab SDN, Naples, 80143, Italy.
Computational and structural biotechnology journal
|January 4, 2024
概括
无监督机器学习确定了四个患者子组,具有不同的临床特征和大动脉尺寸. 这种方法提高了精确的人口健康和冠状动脉疾病风险评估.
科学领域:
- 心血管研究的心血管研究.
- 精准医学是一门精准的医学.
- 在医疗保健中的数据科学.
背景情况:
- 精确的人口健康利用患者数据进行有针对性的预防和护理.
- 机器学习 (ML) 可以从各种数据源中识别患者子组.
- 冠状动脉疾病 (CAD) 风险评估从子组识别中获益.
研究的目的:
- 评估无监督机器学习 (UML) 用于识别怀疑CAD的临床显著患者子组.
- 为了确定UML是否能在这些子组内揭示出明显的主动脉尺寸范围.
- 探索UML在异质数据解释中的实用性,以获得临床见解.
主要方法:
- 使用基于森林的随机集群分析.
- 包括来自1170名参与者的14个变量 (717名男性,453名女性).
- 在临床数据上应用无监督集群.
主要成果:
- 根据临床特征成功确定了四个不同的患者子组.
- 在已识别的子组中显示出不同的大动脉尺寸范围.
- 展示了UML解释异质患者数据的能力.
结论:
- UML有效地揭示了临床相关的患者子组.
- 这种方法有助于量身定制的风险评估和大动脉尺寸的解释.
- 灵活的UML算法增强了精确的人口健康策略.
更多相关视频
06:59Improved Registration of 3D CT Angiography with X-ray Fluoroscopy for Image Fusion During Transcatheter Aortic Valve Implantation
Published on: June 3, 2018
10.6K
09:57Development and Evaluation of 3D-Printed Cardiovascular Phantoms for Interventional Planning and Training
Published on: January 18, 2021
4.1K
