Ilustración del algoritmo de la máquina de vectores de soporte (SVM). Los círculos y triángulos negros indican individuos no afectados y pacientes con CVD, respectivamente. R: Las personas normales y los pacientes con ECV son linealmente separables. B: Las personas normales y los pacientes con ECV son separables de forma no lineal. C: Las personas normales y los pacientes con ECV se mapean en un espacio de alta dimensión y se separan por una superficie de decisión. Crédito: Innovaciones y aplicaciones cardiovasculares (2023). DOI: 10.15212/CVIA.2023.0011
La enfermedad cardiovascular (ECV) es una de las principales causas de muerte en todo el mundo y se necesitan respuestas urgentes en muchos aspectos, en particular la identificación del riesgo y la predicción del pronóstico. Los estudios del mundo real con un gran número de observaciones proporcionan una base importante para la investigación de ECV, pero están limitados por la alta dimensionalidad y la falta de datos o la falta de estructura.
Los métodos de aprendizaje automático (ML), que incluyen una variedad de algoritmos supervisados y no supervisados, son útiles para el gobierno de datos y son efectivos para el análisis e imputación de datos de alta dimensión en estudios del mundo real. Este artículo revisa la teoría, las fortalezas y limitaciones, y las aplicaciones de varios métodos de ML comúnmente utilizados en el campo de CVD, para proporcionar una referencia para futuras aplicaciones.
Este artículo presenta el origen, el propósito, la teoría, las ventajas y las limitaciones, y las aplicaciones de varios algoritmos de ML de uso común, incluidos el agrupamiento jerárquico y de k-medias, el análisis de componentes principales, el bosque aleatorio, la máquina de vectores de soporte y las redes neuronales. Un ejemplo utiliza un bosque aleatorio en los datos del Ensayo de intervención de presión arterial sistólica (SPRINT) para demostrar el proceso y los resultados principales de la aplicación de ML en ECV.
Los métodos de aprendizaje automático son herramientas eficaces para producir evidencia del mundo real para respaldar las decisiones clínicas y satisfacer las necesidades clínicas. Esta revisión explica los principios de múltiples métodos de ML en un lenguaje sencillo, a fin de proporcionar una referencia para futuras aplicaciones. Se justifica la investigación futura para desarrollar métodos precisos de aprendizaje de conjuntos para una amplia aplicación en el campo médico.
El estudio se publica en la revista Innovaciones y aplicaciones cardiovasculares.
Más información:
Jiawei Zhou et al, Métodos de aprendizaje automático en estudios del mundo real de enfermedades cardiovasculares, Innovaciones y aplicaciones cardiovasculares (2023). DOI: 10.15212/CVIA.2023.0011
Proporcionado por Compuscript Ltd
Citación: Métodos de aprendizaje automático en estudios del mundo real de enfermedades cardiovasculares (24 de marzo de 2023) recuperado el 27 de marzo de 2023 de https://medicalxpress.com/news/2023-03-machine-methods-real-world-cardiovascular-disease.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
