Secondo uno studio pubblicato su Scientific Reports, un modello di intelligenza artificiale è in grado di prevedere l’importanza di alcuni fattori negli esiti dell’ipertensione del singolo paziente, permettendo un intervento personalizzato. “Dato che l’ipertensione è un importante fattore di rischio per molte malattie cardiovascolari, essa richiede metodi convenienti e affidabili per la prevenzione e l’intervento. Noi abbiamo progettato un sistema di previsione del rischio di visualizzazione basato su Machine Learning e un algoritmo SHAP per le intelligenze artificiali spiegabili, un approccio basato sulla teoria dei giochi, che permette di spiegare quanto un certo valore incide sull’output del modello come strumento ausiliario per la gestione sanitaria personalizzata dell’ipertensione”, afferma Jinsong Du, della Hangzhou Normal University, e dell’Affiliated Hospital of Hangzhou Normal University, Hangzhou, Cina, primo nome dello studio.

I ricercatori hanno utilizzato dieci algoritmi di machine learning noti come “foreste casuali” e 1.617 dati di controllo sanitario anonimi per creare dieci modelli di previsione del rischio di ipertensione. Le prestazioni dei modelli sono state valutate attraverso indicatori quali accuratezza, punteggio F1 e curva ROC. Gli esperti hanno poi utilizzato il modello più performante combinato con l’algoritmo SHAP per l’analisi dell’importanza delle funzionalità e hanno creato un sistema di previsione del rischio di visualizzazione sulla pagina web.

Il modello LightGMB ha mostrato le migliori prestazioni predittive e l’età, la fosfatasi alcalina e i trigliceridi sono state in tale modello caratteristiche importanti per prevedere il rischio di ipertensione.

“Gli utenti potranno ottenere la loro probabilità di rischio di ipertensione e determinare il focus dell’intervento necessario attraverso il sistema di visualizzazione integrato nella pagina web. La nostra ricerca aiuterà medici e pazienti a sviluppare programmi personalizzati di prevenzione e intervento per l’ipertensione basati su dati di controlli sanitari, che hanno un significato clinico e di salute pubblica” concludono gli autori.

Fonte:

Sci Rep. 2023 Nov 2;13(1):18953. doi: 10.1038/s41598-023-46281-y.

IT-NON-2024-00356