Cardiomyopathy prediction in patients with permanent ventricular pacing using machine learning methods

Скорочена інформація про документ
dc.contributor.authorPerepeka, E. O.
dc.contributor.authorLazoryshynets, V. V.
dc.contributor.authorBabenko, V. O.
dc.contributor.authorDavydovych, I. V.
dc.contributor.authorNastenko, I. A.
dc.date.accessioned2024-12-05T13:19:48Z
dc.date.available2024-12-05T13:19:48Z
dc.date.issued2024
dc.description.abstractPacing-induced cardiomyopathy is a notable issue in patients needing permanent ventricular pacing. Identifying risk groups early and swiftly preventing the ailment can reduce patient harm. However, current prognostic methods require clarity. We employed machine learning to develop predictive models using medical data. Three algorithms — decision tree, group method of data handling, and logistic regression — formed models that forecast pacing-induced cardiomyopathy. These models displayed high accuracy in predicting development, signifying soundness. Factors like age, paced QRS width, pacing mode, and ventricular index during implantation significantly influenced predictions. Machine learning can enhance pacing-induced cardiomyopathy prediction in ventricular pacing patients, aiding medical practice and preventive strategies.
dc.description.abstractotherКардіоміопатія, спричинена кардіостимуляцією, є важливою проблемою для пацієнтів, які потребують постійної шлуночкової кардіостимуляції. Раннє виявлення груп ризику та швидка профілактика недуги можуть зменшити шкоду для пацієнтів. Однак сучасні методи прогнозування потребують доопрацювання. Застосовано машинне навчання для розроблення прогностичних моделей на основі медичних даних. Три алгоритми — дерево рішень, група оброблення даних та логістична регресія — сформували моделі, які прогнозують кардіоміопатію, спричинену кардіостимуляцією. Ці моделі показали високу точність у прогнозуванні розвитку, що свідчить про їх надійність. Ключові фактори, такі як вік, ширина QRS, режим кардіостимуляції та шлуночковий індекс під час імплантації, суттєво впливали на прогнози. Машинне навчання може покращити прогнозування кардіоміопатії, спричиненої кардіостимуляцією, у пацієнтів, які перебувають на шлуночковій електрокардіостимуляції, допомагаючи медичній практиці та профілактичним стратегіям.
dc.format.pagerangeС. 33-41
dc.identifier.citationCardiomyopathy prediction in patients with permanent ventricular pacing using machine learning methods / Perepeka E. O., Lazoryshynets V. V., Babenko V. O., Davydovych I. V., Nastenko I. A. // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2024. – № 1. – С. 33-41. – Бібліогр.: 29 назв.
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2024.1.03
dc.identifier.orcid0000-0001-9755-8825
dc.identifier.orcid0000-0002-1748-561X
dc.identifier.orcid0000-0002-8433-3878
dc.identifier.orcid0000-0001-9987-8267
dc.identifier.orcid0000-0002-1076-9337
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/71021
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.sourceСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 1
dc.subjectpermanent ventricular pacing
dc.subjectrisk factors
dc.subjectartificial intelligence
dc.subjectforecasting
dc.subjectmachine learning
dc.subjectпостійне ритмоведення шлуночків
dc.subjectфактори ризику
dc.subjectштучний інтелект
dc.subjectпрогнозування
dc.subjectмашинне навчання
dc.subject.udc004.852 + 616.12-07
dc.titleCardiomyopathy prediction in patients with permanent ventricular pacing using machine learning methods
dc.title.alternativeПрогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
33-41.pdf
Розмір:
218.4 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 1