Year: 2025
Type: dissertation
Abstract: Les malalties cardiovasculars (MCV) sovint són subestimades malgrat el seu profund impacte en la salut pública global, eclipsades per malalties més populars com el càncer. No obstant això, les malalties cardiovasculars són causa d'un gran nombre de defuncions i suposen importants despeses sanitàries, tal com indiquen les dades recents de l'American Heart Association. En concret, el 2022, les MCV van ser responsables de més de 940.000 morts només als Estats Units, amb una càrrega econòmica superior als 417.000 milions de dòlars, considerant tant costos directes com indirectes. Els avenços recents en aprenentatge automàtic i intel·ligència artificial (IA) ofereixen oportunitats significatives per millorar l'atenció sanitària a través de l'anàlisi predictiva, la robòtica, la detecció d'imatges i la generació de dades sintètiques. Aquesta tesi explora específicament l'anàlisi predictiva per comprendre millor i anticipar la probabilitat de patir malalties cardiovasculars. Fent servir dades originals obtingudes de primera mà, la investigació pretén avaluar i comparar diversos models predictius per determinar els més efectius, tenint en compte factors clau com els hàbits de salut bàsics (tabac, activitat física, nutrició, son, obesitat) i mètriques fonamentals de salut (colesterol, pressió arterial, nivells de glucosa i síndrome metabòlica). Desenvolupat en col·laboració amb la Dra. María Florencia Pollo-Cattaneo i el Dr. Parag Chatterjee del Grupo de Estudio en Metodologías de Ingeniería de Software (GEMIS), aquest treball aborda la necessitat urgent de disposar de mètodes de predicció precisos i fiables en la salut cardiovascular. Aprofitant dades originals d'alta qualitat i realitzant una avaluació rigorosa dels models predictius, aquest projecte vol fer una contribució significativa al camp de la salut cardiovascular, posant en valor el paper vital de l'aprenentatge automàtic per millorar els resultats clínics, anticipar i prevenir malalties i, en definitiva, salvar vides.
Author: Soler Trias, Àlex
Language: English
Subfield: Health Information Management
Field: Health Professions
Domain: Health Sciences
Keywords: cardiovascular disease, cardiovascular risk prediction, machine learning, artificial intelligence, health behavior, lifestyle factors, metabolic syndrome, blood pressure, cholesterol, blood glucose, obesity, sleep, physical activity, smoking, nutrition, model comparison, synthetic data generation, explainable AI, clinical decision support, health literacy
Open Access status: green
OpenAlex ID: W7113655603
