<\/p>\n
La fibrillazione atriale colpisce pi\u00f9 di 58 milioni di persone in tutto il mondo e aumenta fortemente il rischio di ictus. Tuttavia, gli strumenti attuali per valutare questo rischio, come i punteggi classici, rimangono poco precisi e non tengono conto delle interazioni complesse tra i diversi fattori di salute dei pazienti.<\/p>\n
Un team di ricercatori ha sviluppato nuovi modelli di intelligenza artificiale in grado di prevedere il rischio di ictus nell\u2019arco di un anno nei pazienti a cui \u00e8 stata recentemente diagnosticata la fibrillazione atriale. Questi modelli utilizzano esclusivamente informazioni facilmente disponibili: l\u2019et\u00e0, la storia clinica e i farmaci assunti dal paziente. A differenza dei metodi tradizionali, questi strumenti analizzano le relazioni sottili tra questi elementi per offrire una stima personalizzata e pi\u00f9 affidabile.<\/p>\n
I risultati sono convincenti. I due modelli testati, uno basato su un approccio statistico classico e l\u2019altro su una tecnica avanzata di apprendimento automatico, hanno dimostrato una capacit\u00e0 di distinguere i pazienti a rischio con una precisione ben superiore ai metodi esistenti. La loro performance \u00e8 stata validata su gruppi di pazienti vari, confermando la loro affidabilit\u00e0 in diversi contesti clinici. Inoltre, questi modelli consentono di regolare le soglie di rischio in base alle esigenze individuali, il che \u00e8 particolarmente utile per i pazienti anziani o con pi\u00f9 problemi di salute.<\/p>\n
Un altro vantaggio significativo \u00e8 la loro semplicit\u00e0 d\u2019uso. Non richiedono esami del sangue o imaging medico, spesso non disponibili al momento della diagnosi. Ci\u00f2 li rende accessibili nella pratica quotidiana degli ospedali. I ricercatori hanno anche verificato che questi strumenti funzionano altrettanto bene per gli uomini che per le donne, evitando cos\u00ec pregiudizi legati al sesso.<\/p>\n
A lungo termine, questi modelli aiutano anche a identificare i pazienti che trarrebbero il maggior beneficio da un trattamento anticoagulante. I dati mostrano che i pazienti classificati ad alto rischio da questi strumenti vedono il loro rischio di ictus diminuire in modo significativo se assumono questi farmaci, a differenza di quelli identificati con i metodi tradizionali.<\/p>\n
Questo progresso apre la strada a una medicina pi\u00f9 personalizzata. I medici potrebbero presto basarsi su queste previsioni per adattare i trattamenti in base al profilo unico di ogni paziente, riducendo cos\u00ec il numero di ictus evitabili e migliorando la gestione della fibrillazione atriale.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s41746-026-02470-3<\/a><\/p>\n Titre\u00a0:<\/strong> Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation<\/p>\n Revue : <\/strong> npj Digital Medicine<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai<\/p>\n","protected":false},"excerpt":{"rendered":" \u00c8 possibile prevedere meglio il rischio di ictus nei pazienti con fibrillazione atriale? La fibrillazione atriale colpisce pi\u00f9 di 58 milioni di persone in tutto il mondo e aumenta fortemente il rischio di ictus. Tuttavia, gli strumenti attuali per valutare questo rischio, come i punteggi classici, rimangono poco precisi e non tengono conto delle interazioni… Continua a leggere \u00c8 possibile prevedere meglio il rischio di ictus nei pazienti con fibrillazione atriale?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7,3,2],"tags":[],"class_list":["post-33","post","type-post","status-publish","format-standard","hentry","category-internazionale","category-salute","category-scienza-e-tecnologia","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/posts\/33","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/comments?post=33"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/posts\/33\/revisions"}],"predecessor-version":[{"id":34,"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/posts\/33\/revisions\/34"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/media?parent=33"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/categories?post=33"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/it\/wp-json\/wp\/v2\/tags?post=33"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}