Login
- Originaltitel:
- Ereigniszeitanalyse mit Methoden des Machine Learning bei der CT-gestützten Koronarangiographie an Patienten mit Verdacht auf koronare Herzerkrankung
- Übersetzter Titel:
- Prognostic Value of Machine Learning-based Time-to-event Analysis Using Coronary CT Angiography in Patients With Suspected Coronary Artery Disease
- Autor:
- Adolf, Rafael
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Medicine and Health
- Institution:
- Institut für Radiologie und Nuklearmedizin
- Betreuer:
- Hadamitzky, Martin (Prof. Dr.)
- Gutachter:
- Hadamitzky, Martin (Prof. Dr.); Meierhofer, Christian (Priv.-Doz. Dr.)
- Sprache:
- de
- Fachgebiet:
- MED Medizin
- TU-Systematik:
- MED 540
- Kurzfassung:
- Die Anwendung von ML-Algorithmen nimmt in allen Bildungsverfahren zu und könnte die Risikostratifizierung bei Patienten mit Verdacht auf KHK optimieren. Diese Studie untersucht den prognostischen Wert von 2 Ereigniszeitanalysen, die klinische und CCTA-basierte Parametern einbeziehen. Das auf ML basierende RSF-Modell zeigte eine signifikant höhere Genauigkeit im Vergleich zum CPH-Modell. Die KI bietet ein enormes Potenzial, Risiko-Scores und die Behandlung der KHK zu verbessern.
- Übersetzte Kurzfassung:
- The use of ML algorithms is increasingly being incorporated into various imaging techniques and has the potential to optimize risk stratification in patients suspected of having CAD. This study investigates the prognostic value of time-to-event models using clinical and CCTA-based parameters. The RSF model based on ML showed significantly higher predictive power compared to the CPH model. AI holds immense potential in enhancing risk stratification and CAD management.
- WWW:
- https://mediatum.ub.tum.de/?id=1731393
- Eingereicht am:
- 02.01.2024
- Mündliche Prüfung:
- 22.11.2024
- Dateigröße:
- 1818598 bytes
- Seiten:
- 92
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20241122-1731393-0-4
- Letzte Änderung:
- 30.01.2025
BibTeX