Standard

Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения. / Сережина, Елена Константиновна; Обрезан, Андрей Григорьевич; Бакулин, Геннадий Геннадьевич.

в: КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ, Том 13, № 4, 12.2025, стр. 26-33.

Результаты исследований: Научные публикации в периодических изданиях › статья › Рецензирование

Harvard

Сережина, ЕК, Обрезан, АГ & Бакулин, ГГ 2025, 'Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения', КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ, Том. 13, № 4, стр. 26-33. https://doi.org/10.33029/2309-1908-2025-13-4-26-33

APA

Сережина, Е. К., Обрезан, А. Г., & Бакулин, Г. Г. (2025). Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения. КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ, 13(4), 26-33. https://doi.org/10.33029/2309-1908-2025-13-4-26-33

Vancouver

Сережина ЕК, Обрезан АГ, Бакулин ГГ. Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения. КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ. 2025 Дек.;13(4):26-33. https://doi.org/10.33029/2309-1908-2025-13-4-26-33

Author

Сережина, Елена Константиновна ; Обрезан, Андрей Григорьевич ; Бакулин, Геннадий Геннадьевич. / Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения. в: КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ. 2025 ; Том 13, № 4. стр. 26-33.

BibTeX

@article{6b1715563318482390924e047b88d69f,
title = "Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения",
abstract = "Материал и методы. Проведен обзор отечественных и зарубежных исследований, направленных на оценку эффективности различных методов машинного обучения (МО) для оценки сердечно-сосудистых рисков. Особое внимание уделялось характеристикам используемых алгоритмов и выбору входных данных, а также оценке качества прогнозов.Результаты. Традиционные методы прогнозирования, такие как шкалы SCORE 2 и Framingham, часто ограничены в способности полноценно оценивать риск из-за упрощенного учета факторов влияния. В отличие от них алгоритмы МО могут обрабатывать нелинейные взаимодействия многочисленных факторов, обеспечивая более точные и персонализированные прогнозы.Заключение. Машинное обучение предлагает значительное улучшение прогностических моделей, однако его внедрение в клиническую практику остается сложной задачей. Дискуссия о потенциале моделей МО сосредоточена на необходимости их адаптации к различным популяциям, а также на важности интерпретации результатов для обеспечения клинической применимости.",
keywords = "сердечно-сосудистый риск, SCORE 2, машинное обучение, шкала",
author = "Сережина, {Елена Константиновна} and Обрезан, {Андрей Григорьевич} and Бакулин, {Геннадий Геннадьевич}",
year = "2025",
month = dec,
doi = "10.33029/2309-1908-2025-13-4-26-33",
language = "русский",
volume = "13",
pages = "26--33",
journal = "КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ",
issn = "2309-1908",
publisher = "Издательская группа {"}ГЭОТАР-Медиа{"} ",
number = "4",

}

RIS

TY - JOUR

T1 - Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения

AU - Сережина, Елена Константиновна

AU - Обрезан, Андрей Григорьевич

AU - Бакулин, Геннадий Геннадьевич

PY - 2025/12

Y1 - 2025/12

N2 - Материал и методы. Проведен обзор отечественных и зарубежных исследований, направленных на оценку эффективности различных методов машинного обучения (МО) для оценки сердечно-сосудистых рисков. Особое внимание уделялось характеристикам используемых алгоритмов и выбору входных данных, а также оценке качества прогнозов.Результаты. Традиционные методы прогнозирования, такие как шкалы SCORE 2 и Framingham, часто ограничены в способности полноценно оценивать риск из-за упрощенного учета факторов влияния. В отличие от них алгоритмы МО могут обрабатывать нелинейные взаимодействия многочисленных факторов, обеспечивая более точные и персонализированные прогнозы.Заключение. Машинное обучение предлагает значительное улучшение прогностических моделей, однако его внедрение в клиническую практику остается сложной задачей. Дискуссия о потенциале моделей МО сосредоточена на необходимости их адаптации к различным популяциям, а также на важности интерпретации результатов для обеспечения клинической применимости.

AB - Материал и методы. Проведен обзор отечественных и зарубежных исследований, направленных на оценку эффективности различных методов машинного обучения (МО) для оценки сердечно-сосудистых рисков. Особое внимание уделялось характеристикам используемых алгоритмов и выбору входных данных, а также оценке качества прогнозов.Результаты. Традиционные методы прогнозирования, такие как шкалы SCORE 2 и Framingham, часто ограничены в способности полноценно оценивать риск из-за упрощенного учета факторов влияния. В отличие от них алгоритмы МО могут обрабатывать нелинейные взаимодействия многочисленных факторов, обеспечивая более точные и персонализированные прогнозы.Заключение. Машинное обучение предлагает значительное улучшение прогностических моделей, однако его внедрение в клиническую практику остается сложной задачей. Дискуссия о потенциале моделей МО сосредоточена на необходимости их адаптации к различным популяциям, а также на важности интерпретации результатов для обеспечения клинической применимости.

KW - сердечно-сосудистый риск

KW - SCORE 2

KW - машинное обучение

KW - шкала

UR - https://cardiology-journal.ru/ru/jarticles_cardio/570.html?SSr=07EA02194B108

U2 - 10.33029/2309-1908-2025-13-4-26-33

DO - 10.33029/2309-1908-2025-13-4-26-33

M3 - статья

VL - 13

SP - 26

EP - 33

JO - КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ

JF - КАРДИОЛОГИЯ: НОВОСТИ, МНЕНИЯ, ОБУЧЕНИЕ

SN - 2309-1908

IS - 4

ER -

ID: 149346872