Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання
Pacing-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...
Gespeichert in:
| Datum: | 2024 |
|---|---|
| Hauptverfasser: | , , , , |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2024
|
| Schlagworte: | |
| Online Zugang: | http://journal.iasa.kpi.ua/article/view/285956 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
Institution
System research and information technologies| _version_ | 1856543579892088832 |
|---|---|
| author | Perepeka, Eugene Lazoryshynets, Vasyl Babenko, Vitalii Davydovych, Illia Nastenko, Ievgen |
| author_facet | Perepeka, Eugene Lazoryshynets, Vasyl Babenko, Vitalii Davydovych, Illia Nastenko, Ievgen |
| author_sort | Perepeka, Eugene |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2024-05-23T07:09:36Z |
| description | Pacing-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. |
| first_indexed | 2025-07-17T10:28:19Z |
| format | Article |
| id | journaliasakpiua-article-285956 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-07-17T10:28:19Z |
| publishDate | 2024 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-2859562024-05-23T07:09:36Z Cardiomyopathy prediction in patients with permanent ventricular pacing using machine learning methods Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання Perepeka, Eugene Lazoryshynets, Vasyl Babenko, Vitalii Davydovych, Illia Nastenko, Ievgen permanent ventricular pacing risk factors artificial intelligence forecasting machine learning постійне ритмоведення шлуночків фактори ризику штучний інтелект прогнозування машинне навчання Pacing-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. Кардіоміопатія, 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. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2024-03-29 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/285956 10.20535/SRIT.2308-8893.2024.1.03 System research and information technologies; No. 1 (2024); 33-41 Системные исследования и информационные технологии; № 1 (2024); 33-41 Системні дослідження та інформаційні технології; № 1 (2024); 33-41 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/285956/296304 |
| spellingShingle | постійне ритмоведення шлуночків фактори ризику штучний інтелект прогнозування машинне навчання Perepeka, Eugene Lazoryshynets, Vasyl Babenko, Vitalii Davydovych, Illia Nastenko, Ievgen Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| title | Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| title_alt | Cardiomyopathy prediction in patients with permanent ventricular pacing using machine learning methods |
| title_full | Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| title_fullStr | Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| title_full_unstemmed | Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| title_short | Прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| title_sort | прогнозування кардіоміопатії у пацієнтів з постійною шлуночковою електрокардіостимуляцією за допомогою методів машинного навчання |
| topic | постійне ритмоведення шлуночків фактори ризику штучний інтелект прогнозування машинне навчання |
| topic_facet | permanent ventricular pacing risk factors artificial intelligence forecasting machine learning постійне ритмоведення шлуночків фактори ризику штучний інтелект прогнозування машинне навчання |
| url | http://journal.iasa.kpi.ua/article/view/285956 |
| work_keys_str_mv | AT perepekaeugene cardiomyopathypredictioninpatientswithpermanentventricularpacingusingmachinelearningmethods AT lazoryshynetsvasyl cardiomyopathypredictioninpatientswithpermanentventricularpacingusingmachinelearningmethods AT babenkovitalii cardiomyopathypredictioninpatientswithpermanentventricularpacingusingmachinelearningmethods AT davydovychillia cardiomyopathypredictioninpatientswithpermanentventricularpacingusingmachinelearningmethods AT nastenkoievgen cardiomyopathypredictioninpatientswithpermanentventricularpacingusingmachinelearningmethods AT perepekaeugene prognozuvannâkardíomíopatííupacíêntívzpostíjnoûšlunočkovoûelektrokardíostimulâcíêûzadopomogoûmetodívmašinnogonavčannâ AT lazoryshynetsvasyl prognozuvannâkardíomíopatííupacíêntívzpostíjnoûšlunočkovoûelektrokardíostimulâcíêûzadopomogoûmetodívmašinnogonavčannâ AT babenkovitalii prognozuvannâkardíomíopatííupacíêntívzpostíjnoûšlunočkovoûelektrokardíostimulâcíêûzadopomogoûmetodívmašinnogonavčannâ AT davydovychillia prognozuvannâkardíomíopatííupacíêntívzpostíjnoûšlunočkovoûelektrokardíostimulâcíêûzadopomogoûmetodívmašinnogonavčannâ AT nastenkoievgen prognozuvannâkardíomíopatííupacíêntívzpostíjnoûšlunočkovoûelektrokardíostimulâcíêûzadopomogoûmetodívmašinnogonavčannâ |