<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>RISKCARDIO Archives - EduBright Resources</title>
	<atom:link href="https://edubrights.com/resource/tag/riskcardio/feed/" rel="self" type="application/rss+xml" />
	<link>https://edubrights.com/resource/tag/riskcardio/</link>
	<description>Education Technology Solution</description>
	<lastBuildDate>Sun, 22 Sep 2019 12:46:09 +0000</lastBuildDate>
	<language>th</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.0.5</generator>

<image>
	<url>https://edubrights.com/resource/wp-content/uploads/2018/11/cropped-edb-logo-grey-32x32.png</url>
	<title>RISKCARDIO Archives - EduBright Resources</title>
	<link>https://edubrights.com/resource/tag/riskcardio/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>การใช้ AI เพื่อประเมินความเสี่ยงของการเสียชีวิตจากโรคหลอดเลือดหัวใจ</title>
		<link>https://edubrights.com/resource/2019/09/22/machine-learning-cardiovascular-death-risk/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=machine-learning-cardiovascular-death-risk</link>
					<comments>https://edubrights.com/resource/2019/09/22/machine-learning-cardiovascular-death-risk/#respond</comments>
		
		<dc:creator><![CDATA[Admin EduBright]]></dc:creator>
		<pubDate>Sun, 22 Sep 2019 12:45:58 +0000</pubDate>
				<category><![CDATA[EdTech News]]></category>
		<category><![CDATA[AI]]></category>
		<category><![CDATA[HEALTHCARE]]></category>
		<category><![CDATA[machine learning]]></category>
		<category><![CDATA[RISKCARDIO]]></category>
		<guid isPermaLink="false">https://edubrights.com/resource/?p=576</guid>

					<description><![CDATA[<p>ความสามารถของ AI ในก [&#8230;]</p>
<p>The post <a rel="nofollow" href="https://edubrights.com/resource/2019/09/22/machine-learning-cardiovascular-death-risk/">การใช้ AI เพื่อประเมินความเสี่ยงของการเสียชีวิตจากโรคหลอดเลือดหัวใจ</a> appeared first on <a rel="nofollow" href="https://edubrights.com/resource">EduBright Resources</a>.</p>
]]></description>
										<content:encoded><![CDATA[
<figure class="wp-block-image"><img width="600" height="337" src="https://edubrights.com/resource/wp-content/uploads/2019/09/22-9-2019.jpg" alt="" class="wp-image-577" srcset="https://edubrights.com/resource/wp-content/uploads/2019/09/22-9-2019.jpg 600w, https://edubrights.com/resource/wp-content/uploads/2019/09/22-9-2019-300x169.jpg 300w" sizes="(max-width: 600px) 100vw, 600px" /></figure>



<p>ความสามารถของ
AI ในการคาดการณ์ภัยต่อสุขภาพอาจรวมไปถึงภาวะหัวใจวายด้วย นักวิจัยของ CSAIL ของ MIT ได้พัฒนาระบบการเรียนรู้ด้วยเครื่อง RiskCardio ที่สามารถประเมินความเสี่ยงของการเสียชีวิตเนื่องจากปัญหาหัวใจและหลอดเลือดที่ปิดกั้นหรือลดการไหลเวียนของเลือด
สิ่งที่ต้องการคือการอ่านคลื่นไฟฟ้าหัวใจ 15 นาที &#8211;
จากนั้นจะวัดอันตรายจากชุดของจังหวะต่อเนื่องในตัวอย่าง หากข้อมูลถูกบันทึกภายใน 15
นาทีของเหตุการณ์ RiskCardio สามารถกำหนดได้ว่าจะมีใครตายภายใน
30 วันหรือไม่เกินหนึ่งปีหลังจากนั้น</p>



<p>วิธีการดังกล่าวอิงตามแนวคิดที่ว่า
ความแปรปรวนของการเต้นของหัวใจสะท้อนถึงความเสี่ยงที่สูงขึ้น
นักวิจัยได้ฝึกระบบเรียนรู้โดยใช้ข้อมูลผลตรวจของผู้ป่วย ย้อนหลัง
หากผู้ป่วยรอดชีวิต การเต้นของหัวใจจะเป็นปกติ แต่หากผู้ป่วยเสียชีวิต
การเต้นของหัวใจจะมีความเสี่ยง คะแนนความเสี่ยงมาจากการเฉลี่ยการคาดการณ์จากชุดการเต้นของหัวใจติดต่อกัน</p>



<p>อย่างไรก็ดี
งานวิจัยยังคงต้องดำเนินต่อไป รวมถึงการกรองชุดข้อมูลฝึกให้ครอบคลุมช่วงอายุ
เชื้อชาติ และเพศ
แน่นอนว่าข้อมูลเหล่านี้ต้องมีความแม่นยำเพราะข้อผิดพลาดอาจนำมาสิ่งผลลัพธ์ที่อันตรายได้
หาก RiskCardio ได้นำไปใช้งานจริง
แพทย์จะสามารถประเมินสุขภาพของผู้ป่วยได้เร็วและตัดสินใจถึงการรักษาได้ในระดับที่เหมาะสม</p>



<p>ทีมทดสอบแบบจำลองโดยการทำคะแนนความเสี่ยงสำหรับชุดของผู้ป่วย จากนั้นพวกเขาวัดว่าผู้ป่วยมีแนวโน้มมากแค่ไหนที่จะต้องเสียชีวิตจากโรคหัวใจและหลอดเลือดในฐานะผู้ป่วยที่มีความเสี่ยงสูงเมื่อเปรียบเทียบกับผู้ป่วยกลุ่มเสี่ยง พวกเขาพบว่าในผู้ป่วยโพสต์ ACS ประมาณ 1,250 คนจะตาย 28 คนจากโรคหัวใจและหลอดเลือดภายในหนึ่งปี จากคะแนนความเสี่ยงที่เสนอมีผู้ป่วย 19 รายจาก 28 รายที่ถูกจัดอยู่ในกลุ่มที่มีความเสี่ยงสูง </p>



<p>Soure : <a href="https://www.csail.mit.edu/">csail</a>, engadget</p>



<p></p>
<p>The post <a rel="nofollow" href="https://edubrights.com/resource/2019/09/22/machine-learning-cardiovascular-death-risk/">การใช้ AI เพื่อประเมินความเสี่ยงของการเสียชีวิตจากโรคหลอดเลือดหัวใจ</a> appeared first on <a rel="nofollow" href="https://edubrights.com/resource">EduBright Resources</a>.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://edubrights.com/resource/2019/09/22/machine-learning-cardiovascular-death-risk/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
