| Titre : | Stratification du risque cardiovasculaire. Le machine learning comme solution? (2025) |
| Auteurs : | Alexandre Unger ; Solenn Toupin ; Antoine Bondue ; Théo Pezel |
| Type de document : | Article |
| Dans : | VCP (Vol. 30, n° 1, 15 mars - 15 avril 2025) |
| Article en page(s) : | p. 14-18 |
| Langues: | Français |
| Résumé : | À l’ère de la médecine de précision, évaluer le risque cardiovasculaire est crucial pour une prise en charge individualisée. En pratique, des scores de risque fondés sur des modèles de régression simples identifient les patients à haut risque d’événements, bien qu’ils soient limités dans leur capacité à prédire précisément l’évolution clinique chaque patient. Pour répondre mieux à ces enjeux, le machine learning (ML), une branche de l’intelligence artificielle, constitue une approche alternative prometteuse. En modélisant plus finement les relations complexes entre un grand nombre de données et la survenue d’événements cliniques, le ML pourrait renforcer les performances de ces scores de risque utilisés pour prédire la survenue de pathologies cardiovasculaires. Cependant, bien que cette technologie soit potentiellement un atout majeur pour une médecine de précision, il est crucial d’en connaître les limites. |
| Disponible en ligne : | Non |
| En ligne : | https://flipflashpages.uniflip.com//3/61981/1135720/pub/html5.html#page/14 |
Bibliothèques HE Vinci
