Naslov (srp)

Multiscale model for thrombosis / atherosclerotic plaque formation and progression: doctoral dissertation

Autor

Spahić, Lemana, 1996-

Doprinosi

Filipović, Nenad, 1970-
Milošević, Miljan, 1984-
Jovičić, Gordana, 1967-
Zdravković, Nataša, 1973-

Opis (eng)

Kardiovaskularne bolesti, naročito ateroskleroza, i dalje su vodeći uzrocimorbiditeta i mortaliteta širom sveta, što zahteva inovativne pristupe zarano otkrivanje, stratifikaciju rizika i upravljanje bolestima. Ovoistraživanje istražuje primenu naprednih računarskih tehnika—veštačkeinteligencije (AI) i modeliranja zasnovanog na agentima (ABM)—u rešavanjukompleksnosti progresije ateroskleroze. Veštačka inteligencija, koristećialgoritme mašinskog i dubokog učenja, pokazala je značajan potencijal u analizivelikih skupova podataka, uključujući elektronske zdravstvene zapise,medicinske slike i genetske profile, za preciznije predviđanje pojave iprogresije bolesti od tradicionalnih metoda. Istovremeno, ABM pruža uvid usložene biološke interakcije unutar kardiovaskularnog sistema simulirajućiponašanje pojedinačnih agenata, poput ćelija i tkiva, kao odgovor na različitestimuluse. Međutim, obe metodologije imaju ograničenja, uključujući izazovevezane za kvalitet podataka, interpretabilnost modela i složenost biološkihsistema.Ovo istraživanje ističe potrebu za interdisciplinarnom saradnjom izmeđuračunarskih naučnika, kliničara i inženjera radi unapređenja ovih modela injihove integracije u kliničku praksu. Sprovedena je analiza osetljivosti narazvijenom ABM modelu, a iz podataka je kreirana virtuelna populacija radirazvoja surogat modela zasnovanog na veštačkoj inteligenciji. Skup podataka jeobuhvatio spektar varijabilnosti specifične za pacijente i obezbedio značajnuvarijaciju za učenje modela. Surogat model za progresiju aterosklerotičnihplakova zasnovan je na veštačkim neuronskim mrežama i dubokom učenju ipostigao je tačnost od 95.4% i usklađenost sa ABM, što ukazuje na njegov velikipotencijal za praktičnu primenu.Uz prevazilaženje urođenih ograničenja, AI i ABM imaju potencijal darevolucionišu kardiovaskularnu medicinu, vodeći ka personalizovanijim iefikasnijim tretmanima. Budući pravci istraživanja uključuju unapređenjeintegracije podataka, poboljšanje transparentnosti modela i sprovođenje studijavalidizacije u stvarnom svetu radi pretvaranja računarskih uvida u značajnekliničke rezultate. Nalazi ovog istraživanja doprinose rastućoj bazi dokazakoji podržavaju ulogu ABM i AI surogat modeliranja u unapređenju našegrazumevanja kardiovaskularnih bolesti. Potencijal ABM modeliranja, podržansmanjenjem potrebnih računarskih resursa i ubrzanjem donošenja odlukazahvaljujući surogat modeliranju, nudi obećavajuće puteve za bolju negu pacijenatai upravljanje bolestima.

Opis (srp)

Cardiovascular diseases, particularly atherosclerosis, remain leading causes of morbidityand mortality worldwide, necessitating innovative approaches for early detection, riskstratification, and management. This research explores the application of advancedcomputational techniques—artificial intelligence (AI) and agent-based modeling(ABM)—to address the complexities of atherosclerosis progression. AI, leveragingmachine learning and deep learning algorithms, has demonstrated significant potential inanalyzing large-scale datasets, including electronic health records, medical imaging, andgenetic profiles, to predict disease onset and progression with greater accuracy thantraditional methods. Concurrently, ABM offers insights into the intricate biologicalinteractions within the cardiovascular system by simulating the behaviors of individualagents, such as cells and tissues, in response to various stimuli. However, bothmethodologies present limitations, including challenges related to data quality, modelinterpretability, and the complexity of biological systems.This research underscores the need for interdisciplinary collaboration betweencomputational scientists, clinicians, and engineers to refine these models and facilitatetheir integration into clinical practice. Sensitivity analysis was conducted on thedeveloped ABM model and a virtual population was created from the data in order todevelop as surrogate model based on AI. The dataset captured a landscape of patientspecificvariability and provided significant variation for the model to learn. Thesurrogate model for atherosclerotic plaque progression was based on artificial neuralnetworks and deep learning and performed with 95.4% accuracy and congruency withthe ABM indicating its strong potential to be used in practice.By addressing their inherent limitations, AI and ABM hold the potential to revolutionizecardiovascular medicine, leading to more personalized and effective treatments. Futureresearch directions include improving data integration, enhancing model transparency,and conducting real-world validation studies to translate computational insights intomeaningful clinical outcomes. The findings of this study contribute to the growing bodyof evidence supporting the role of ABM andAI surrogate modeling in advancing ourunderstanding of cardiovascular diseases. The potential of ABM modeling backed withdecreasing of computational resources necessary and enhanced speed of decissionmaking ensured by surrogate modeling offers promising pathways for better patient careand disease management.

Opis (srp)

-

Jezik

srpski

Datum

2024

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC-ND 3.0 AT - Creative Commons Autorstvo - Nekomercijalno - Bez prerada 3.0 Austria License.

http://creativecommons.org/licenses/by-nc-nd/3.0/at/legalcode