PİLOT YAYIN · "Örnek" rozetli kurum, hekim ve haber kayıtları kurgusaldır; canlı doğrulama yapılmamıştır.
İçeriğe geç
Bilim & Araştırma

Yapay zeka modeli, ASCVD'li kişilerde yüksek Lp(a) riskini tespit edebiliyor

Aile Kalp Vakfı'nın geliştirdiği FIND Lp(a) Makine Öğrenimi Modeli, atherosclerotic cardiovascular disease (ASCVD) tanılı kişilerde yüksek lipoprotein(a) seviyelerine sahip olma olasılığını belirleyebiliyor.

Sağlık Akademi Haber Merkezi Yayın: Güncelleme: 18 Eylül 2026 14:00 1 dk okuma
Yapay zeka modeli, ASCVD'li kişilerde yüksek Lp(a) riskini tespit edebiliyor
· Görsel: Medical Xpress · Lisans: Kaynak görseli

Aile Kalp Vakfı tarafından geliştirilen FIND Lp(a) Makine Öğrenimi Modeli, atherosclerotic cardiovascular disease (ASCVD) tanılı bireylerde yüksek lipoprotein(a) [Lp(a)] seviyelerinin olasılığını tahmin edebiliyor. Model, JACC: Advances dergisinde yayınlanan yeni bir çalışma tarafından destekleniyor. Bu model, Lp(a) tarama sürecini daha hedefli ve verimli hale getirmeyi amaçlıyor. Yüksek Lp(a) seviyeleri, kalp krizi ve inme gibi kardiyovasküler olaylar için bağımsız bir risk faktörü olarak bilinir. Ancak rutin klinik uygulamalarda Lp(a) testi yaygın olarak yapılmıyor. Bu çalışma, makine öğrenimiyle mevcut klinik verilerden riskli bireylerin önceden tespiti için bir yol gösteriyor. Modelin spesifitesi, sensitivitesi ve doğruluk oranları gibi teknik detaylar kaynakta yer almıyor. Ayrıca modelin farklı etnik gruplarda veya diğer kardiyovasküler risk faktörleriyle nasıl performans gösterdiği de açıklanmıyor.

KaynakMedical Xpress · Study demonstrates how machine learning model enables targeted Lp(a) screening

Bu içerik kaynağın yayınından özetlenmiştir; tam metin, görsel ve ayrıntılar için özgün habere gidin.

Kaynağa git ↗
Neden önemli?

Yüksek Lp(a) seviyeleri belirli genetik faktörlerle ilişkili ve standart lipid profillerinde görünmeyebilir; bu yüzden hedefli tarama, riskli bireylerin erken tespiti ve önleyici tedavi planlaması için önemlidir.

Ne bilinmiyor?

Modelin doğruluk, sensitivite ve spesifite oranları nedir? Farklı yaş, cinsiyet veya etnik gruplarda performansı nasıl değişir? Modelin klinik uygulamada kullanıma hazır olup olmadığı ve maliyet-etkinliği hakkında bilgi verilmiyor.

Çalışma türü: Gözlemsel çalışma. Sınırlılıklar: Kaynakta modelin doğruluk, sensitivite veya spesifite gibi performans metrikleri yer almıyor. Modelin dış veri setlerinde doğrulanıp doğrulanmadığı veya farklı popülasyonlarda genelellenebilirliği hakkında bilgi verilmiyor. Çalışmanın çalışma süresi, örneklem boyutu veya metodolojik detayları kaynakta açıklanmıyor.