Dokladna kwantyfikacja ryzyka ASCVD jest niezb?dna do wczesnego i skutecznego zarz?dzania ryzykiem sercowo-naczyniowym. Konwencjonalne modele opieraj? si? wyl?cznie na tradycyjnych czynnikach ryzyka (TRF). Cz?sto nie uwzgl?dniaj? one nowszych, nietradycyjnych zmiennych ryzyka, co prowadzi do potencjalnego niedoszacowania lub przeszacowania ryzyka, zwlaszcza w ró?nych populacjach etnicznych. Niniejsza ksi??ka przedstawia nowatorsk? struktur? opart? na uczeniu maszynowym (ML), która integruje TRF z nietradycyjnymi markerami ultrasonograficznymi, takimi jak grubo?c blony wewn?trznej i ?rodkowej t?tnicy szyjnej (cIMT) oraz cechy blaszki mia?d?ycowej t?tnicy szyjnej (cP), w celu zwi?kszenia dokladno?ci predykcyjnej. Obejmuje opracowanie architektury diagnostycznej, która wykorzystuje hybrydowe inteligentne modele zoptymalizowane przy u?yciu ró?nych algorytmów metaheurystycznych. Wybrane ramy maj? przewag? ze wzgl?du na mo?liwo?c uwzgl?dnienia dodatkowych nowszych zmiennych ryzyka bez rekonstrukcji metodologicznej, a tym samym przyczyniaj? si? do rozwoju niezawodnych, wydajnych i konfigurowalnych rozwi?za? do przewidywania ryzyka ASCVD w warunkach publicznej opieki zdrowotnej.