Fair cardiovascular disease diagnosis and prognosis through machine learning and fractal-based features

Palabras clave: Aprendizaje automático, fractales, enfermedades cardiovasculares, diagnóstico, pronóstico, modelos justos; Machine learning, fractals, cardiovascular diseases, diagnosis, prognosis, fair models; Aprenentatge automàtic, fractals, malalties cardiovasculars, diagnòstic, pronòstic, models justos

Título en diferentes idiomas: Diagnóstico y pronóstico justos de enfermedades cardiovasculares mediante aprendizaje automático y características basadas en fractales; Fair cardiovascular disease diagnosis and prognosis through machine learning and fractal-based features; Diagnòstic i pronòstic justos de malalties cardiovasculars mitjançant aprenentatge automàtic i característiques basades en fractals

Áreas temàticas: Ingeniería informática; Computer engineering; Enginyeria informàtica

Confidencialidad: No

Curso académico: 2023-2024

Estudiante: Colmenero Gomez Cambronero, Carlos

APS: No

Departamento: Enginyeria Informàtica i Matemàtiques

Derechos de Accesso: info:eu-repo/semantics/openAccess

Fecha de la defensa del trabajo: 2024-06-20

Director del proyecto: Gkontra, Polyxeni

Resumen: Given the high number of deaths caused by cardiovascular diseases, innovative methods are essential to mitigate their detrimental effects. Fractal analysis offers a detailed representation of complex patterns, like those in cardiovascular conditions. This thesis evaluates the fairness and predictive performance of ML models using fractal features from CMR for diagnosing and prognosing cardiovascular diseases. No significant differences were found between the best fractal and radiomics models. After mitigation, fractals were superior to radiomics. Considering their equivalent predictive performance, reduced bias after mitigation, and fewer features, fractals are proposed as an alternative to radiomics.; Donat l'elevat nombre de morts per malalties cardiovasculars, els mètodes innovadors són essencials per mitigar els seus efectes perjudicials. L'anàlisi fractal ofereix una representació detallada de patrons complexos, com els de les condicions cardiovasculars. Aquesta tesi avalua l'equitat i el rendiment predictiu dels models ML utilitzant característiques fractals de CMR per al diagnòstic i pronòstic de malalties cardiovasculars. No es van trobar diferències significatives entre els millors models fractals i radiòmics. Després de la mitigació, els fractals eren superiors a la radiòmica. Tenint en compte el seu rendiment predictiu equivalent, un biaix reduït després de la mitigació i menys característiques, els fractals es proposen com a alternativa a la radiòmica.

Materia: Sistema cardiovascular--Malalties

Entidad: Universitat Rovira i Virgili (URV)

Idioma: en

Enseñanza(s): Ciència de Dades Biomèdiques

Título en la lengua original: Fair cardiovascular disease diagnosis and prognosis through machine learning and fractal-based features

Fecha de alta en el repositorio: 2025-03-03