.png){kind=logo}
A IA pode ajudar as organizações de saúde (HCOs) a identificar indivíduos em risco de desenvolver a síndrome metabólica (SM).
A síndrome metabólica (SM) é um conjunto de fatores de risco — obesidade central, resistência à insulina, dislipidemia e hipertensão — que aumenta significativamente o risco de doenças cardiovasculares e diabetes tipo 2. Também inclui frequentemente condições como coagulação sanguínea excessiva e inflamação crônica de baixo grau, e tem sido associada a vários tipos de câncer, incluindo câncer de mama, pâncreas, cólon e fígado (1) (2). Aproximadamente 80 milhões de adultos nos EUA atendem aos critérios de SM, resultando em uma média de 60% na utilização e nos custos anuais de saúde em comparação com aqueles sem SM (3). Indivíduos com MetS têm cinco vezes mais chances de desenvolver diabetes, e a condição contribui para um custo total anual de saúde superior a 220 bilhões de dólares (4) (5). Apesar de sua prevalência e sérias implicações, a conscientização pública sobre a SM é baixa, com menos de 15% das pessoas em risco ou com diabetes cientes da condição. Aumentar a conscientização e a identificação precoce são cruciais, pois mais 104 milhões de pessoas correm o risco de desenvolver METs (6).
Para auxiliar nesse esforço, um modelo de IA foi desenvolvido para prever a ocorrência de MetS em indivíduos. Ele aproveita variáveis fisiológicas e de estilo de vida, oferecendo aos profissionais de saúde um meio de identificar e apoiar pacientes em categorias de alto risco para SM com medidas preventivas apropriadas.
O conjunto de dados sintético foi construído referenciando pesquisas extensas e dados de estudos revisados por pares e bancos de dados de saúde para replicar de perto casos clínicos autênticos. Fontes como Steinberg et al. (1), NHLBI (2), O'Neill e O'Driscoll (3), Boudreau et al. (4), Yu et al. (5) e Lewis et al. (6), forneceram as estruturas necessárias para os atributos do modelo, garantindo uma previsão precisa de METs.
A síndrome metabólica (SM) é um conjunto de fatores de risco — obesidade central, resistência à insulina, dislipidemia e hipertensão — que aumenta significativamente o risco de doenças cardiovasculares e diabetes tipo 2. Também inclui frequentemente condições como coagulação sanguínea excessiva e inflamação crônica de baixo grau, e tem sido associada a vários tipos de câncer, incluindo câncer de mama, pâncreas, cólon e fígado (1) (2). Aproximadamente 80 milhões de adultos nos EUA atendem aos critérios de SM, resultando em uma média de 60% na utilização e nos custos anuais de saúde em comparação com aqueles sem SM (3). Indivíduos com MetS têm cinco vezes mais chances de desenvolver diabetes, e a condição contribui para um custo total anual de saúde superior a 220 bilhões de dólares (4) (5). Apesar de sua prevalência e sérias implicações, a conscientização pública sobre a SM é baixa, com menos de 15% das pessoas em risco ou com diabetes cientes da condição. Aumentar a conscientização e a identificação precoce são cruciais, pois mais 104 milhões de pessoas correm o risco de desenvolver METs (6).
Para auxiliar nesse esforço, um modelo de IA foi desenvolvido para prever a ocorrência de MetS em indivíduos. Ele aproveita variáveis fisiológicas e de estilo de vida, oferecendo aos profissionais de saúde um meio de identificar e apoiar pacientes em categorias de alto risco para SM com medidas preventivas apropriadas.
AI optimizes the allocation of healthcare resources by identifying high-risk individuals and prioritizing them for preventive measures.
AI facilitates early detection of metabolic syndrome through predictive analytics, allowing for timely interventions that prevent the progression to more severe and costly health conditions such as cardiovascular diseases and diabetes.
AI is being integrated into the prevention, diagnosis, and treatment of metabolic syndrome, offering a transformative approach to managing this public health threat. AI can help overcome the limitations of traditional management methods by providing more precise and personalized healthcare solutions [7].
O conjunto de dados sintético foi construído referenciando pesquisas extensas e dados de estudos revisados por pares e bancos de dados de saúde para replicar de perto casos clínicos autênticos. Fontes como Steinberg et al. (1), NHLBI (2), O'Neill e O'Driscoll (3), Boudreau et al. (4), Yu et al. (5) e Lewis et al. (6), forneceram as estruturas necessárias para os atributos do modelo, garantindo uma previsão precisa de METs.
