KI News: Kurz und klar.

Herz‑ und Kreislauf‑Erkrankungen bleiben weltweit die häufigste Todesursache, was die dringende Notwendigkeit intelligenter, datenbasierter Diagnosewerkzeuge unterstreicht. Traditionelle Vorhersagemodelle haben oft Schwierigkeiten, sich über heterogene Datensätze und komplexe physiologische Muster hinweg zu verallgemeinern. Um diesem Problem zu begegnen, wurde ein hybrides Ensemble‑Framework entwickelt, das tiefe Lernarchitekturen – Convolutional Neural Networks (CNN) und Long Short-Term Memory (LSTM) – mit klassischen Machine‑Learning‑Algorithmen wie K‑Nearest Neighbor (KNN) und Extreme Gradient Boosting (XGB) kombiniert. Durch ein Abstimmungs‑Voting‑Verfahren verbindet das System die Repräsentationskraft von Deep‑Netzwerken mit der Interpretierbarkeit und Effizienz traditioneller Modelle.

Herz-Kreislauf-Erkrankungen sind weltweit die häufigste Todesursache, wobei die koronare Herzkrankheit (KHK) die häufigste Form darstellt. Für eine frühzeitige Risikoeinschätzung werden 3‑D‑Digitale Zwillinge der Koronararterien aus Bilddaten genutzt, doch deren Analyse erfordert bislang rechenintensive Strömungssimulationen (CFD), die die Skalierbarkeit stark einschränken.

Ein neues Forschungsprojekt aus dem arXiv-Repository präsentiert ein hochpräzises Modell zur Vorhersage von Herz-Kreislauf-Erkrankungen bei Menschen mit Diabetes. Durch den Einsatz moderner Machine‑Learning‑ und Deep‑Learning‑Techniken konnte die Studie eine Genauigkeit von 90,5 % erreichen.