[L. S. Spahić]

119 listova

Cardiovascular diseases, particularly atherosclerosis, remain leading causes of morbidity and mortality worldwide, necessitating innovative approaches for early detection, risk stratification, and management. This research explores the application of advanced computational techniques—artificial intelligence (AI) and agent-based modeling (ABM)—to address the complexities of atherosclerosis progression. AI, leveraging machine learning and deep learning algorithms, has demonstrated significant potential in analyzing large-scale datasets, including electronic health records, medical imaging, and genetic profiles, to predict disease onset and progression with greater accuracy than traditional methods. Concurrently, ABM offers insights into the intricate biological interactions within the cardiovascular system by simulating the behaviors of individual agents, such as cells and tissues, in response to various stimuli. However, both methodologies present limitations, including challenges related to data quality, model interpretability, and the complexity of biological systems. This research underscores the need for interdisciplinary collaboration between computational scientists, clinicians, and engineers to refine these models and facilitate their integration into clinical practice. Sensitivity analysis was conducted on the developed ABM model and a virtual population was created from the data in order to develop as surrogate model based on AI. The dataset captured a landscape of patientspecific variability and provided significant variation for the model to learn. The surrogate model for atherosclerotic plaque progression was based on artificial neural networks and deep learning and performed with 95.4% accuracy and congruency with the ABM indicating its strong potential to be used in practice. By addressing their inherent limitations, AI and ABM hold the potential to revolutionize cardiovascular medicine, leading to more personalized and effective treatments. Future research directions include improving data integration, enhancing model transparency, and conducting real-world validation studies to translate computational insights into meaningful clinical outcomes. The findings of this study contribute to the growing body of evidence supporting the role of ABM andAI surrogate modeling in advancing our understanding of cardiovascular diseases. The potential of ABM modeling backed with decreasing of computational resources necessary and enhanced speed of decission making ensured by surrogate modeling offers promising pathways for better patient care and disease management.

Kardiovaskularne bolesti, naročito ateroskleroza, i dalje su vodeći uzroci morbiditeta i mortaliteta širom sveta, što zahteva inovativne pristupe za rano otkrivanje, stratifikaciju rizika i upravljanje bolestima. Ovo istraživanje istražuje primenu naprednih računarskih tehnika—veštačke inteligencije (AI) i modeliranja zasnovanog na agentima (ABM)—u rešavanju kompleksnosti progresije ateroskleroze. Veštačka inteligencija, koristeći algoritme mašinskog i dubokog učenja, pokazala je značajan potencijal u analizi velikih skupova podataka, uključujući elektronske zdravstvene zapise, medicinske slike i genetske profile, za preciznije predviđanje pojave i progresije bolesti od tradicionalnih metoda. Istovremeno, ABM pruža uvid u složene biološke interakcije unutar kardiovaskularnog sistema simulirajući ponašanje pojedinačnih agenata, poput ćelija i tkiva, kao odgovor na različite stimuluse. Međutim, obe metodologije imaju ograničenja, uključujući izazove vezane za kvalitet podataka, interpretabilnost modela i složenost bioloških sistema. Ovo istraživanje ističe potrebu za interdisciplinarnom saradnjom između računarskih naučnika, kliničara i inženjera radi unapređenja ovih modela i njihove integracije u kliničku praksu. Sprovedena je analiza osetljivosti na razvijenom ABM modelu, a iz podataka je kreirana virtuelna populacija radi razvoja surogat modela zasnovanog na veštačkoj inteligenciji. Skup podataka je obuhvatio spektar varijabilnosti specifične za pacijente i obezbedio značajnu varijaciju za učenje modela. Surogat model za progresiju aterosklerotičnih plakova zasnovan je na veštačkim neuronskim mrežama i dubokom učenju i postigao je tačnost od 95.4% i usklađenost sa ABM, što ukazuje na njegov veliki potencijal za praktičnu primenu. Uz prevazilaženje urođenih ograničenja, AI i ABM imaju potencijal da revolucionišu kardiovaskularnu medicinu, vodeći ka personalizovanijim i efikasnijim tretmanima. Budući pravci istraživanja uključuju unapređenje integracije podataka, poboljšanje transparentnosti modela i sprovođenje studija validizacije u stvarnom svetu radi pretvaranja računarskih uvida u značajne kliničke rezultate. Nalazi ovog istraživanja doprinose rastućoj bazi dokaza koji podržavaju ulogu ABM i AI surogat modeliranja u unapređenju našeg razumevanja kardiovaskularnih bolesti. Potencijal ABM modeliranja, podržan smanjenjem potrebnih računarskih resursa i ubrzanjem donošenja odluka zahvaljujući surogat modeliranju, nudi obećavajuće puteve za bolju negu pacijenata i upravljanje bolestima.

atherosclerosis, plaque progression, multiscale modeling, agent-based modeling, artificial intelligence

ateroskleroza, progresija plaka, višeskalno modeliranje, modeliranje zasnovano na agentima, veštačka inteligencija

616.13-004:004.8(043)

Tekst