La quantificazione accurata del rischio di ASCVD è essenziale per una gestione precoce ed efficace del rischio cardiovascolare. I modelli convenzionali si basano esclusivamente sui fattori di rischio tradizionali (TRF). Spesso non riescono a incorporare variabili di rischio più recenti e non tradizionali, il che porta a una potenziale sottostima o sovrastima del rischio, soprattutto nelle diverse popolazioni etniche. Questo libro introduce una nuova struttura basata sull'apprendimento automatico (ML) che integra le TRF con marcatori ecografici non tradizionali, come lo spessore dell'intima media carotidea (cIMT) e le caratteristiche della placca carotidea (cP), per migliorare l'accuratezza predittiva. Il progetto comprende lo sviluppo di un'architettura diagnostica che utilizza modelli intelligenti ibridi ottimizzati con diversi algoritmi meta-euristici. Il framework scelto ha il vantaggio di poter includere ulteriori variabili di rischio più recenti senza ricostruzione metodologica, contribuendo così allo sviluppo di soluzioni affidabili, efficienti e personalizzabili per la previsione del rischio di ASCVD in contesti sanitari pubblici.