Herz-Kreislauf-Erkrankungen sind weltweit eine wichtige Ursache für Morbidität und Mortalität. Die Charakterisierung des Herz-Kreislauf-Systems eines Individuums und die Abschätzung der Risiken sind daher von entscheidender Bedeutung. Das Blutdrucksignal enthält relevante Informationen aufgrund der Ausbreitung mechanischer Wellen im arteriellen Baum. Die Wellenform wird dann von mehreren Faktoren wie der Elastizität der Arterien und der Struktur des arteriellen Systems beeinflusst. Der Nachweis signifikanter Veränderungen kann mit dem Vorhandensein von Herz-Kreislauf-Erkrankungen in Verbindung gebracht werden und wird durch natürliche Alterung beeinflusst. Im Bereich der künstlichen Intelligenz konnten in letzter Zeit viele komplexe Algorithmen entwickelt werden, die potenziell für große und große Daten geeignet sind, dank der Rechenleistung. In dieser Dissertationsarbeit werden Methoden für maschinelles Lernen aus einer Datenbank mit Patientendaten vorgeschlagen. Darüber hinaus soll die Berücksichtigung der Besonderheiten der einzelnen Individuen und ihres Kontextes zu einer besseren Leistung bei der Bewertung des Herz-Kreislauf-Systems führen.Dieses Projekt hat zum Ziel, Methoden des maschinellen Lernens zu entwickeln, um das Herz-Kreislauf-System von Patienten mit einem individuellen Modell zu charakterisieren, wobei der Blutdruck zusammen mit den Daten des Einzelnen genutzt wird.