A Contribuição Da Inteligência Artificial Nos Cuidados Intensivos

A deteção precoce do choque sético é crucial para melhorar os resultados dos doentes. O objetivo deste estudo foi desenvolver um modelo de aprendizagem automática utilizando o XGBoost para prever o choque sético com seis horas de antecedência. O modelo foi treinado num conjunto de dados públicos que inclui 40 336 doentes. Foi testado numa parte deste conjunto obtendo uma precisão de 097 e uma AUC de 0874. Foram também efectuadas previsões com 8 10 e 12 horas de antecedência obtendo-se uma exatidão de 0899 0891 e 08954 e uma AUC de 0867 08639 e 08530 respetivamente. Além disso o modelo foi testado num conjunto de dados local do Hospital Universitário Fattouma Bourguiba composto por 30 doentes. Para a previsão de 6 horas no conjunto de dados local o modelo alcançou uma exatidão de 089 e uma AUC de 074. As previsões para 8 10 e 12 horas de antecedência apresentaram precisões de 08861 08772 e 08718 e AUCs de 073 072 e 072 respetivamente. O modelo XGBoost mostra potencial para a deteção precoce de choque sético mas requer mais testes e otimização para aplicação clínica.