Beitrag Der Künstlichen Intelligenz In Der Reanimation

Die Früherkennung eines septischen Schocks ist entscheidend für die Verbesserung der Patientenergebnisse. Ziel dieser Studie ist die Entwicklung eines Modells für maschinelles Lernen das XGBoost verwendet um einen septischen Schock sechs Stunden im Voraus vorherzusagen. Das Modell wurde mit einem öffentlichen Datensatz trainiert der 40.336 Patienten umfasste. Es wurde an einem Teil dieses Datensatzes getestet und erreichte eine Genauigkeit von 097 und eine AUC von 0874. Es wurden auch Vorhersagen für 8 10 und 12 Stunden im Voraus gemacht die eine Genauigkeit von 0899 0891 und 08954 und AUCs von 0867 08639 und 08530 ergaben. Außerdem wurde das Modell an einem lokalen Datensatz des Fattouma Bourguiba Universitätskrankenhauses getestet der 30 Patienten umfasste. Für die 6-Stunden-Vorhersage im lokalen Datensatz erreichte das Modell eine Genauigkeit von 089 und eine AUC von 074. Die Vorhersagen für 8 10 und 12 Stunden im Voraus zeigten eine Genauigkeit von 08861 08772 und 08718 und AUCs von 073 072 bzw. 072. Das XGBoost-Modell zeigt ein Potenzial für die Früherkennung des septischen Schocks bedarf aber für die klinische Anwendung weiterer Tests und Optimierungen.