Il Contributo Dell'intelligenza Artificiale In Terapia Intensiva

La diagnosi precoce dello shock settico è fondamentale per migliorare gli esiti dei pazienti. Lo scopo di questo studio è stato quello di sviluppare un modello di apprendimento automatico utilizzando XGBoost per prevedere lo shock settico con sei ore di anticipo. Il modello è stato addestrato su un set di dati pubblici comprendente 40.336 pazienti. È stato testato su una parte di questo set ottenendo un'accuratezza dello 097 e un'AUC dello 0874. Sono state effettuate anche previsioni a 8 10 e 12 ore di distanza ottenendo rispettivamente un'accuratezza di 0899 0891 e 08954 e un'AUC di 0867 08639 e 08530. Inoltre il modello è stato testato su un dataset locale dell'ospedale universitario Fattouma Bourguiba composto da 30 pazienti. Per la previsione a 6 ore sul set di dati locale il modello ha raggiunto un'accuratezza di 089 e un'AUC di 074. Le previsioni a 8 10 e 12 ore di distanza hanno mostrato accuratezze di 08861 08772 e 08718 e AUC di 073 072 e 072 rispettivamente. Il modello XGBoost mostra un potenziale per la diagnosi precoce dello shock settico ma richiede ulteriori test e ottimizzazioni per l'applicazione clinica.