PRÉDICTION DE L'ÉCHEC DE L'OXYGÉNOTHÉRAPIEÀ HAUT DÉBIT

L'oxygénothérapie à haut débit a prouvé son efficacité en réduisant la mortalité mais l'échec de cette méthode reste difficile à prédire. Cette étude vise à intégrerl'intelligence artificielle dans la décision thérapeutique pour améliorer cette prédiction. Nous avonsinclus 369 patients atteints de COVID-19 admis en réanimation à l'hôpital régional de Zaghouan demars 2020 à décembre 2022. Après un prétraitement des données et une optimisation deshyperparamètres à l'aide de GridSearchCV quatre modèles d'apprentissage automatique ont été testés :XGBoost Random Forest k-nearest neighbors et régression logistique. Le modèle XGBoost a montré lameilleure performance avec une aire sous la courbe ROC de 0842 surpassant l'indice ROX et le modèleRandom Forest. Les modèles de régression logistique et k-nearest neighbors ont montré desperformances inférieures. L'intégration de l'intelligence artificielle notamment via le modèle XGBoostapparaît prometteuse pour améliorer la prise en charge des patients atteints de pneumopathie COVID-19en identifiant précocement ceux à risque d'échec de l'oxygénothérapie à haut débit et en réduisant les intubations inappropriées.