PREVISIONE DEL FALLIMENTO DELL'OSSIGENOTERAPIA AD ALTO FLUSSO

L'ossigenoterapia ad alto flusso si è dimostrata efficace nel ridurre la mortalità ma il fallimento di questo metodo rimane difficile da prevedere. Lo scopo di questo studio è integrare l'intelligenza artificiale nella decisione terapeutica per migliorare questa previsione. Abbiamo incluso 369 pazienti con COVID-19 ricoverati in terapia intensiva presso l'ospedale regionale di Zaghouan tra marzo 2020 e dicembre 2022. Dopo aver preprocessato i dati e ottimizzato gli iperparametri con GridSearchCV sono stati testati quattro modelli di apprendimento automatico: XGBoost Random Forest k-nearest neighbours e regressione logistica. Il modello XGBoost ha ottenuto le migliori prestazioni con un'area sotto la curva ROC di 0842 superando l'indice ROX e il modello Random Forest. I modelli di regressione logistica e k-nearest neighbours hanno ottenuto risultati inferiori. L'integrazione dell'intelligenza artificiale in particolare attraverso il modello XGBoost sembra promettente per migliorare la gestione dei pazienti affetti da polmonite da COVID-19 identificando precocemente i soggetti a rischio di fallimento dell'ossigenoterapia ad alto flusso e riducendo le intubazioni inappropriate.