PRZEWIDYWANIE NIEPOWODZENIA TLENOTERAPII WYSOKOPRZEPŁYWOWEJ

Tlenoterapia wysokoprzepływowa okazała się skuteczna w zmniejszaniu śmiertelności ale niepowodzenie tej metody pozostaje trudne do przewidzenia. Celem tego badania jest zintegrowanie sztucznej inteligencji z decyzją terapeutyczną aby poprawić to przewidywanie. Uwzględniliśmy 369 pacjentów z COVID-19 przyjętych na oddział intensywnej terapii szpitala regionalnego Zaghouan w okresie od marca 2020 r. do grudnia 2022 r. Po wstępnym przetworzeniu danych i optymalizacji hiperparametrów za pomocą GridSearchCV przetestowano cztery modele uczenia maszynowego: XGBoost Random Forest k-najbliższych sąsiadów i regresję logistyczną. Model XGBoost wypadł najlepiej z obszarem pod krzywą ROC wynoszącym 0842 przewyższając indeks ROX i model Random Forest. Modele regresji logistycznej i k-najbliższych sąsiadów wypadły słabiej. Integracja sztucznej inteligencji w szczególności za pomocą modelu XGBoost wydaje się obiecująca dla poprawy zarządzania pacjentami z zapaleniem płuc COVID-19 poprzez wczesną identyfikację osób zagrożonych niepowodzeniem tlenoterapii wysokoprzepływowej i ograniczenie niewłaściwych intubacji.