WKŁAD SZTUCZNEJ INTELIGENCJI W INTENSYWNĄ TERAPIĘ

Wczesne wykrycie wstrząsu septycznego ma kluczowe znaczenie dla poprawy wyników leczenia pacjentów. Niniejsze badanie ma na celu opracowanie modelu uczenia maszynowego wykorzystującego XGBoost do przewidywania wstrząsu septycznego z sześciogodzinnym wyprzedzeniem. Model został wytrenowany na publicznym zbiorze danych obejmującym 40 336 pacjentów. Przetestowano go na części tego zestawu osiągając dokładność 097 i AUC 0874. Wykonano również prognozy na 8 10 i 12 godzin do przodu uzyskując dokładność 0899 0891 i 08954 oraz AUC odpowiednio 0867 08639 i 08530. Ponadto model został przetestowany na lokalnym zbiorze danych ze Szpitala Uniwersyteckiego Fattouma Bourguiba obejmującym 30 pacjentów. W przypadku 6-godzinnego przewidywania na lokalnym zbiorze danych model osiągnął dokładność 089 i AUC 074. Prognozy na 8 10 i 12 godzin do przodu wykazały dokładność 08861 08772 i 08718 oraz AUC odpowiednio 073 072 i 072. Model XGBoost wykazuje potencjał do wczesnego wykrywania wstrząsu septycznego ale wymaga dalszych testów i optymalizacji do zastosowań klinicznych.