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 0,97 e un'AUC dello 0,874. Sono state effettuate anche previsioni a 8, 10 e 12 ore di distanza, ottenendo rispettivamente un'accuratezza di 0,899, 0,891 e 0,8954 e un'AUC di 0,867, 0,8639 e 0,8530. 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 0,89 e un'AUC di 0,74. Le previsioni a 8, 10 e 12 ore di distanza hanno mostrato accuratezze di 0,8861, 0,8772 e 0,8718 e AUC di 0,73, 0,72 e 0,72, rispettivamente. Il modello XGBoost mostra un potenziale per la diagnosi precoce dello shock settico, ma richiede ulteriori test e ottimizzazioni per l'applicazione clinica.

Prof. Sawsen Chakroun - Capo del Dipartimento di Anestesia e Terapia Intensiva Pediatrica presso il Centro Ospedaliero Universitario di Monastir, Tunisia.Professore associato di anestesia e terapia intensiva.