WK¿AD SZTUCZNEJ INTELIGENCJI W INTENSYWN¿ TERAPI¿

Wczesne wykrycie wstrz-su septycznego ma kluczowe znaczenie dla poprawy wyników leczenia pacjentów. Niniejsze badanie ma na celu opracowanie modelu uczenia maszynowego wykorzystuj-cego XGBoost do przewidywania wstrz-su septycznego z sze-ciogodzinnym wyprzedzeniem. Model zostä wytrenowany na publicznym zbiorze danych obejmuj-cym 40 336 pacjentów. Przetestowano go na cz--ci tego zestawu, osi-gaj-c dok-adno-- 0,97 i AUC 0,874. Wykonano równie- prognozy na 8, 10 i 12 godzin do przodu, uzyskuj-c dok-adno-- 0,899, 0,891 i 0,8954 oraz AUC odpowiednio 0,867, 0,8639 i 0,8530. Ponadto model zostä przetestowany na lokalnym zbiorze danych ze Szpitala Uniwersyteckiego Fattouma Bourguiba, obejmuj-cym 30 pacjentów. W przypadku 6-godzinnego przewidywania na lokalnym zbiorze danych model osi-gn-- dok-adno-- 0,89 i AUC 0,74. Prognozy na 8, 10 i 12 godzin do przodu wykazäy dok-adno-- 0,8861, 0,8772 i 0,8718 oraz AUC odpowiednio 0,73, 0,72 i 0,72. Model XGBoost wykazuje potencjä do wczesnego wykrywania wstrz-su septycznego, ale wymaga dalszych testów i optymalizacji do zastosowä klinicznych.

Prof. Sawsen Chakroun - Chef de service d'Anesthésie Réanimation Pédiatrique au Centre Hospitalo Universitaire à Monastir, Tunisie.Professeur Agrégé en Anesthésie Réanimation.