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.