Portada

WK?AD SZTUCZNEJ INTELIGENCJI W INTENSYWN? TERAPI? IBD

WYDAWNICTWO NASZA WIEDZA
02 / 2025
9786208695583
Polonés

Sinopse

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 zosta? 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 zosta? 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 wykaza?y dok?adno?? 0,8861, 0,8772 i 0,8718 oraz AUC odpowiednio 0,73, 0,72 i 0,72. Model XGBoost wykazuje potencja? do wczesnego wykrywania wstrz?su septycznego, ale wymaga dalszych testów i optymalizacji do zastosowa? klinicznych.

PVP
58,82