Tlenoterapia wysokoprzep¿ywowa okazäa si¿ skuteczna w zmniejszaniu ¿miertelno¿ci, ale niepowodzenie tej metody pozostaje trudne do przewidzenia. Celem tego badania jest zintegrowanie sztucznej inteligencji z decyzj¿ terapeutyczn¿, aby poprawi¿ to przewidywanie. Uwzgl¿dnili¿my 369 pacjentów z COVID-19 przyj¿tych na oddziä intensywnej terapii szpitala regionalnego Zaghouan w okresie od marca 2020 r. do grudnia 2022 r. Po wst¿pnym przetworzeniu danych i optymalizacji hiperparametrów za pomoc¿ GridSearchCV przetestowano cztery modele uczenia maszynowego: XGBoost, Random Forest, k-najbli¿szych s¿siadów i regresj¿ logistyczn¿. Model XGBoost wypad¿ najlepiej, z obszarem pod krzyw¿ ROC wynosz¿cym 0,842, przewy¿szaj¿c indeks ROX i model Random Forest. Modele regresji logistycznej i k-najbli¿szych s¿siadów wypad¿y s¿abiej. Integracja sztucznej inteligencji, w szczególno¿ci za pomoc¿ modelu XGBoost, wydaje si¿ obiecuj¿ca dla poprawy zarz¿dzania pacjentami z zapaleniem p¿uc COVID-19, poprzez wczesn¿ identyfikacj¿ osób zagro¿onych niepowodzeniem tlenoterapii wysokoprzep¿ywowej i ograniczenie niew¿äciwych intubacji.
Prijshistorie
* Prijshistorie bevat geen data van Amazon.
Prijzen voor het laatst bijgewerkt op: