Amine Ben Slimene / Maha Ben Mansour / Sawsen Chakroun
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
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.
