Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Tlenoterapia wysokoprzepływowa okazała się skuteczna w zmniejszaniu śmiertelności, ale niepowodzenie tej metody pozostaje trudne do przewidzenia. Celem tego badania jest zintegrowanie sztucznej inteligencji z decyzją terapeutyczną, aby poprawić to przewidywanie. Uwzględniliśmy 369 pacjentów z COVID-19 przyjętych na oddział intensywnej terapii szpitala regionalnego Zaghouan w okresie od marca 2020 r. do grudnia 2022 r. Po wstępnym przetworzeniu danych i optymalizacji hiperparametrów za pomocą GridSearchCV przetestowano cztery modele uczenia maszynowego: XGBoost, Random Forest, k-najbliższych sąsiadów i regresję logistyczną. Model XGBoost wypadł najlepiej, z obszarem pod krzywą ROC wynoszącym 0,842, przewyższając indeks ROX i model Random Forest. Modele regresji logistycznej i k-najbliższych sąsiadów wypadły słabiej. Integracja sztucznej inteligencji, w szczególności za pomocą modelu XGBoost, wydaje się obiecująca dla poprawy zarządzania pacjentami z zapaleniem płuc COVID-19, poprzez wczesną identyfikację osób zagrożonych niepowodzeniem tlenoterapii wysokoprzepływowej i ograniczenie niewłaściwych intubacji.
