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)
Wczesne wykrycie wstrząsu septycznego ma kluczowe znaczenie dla poprawy wyników leczenia pacjentów. Niniejsze badanie ma na celu opracowanie modelu uczenia maszynowego wykorzystującego XGBoost do przewidywania wstrząsu septycznego z sześciogodzinnym wyprzedzeniem. Model został wytrenowany na publicznym zbiorze danych obejmującym 40 336 pacjentów. Przetestowano go na części tego zestawu, osiągając dokładność 0,97 i AUC 0,874. Wykonano również prognozy na 8, 10 i 12 godzin do przodu, uzyskując dokładność 0,899, 0,891 i 0,8954 oraz AUC odpowiednio 0,867, 0,8639 i 0,8530. Ponadto model został przetestowany na lokalnym zbiorze danych ze Szpitala Uniwersyteckiego Fattouma Bourguiba, obejmującym 30 pacjentów. W przypadku 6-godzinnego przewidywania na lokalnym zbiorze danych model osiągnął dokładność 0,89 i AUC 0,74. Prognozy na 8, 10 i 12 godzin do przodu wykazały dokładność 0,8861, 0,8772 i 0,8718 oraz AUC odpowiednio 0,73, 0,72 i 0,72. Model XGBoost wykazuje potencjał do wczesnego wykrywania wstrząsu septycznego, ale wymaga dalszych testów i optymalizacji do zastosowań klinicznych.
