Overview

L'ossigenoterapia ad alto flusso si è dimostrata efficace nel ridurre la mortalità, ma il fallimento di questo metodo rimane difficile da prevedere. Lo scopo di questo studio è integrare l'intelligenza artificiale nella decisione terapeutica per migliorare questa previsione. Abbiamo incluso 369 pazienti con COVID-19 ricoverati in terapia intensiva presso l'ospedale regionale di Zaghouan tra marzo 2020 e dicembre 2022. Dopo aver preprocessato i dati e ottimizzato gli iperparametri con GridSearchCV, sono stati testati quattro modelli di apprendimento automatico: XGBoost, Random Forest, k-nearest neighbours e regressione logistica. Il modello XGBoost ha ottenuto le migliori prestazioni, con un'area sotto la curva ROC di 0,842, superando l'indice ROX e il modello Random Forest. I modelli di regressione logistica e k-nearest neighbours hanno ottenuto risultati inferiori. L'integrazione dell'intelligenza artificiale, in particolare attraverso il modello XGBoost, sembra promettente per migliorare la gestione dei pazienti affetti da polmonite da COVID-19, identificando precocemente i soggetti a rischio di fallimento dell'ossigenoterapia ad alto flusso e riducendo le intubazioni inappropriate.

Full Product Details

9786202002127

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available