Overview

Die Hochleistungs-Sauerstofftherapie hat sich bei der Senkung der Sterblichkeit als wirksam erwiesen, aber das Versagen dieser Methode lässt sich nur schwer vorhersagen. Diese Studie zielt darauf ab, künstliche Intelligenz in die Therapieentscheidung zu integrieren, um die Vorhersage zu verbessern. Wir schlossen 369 Patienten mit COVID-19 ein, die von März 2020 bis Dezember 2022 auf der Intensivstation des Regionalkrankenhauses Zaghouan behandelt wurden. Nach der Vorverarbeitung der Daten und der Optimierung der Hyperparameter mit GridSearchCV wurden vier Modelle des maschinellen Lernens getestet: XGBoost, Random Forest, k-nearest neighbors und logistische Regression. Das XGBoost-Modell zeigte mit einer Fläche unter der ROC-Kurve von 0,842 die beste Leistung und übertraf damit den ROX-Index und das Random-Forest-Modell. Die Modelle logistische Regression und k-nearest neighbors zeigten eine schlechtere Leistung. Die Integration von künstlicher Intelligenz, insbesondere durch das XGBoost-Modell, erscheint vielversprechend, um die Behandlung von Patienten mit COVID-19-Pneumopathie zu verbessern, indem sie diejenigen, bei denen das Risiko besteht, dass die Hochleistungs-Sauerstofftherapie versagt, frühzeitig identifiziert und unangemessene Intubationen reduziert werden.

Full Product Details

9786202002080

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available