Evaluering af effektiviteten af ​​kunstig intelligens-modeller til at forudsige behov for indlæggelse på intensivafdelinger

Intensive afdelinger (ICU'er) er kritiske komponenter i sundhedssystemerne, der yder livreddende pleje til patienter med alvorlige og livstruende tilstande. Rettidig og nøjagtig forudsigelse af ICU-indlæggelsesbehov er afgørende for at forbedre patientresultater og optimere allokering af hospitalsressourcer. Forsinkede ICU-indlæggelser har konsekvent været forbundet med højere morbiditet og dødelighed. Med fremkomsten af ​​kunstig intelligens (AI) i sundhedsvæsenet er der mulighed for at forbedre den kliniske beslutningstagning ved at udnytte AI-modeller til at forudsige ICU-behov nøjagtigt. AI-modeller, såsom ChatGPT og Gemini, kan behandle enorme mængder af komplekse data for at identificere mønstre, der måske ikke umiddelbart er tydelige for menneskelige klinikere, hvilket potentielt kan forbedre hastigheden og nøjagtigheden af ​​beslutninger om ICU-indlæggelse.

Dette er en observationel retrospektiv undersøgelse. Data blev indsamlet fra elektroniske sundhedsjournaler (EPJ'er) fra et hospital retrospektivt.

Data blev udtrukket fra EPJ'er og inkluderede:

Demografiske data: Alder, køn og grundlæggende patientkarakteristika. Kliniske parametre: Medicinoplysninger, konsultationsdetaljer, EKG-fund, billeddiagnostiske resultater, komorbide tilstande (f.eks. diabetes mellitus, hypertension, hjertesvigt, KOL, cerebrovaskulære hændelser) og laboratorieværdier (f.eks. hæmoglobin, hæmatokrit, blodpladetal, PT, INR , procalcitonin, ALT, AST, bilirubin, natrium, kalium, chlorid, glucose, kreatinin, urinstof, albumin, test af skjoldbruskkirtelfunktion).

Forudsigelsesdata: AI-modelforudsigelser og faktiske beslutninger om ICU-indlæggelse.