Evaluering av effektiviteten til kunstig intelligens-modeller for å forutsi innleggelsesbehov for intensivavdelinger

Intensivavdelinger (ICUs) er kritiske komponenter i helsevesenet, og gir livreddende omsorg til pasienter med alvorlige og livstruende tilstander. Rettidig og nøyaktig prediksjon av ICU-innleggelsesbehov er avgjørende for å forbedre pasientresultatene og optimalisere ressursallokeringen til sykehus. Forsinkede innleggelser på intensivavdelingen har konsekvent vært assosiert med høyere sykelighet og dødelighet. Med bruken av kunstig intelligens (AI) i helsevesenet, er det en mulighet til å forbedre klinisk beslutningstaking ved å utnytte AI-modeller for å forutsi ICU-behov nøyaktig. AI-modeller, som ChatGPT og Gemini, kan behandle enorme mengder komplekse data for å identifisere mønstre som kanskje ikke umiddelbart er tydelige for menneskelige klinikere, noe som potensielt kan forbedre hastigheten og nøyaktigheten til beslutninger om ICU-innleggelse.

Dette er en observasjonsretrospektiv studie. Data ble samlet inn fra elektroniske helsejournaler (EPJer) fra et sykehus retrospektivt.

Data ble hentet fra EPJer og inkluderte:

Demografiske data: Alder, kjønn og grunnleggende pasientegenskaper. Kliniske parametere: Medisininformasjon, konsultasjonsdetaljer, EKG-funn, bildediagnostikk, komorbide tilstander (f.eks. diabetes mellitus, hypertensjon, hjertesvikt, KOLS, cerebrovaskulære hendelser) og laboratorieverdier (f.eks. hemoglobin, hematokrit, antall blodplater, PT, INR , prokalsitonin, ALT, AST, bilirubin, natrium, kalium, klorid, glukose, kreatinin, urea, albumin, skjoldbruskfunksjonstester).

Prediksjonsdata: AI-modellspådommer og faktiske beslutninger om ICU-opptak.