Inteligência Artificial para Predição de Sepse em UTI (AICUSepsis)

O modelo de previsão de sepse adotado neste estudo foi concluído na preparação preliminar, que foi construída em 7.000 pacientes desde o estabelecimento da UTI abrangente, e o padrão de diagnóstico de sepse 3.0 foi adotado. O modelo de previsão de sepse foi construído usando a plataforma Python e o algoritmo XGBoost , que foi usado para prever a incidência de sepse em pacientes de UTI em 24 horas. A precisão geral foi de 82% e a área sob a curva Auroc foi de 0,854.

Os pacientes que atenderam aos critérios de inclusão e exclusão receberam uma previsão diária do modelo de sepse e uma lista de verificação quantitativa foi formada com base nos resultados do teste. Existem dois tipos de resultados de previsão: baixo risco e alto risco. Listas de verificação quantitativas estão disponíveis para médicos assistentes para melhorar a eficiência diagnóstica. Os resultados foram mantidos em sigilo para o clínico.

Todos os pacientes foram diagnosticados com sepse por dois médicos assistentes seniores em um horário fixo. O diagnóstico consistia em dois tipos: sim e não. Se dois médicos assistentes tiverem opiniões diferentes, o terceiro médico assistente será incluído para correção do diagnóstico e a presença de sepse será determinada de maneira 2:1. Os médicos assistentes são independentes de cada um.

Quando os resultados do diagnóstico do médico assistente são inseridos no sistema, os resultados de previsão do modelo de previsão de sepse de ontem são comparados e calculados para determinar a precisão do modelo de previsão