Andere Kunden interessierten sich auch für
![Hyperbare Sauerstofftherapie und ano-perineale Läsionen]( "Hyperbare Sauerstofftherapie und ano-perineale Läsionen")
Hyperbare Sauerstofftherapie und ano-perineale Läsionen43,90 €![Code to Cure: Neue Wege in der Arzneimittelentdeckung mit künstlicher Intelligenz]( "Code to Cure: Neue Wege in der Arzneimittelentdeckung mit künstlicher Intelligenz")
Code to Cure: Neue Wege in der Arzneimittelentdeckung mit künstlicher Intelligenz60,90 €![Wirksamkeit der hyperbaren Sauerstofftherapie]( "Wirksamkeit der hyperbaren Sauerstofftherapie")
Wirksamkeit der hyperbaren Sauerstofftherapie43,90 €![Systematische Überprüfung und Meta-Analyse der Beziehung zwischen BDNF und MDD]( "Systematische Überprüfung und Meta-Analyse der Beziehung zwischen BDNF und MDD")
Systematische Überprüfung und Meta-Analyse der Beziehung zwischen BDNF und MDD54,90 €![AKUTE SCHWERE BRONCHIOLITIS]( "AKUTE SCHWERE BRONCHIOLITIS")
AKUTE SCHWERE BRONCHIOLITIS43,90 €![COVITALE mit den Augen eines Bildwissenschaftlers]( "COVITALE mit den Augen eines Bildwissenschaftlers")
COVITALE mit den Augen eines Bildwissenschaftlers45,90 €![Biokraft und öffentliche Gesundheit]( "Biokraft und öffentliche Gesundheit")
Biokraft und öffentliche Gesundheit43,90 €
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.