Introduzione

La mortalità dei pazienti in ICU rappresenta una delle sfide più grandi per i clinici e gli scienziati. L'obiettivo di questo studio è stato quello di sviluppare un modello di intelligenza artificiale multimodale che possa prevedere la mortalità dei pazienti in ICU utilizzando dati strutturati e non strutturati.

Materiali e metodi

Si sono utilizzati dati da MIMIC-III, MIMIC-IV, eICU e HiRID per sviluppare il modello. Il modello è stato valutato utilizzando metriche come l'AUROC (Area Under the Receiver Operating Characteristic curve), AUPRC (Area Under the Precision-Recall Curve) e Brier score.

Risultati

I risultati mostrano che il modello ha ottenuto un AUROC del 92%, AUPRC del 53% e Brier score del 19%. La valutazione esterna è stata eseguita su dati da MIMIC, HiRID e eICU con una temporale separata. I risultati mostrano che il modello ha ottenuto un AUROC che varia tra 0,84 e 0,92.

Discussione

I risultati di questo studio sottolineano l'importanza dell'integrazione di diversi tipi di dati per migliorare le prestazioni dei modelli di intelligenza artificiale. I dati strutturati e non strutturati possono fornire informazioni fondamentali che possono aiutare a prevedere la mortalità dei pazienti in ICU con maggiore precisione.

Conclusioni

In sintesi, questo studio ha mostrato che l'integrazione di dati strutturati e non strutturati può migliorare significativamente le prestazioni dei modelli di intelligenza artificiale per prevedere la mortalità dei pazienti in ICU.