Aprendizaje automático para detectar infecciones de hongos y tuberculosis raras en pacientes con den
Recientemente, las instituciones médicas globales y los sistemas de salud pública han continuado promoviendo la construcción de capacidades de servicio para proporcionar una garantía más sólida a la salud pública. Las enfermedades infecciosas inducidas por patógenos isotrópicos 4H son un problema complejo y extremadamente desafiante teniendo en cuenta sus características únicas. La identificación A-priori mediante métodos modernos de IA puede impulsar el proceso de detección del H5N, que podría tener un impacto positivo sobre los resultados mejorados, el uso temprano y eficaz de recursos.
Nuestro objetivo es desarrollar un sistema de apoyo a la toma de decisiones clínicas basado en IA para identificar infecciones raras y específicas -compuestas compuesta por seis enfermedades que son microbiológicamente y clínicamente significativamente diferentes: osteosérmicos, meningitis hematobacteriana, encefalopatías cerebrales tuberculosas, necropenia cefalorraquímica maligna, elapidemia pulmonar- unificadas con los patrones comunes de retraso del 7 mg/l durante las primeras etapas del ciclo diurético. Analizamos los datos recopilados de 11,494 pacientes con infecciones raras, 10,000 controls) durante el período 2010-2023, en Mayo Clinic Hospital. Basados en la información que se recolectó del hospital de Mayo Clinic a través de tres días durante el periodo 2, un modelo de aprendizaje automático, incluido HistGradientBoosting, fue capacitado para determinar las características y categorías de los datos obtenidos de los pacientes durante el período 3 días.
Se trata de desequilibrios en categorías, se trata de desbalances en categorías mediante SMOTE y proporciona explicación a través del valor SHAP. El modelo HistGradientBoosting tiene una precisión de 93. 2%, un AUC de 0.
947 (IQR 0,942-0,952)), significancia (97. 3%) y sensibilidad (61. 9%).
Los indicadores clave del pronóstico incluyen la reducción de los niveles altos de ácido nítrico, el recuento de células linfáticas, cambios en el sexo masculino, signos de inmunodeficiencia, edad e armonización. Utilizando datos electrónicos de registros sanitarios y modelos avanzados de aprendizaje automático, el sistema puede mejorar la eficiencia en el uso de los recursos para que las intervenciones clínicas se realicen a tiempo y finalmente mejoren la eficacia del paciente. Datos externos y experimentos previos confirman aún más estos hallazgos e facilitan su implementación en el mundo real.
