מודל למידת מכונה שנועד לחזות אירועים של היפוגליקמיה באשפוז באמצעות גלוקוז קפילרי (CBG) הראה ביצועים מצוינים, כך עולה מתוצאות מחקר בינה מלאכותית שהוצג בכנס המקצועי של Diabetes UK (DUKPC). בניתוח נפרד, החוקרים השתמשו במודל כדי להעריך את החשיבות היחסית של מאפיינים גליקמיים שונים בחיזוי היפוגליקמיה באשפוז, והגיעו למסקנה שלמדידות גלוקוז קפילרי קיצוניות ומשתנות היה הערך הפרוגנוסטי הגדול ביותר.
“הראינו שלמודל יש כוח ניבוי טוב מאוד לאירועי היפוגליקמיה”, אמר המחבר הראשי של המחקר, “כעת, עלינו להראות שהצוות יכול לפעול בהתאם ביעילות ושזה יתורגם להשפעה קלינית משמעותית”.
הדיוק של המודל בחיזוי אירוע היפוגליקמי הוערך באמצעות השטח שמתחת לעקומה (AUC). המודל הפיק מספר בין אפס לאחד, אשר חזה את הסיכון של המטופל לסבול מאירוע היפוגליקמיה ב-24 השעות הקרובות והוכח כי הוא עולה למקסימום ביום ה-7. “הסיכון עלה מסביבות 0.78 ביום 2 ל-0.85 ביום 7, ולאחר מכן נשאר בסביבות 0.85 עד יום 31, עם רווחי סמך הולכים וגדלים ככל שמספר האשפוזים בכל משך פחת”, אמר מחבר המחקר.
המודל מיועד לשימוש בחולים מאושפזים על ידי הערכת מדידות גלוקוז קפילרי בלבד. לשם השוואה, מודלים אחרים מסתמכים על מגוון נתונים קליניים שנלקחו מרישומי בית חולים אלקטרוניים, ומוסיפים רמת מורכבות המגבילה את התועלת וההעברה שלהם בין הגדרות בית חולים שונות.
e-Med Tools
קצר קולע וממוקד
e-Med סמינרים
אי-מד תחקירים
Medscape Tools
Journal Club
מרכזי מידע ושירות
Facebook
מידע למפרסם
מאגר תרופות
מאגר אנשי המקצוע
אינדקס שימושי
חדשות משה"ב
eMed HealthClub
מחקרים קליניים
השאירו תגובה
רוצה להצטרף לדיון?תרגישו חופשי לתרום!