LAMINTANGLAMINTANG

International Journal of Clinical Inventions and Medical Sciences (IJCIMS)International Journal of Clinical Inventions and Medical Sciences (IJCIMS)

Sepsis tetap menjadi penyebab utama morbiditas dan mortalitas di seluruh dunia, dengan beban yang tidak proporsional tinggi di negara-negara berpenghasilan rendah dan menengah (LMIC) seperti Thailand. Alat skor klinis konvensional, termasuk qSOFA, seringkali menunjukkan akurasi terbatas dalam deteksi sepsis awal, terutama di lingkungan dengan sumber daya terbatas. Studi ini memenuhi kebutuhan mendesak akan model prediktif yang andal, dapat dikembangkan, dan dapat ditafsirkan dengan mengevaluasi kinerja pembelajaran mesin secara khusus Random Forest (RF) menggunakan dataset rumah sakit dari rumah sakit tersier dan distrik di Thailand. Temuan mengungkapkan bahwa model RF secara signifikan melebihi regresi logistik dan qSOFA, mencapai AUROC sebesar 0,89 dan AUPRC sebesar 0,76 di rumah sakit tersier, dan mempertahankan akurasi yang kuat (AUROC 0,83, AUPRC 0,69) di rumah sakit distrik di mana variabel yang lebih sedikit tersedia. Analisis pentingnya fitur menekankan tekanan darah sistolik, frekuensi napas, saturasi oksigen, dan hitung sel darah putih sebagai prediktor paling berpengaruh, sejalan dengan patophysiologi sepsis yang telah ditetapkan. Pentingnya model yang dapat ditafsirkan meningkatkan kepercayaan klinisi dan memfasilitasi potensi integrasinya ke dalam Skema Universal Coverage dan Pusat Data Kesehatan Thailand. Hasil ini menunjukkan bahwa solusi AI ringan dan dapat ditafsirkan dapat meningkatkan akurasi diagnostik dan kesetaraan kesehatan di pengaturan LMIC. Pengalaman Thailand menyediakan model yang dapat ditransfer untuk aplikasi kesehatan global yang lebih luas, menunjukkan bagaimana AI dapat mendukung deteksi sepsis awal, mengurangi mortalitas, dan memperkuat ketahanan sistem kesehatan nasional.

Studi ini menunjukkan bahwa kecerdasan buatan, khususnya model Random Forest, dapat meningkatkan deteksi dini sepsis di Thailand dibandingkan dengan sistem skor tradisional seperti qSOFA dan regresi logistik.Dengan mencapai nilai AUROC dan AUPRC yang lebih tinggi di kedua rumah sakit tersier dan distrik, model AI membuktikan keandalannya dan adaptabilitasnya di berbagai pengaturan klinis.Temuan lebih lanjut menekankan pentingnya interpretabilitas model dan keselarasan dengan alur kerja klinis lokal.Di Thailand, di mana kepercayaan dan kemudahan penggunaan dokter sangat penting untuk adopsi, ketergantungan model pada variabel yang akrab seperti tekanan darah, frekuensi napas, dan hitung sel darah putih meningkatkan penerimaan klinisnya.Interpretabilitas ini memastikan bahwa kemajuan teknologi melengkapi, bukan mengganggu, praktik medis yang sudah mapan.Akhirnya, integrasi deteksi sepsis berbasis AI ke dalam sistem kesehatan Thailand sejalan dengan agenda kesehatan digital nasional dan Skema Universal Coverage.Dengan menjembatani kesenjangan perkotaan-pedesaan dan mendukung pengambilan keputusan secara real-time, inovasi ini memiliki potensi untuk memperkuat kesetaraan dan hasil kesehatan.Kasus Thailand memberikan wawasan berharga bagi negara-negara LMIC lainnya, menunjukkan bahwa solusi AI yang ringan dan dapat ditafsirkan dapat berfungsi sebagai alat yang dapat dikembangkan untuk peningkatan kesehatan global.

Untuk penelitian lanjutan, kami menyarankan pengembangan model AI yang lebih lanjut dengan fokus pada interpretabilitas dan kesederhanaan. Model-model ini dapat dirancang untuk bekerja dengan data yang lebih sedikit dan lebih mudah diakses, seperti yang ditunjukkan dalam studi ini dengan menggunakan variabel vital dan laboratorium dasar. Selain itu, penelitian dapat dilakukan untuk mengeksplorasi integrasi model AI dengan sistem kesehatan nasional, seperti yang diusulkan dalam studi ini dengan Thailand Health Data Center. Dengan demikian, penelitian ini dapat berkontribusi pada pengembangan solusi AI yang dapat diakses dan dapat diterapkan secara luas untuk deteksi dini sepsis di negara-negara LMIC.

  1. Driven Clinical Decision Support for Early Detection of Sepsis in Resource | International Journal of... doi.org/10.36079/lamintang.ijcims-0702.907Driven Clinical Decision Support for Early Detection of Sepsis in Resource International Journal of doi 10 36079 lamintang ijcims 0702 907
Read online
File size638.84 KB
Pages9
DMCAReport

Related /

ads-block-test