AI-voorspelmodellen: ongeplande heropnamen en flebitis

Résumé fourni par la source

Samenvatting Aan de hand van twee recente eigen publicaties beschrijven we de ontwikkeling van klinische voorspelmodellen voor ongeplande heropnamen en perifeer infuusgerelateerde flebitis. Het proces van de selectie van variabelen, het bewerken en balanceren van datasets wordt beschreven. In het model voor ongeplande heropnamen bleek de statistische beslisboomtechniek XGBoost het beste model te genereren. Dit model maakte ook duidelijk dat de meeste variabelen niet te beïnvloeden zijn. Voorspellen is niet hetzelfde als voorkómen, maar bewustwording van het risico kan bijdragen aan het verlagen ervan. Het flebitismodel daarentegen bleek juist wel bij te dragen aan een significante vermindering van het optreden van flebitis. We concluderen dat de constructie van een AI-model mogelijk is, maar een complex proces betreft. De kwaliteit van een model wordt bepaald door goede brondata, een juiste selectie van variabelen en de keuze van het algoritme. Modellen zijn populatiegebonden en dus niet makkelijk generaliseerbaar.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.