Nova studija vođena od strane Ievande E. Odeiemi i njenog tima sa Mejo Clinic, objavljena u časopisu Biomolecules and Biomedicine, predstavlja značajan korak u rešavanju izazova u proceni težine pneumonije i predviđanju potrebe za respiratornom podrškom kod hospitalizovanih pacijenata.
Tradicionalni alati poput Indeksa ozbiljnosti pneumonije (PSI) fokusiraju se uglavnom na rizike od smrtnosti, ali nedostaju u predviđanju potrebe za naprednom respiratornom podrškom, što ostavlja prazninu u nezi pacijenata.
Studija uvodi novi pristup korišćenjem mašinskog učenja, posebno metodologiju gradientnog boostinga (GBM), za analizu različitih faktora koji predviđaju rizik od smrtnosti i potrebu za respiratornom podrškom kod pacijenata sa pneumonijom stečenom u zajednici (CAP).
GBM model analizira širok spektar varijabli, uključujući demografske podatke, vitalne znakove i laboratorijske rezultate prikupljene u prvih šest sati od prijema u bolnicu, pružajući precizniju i sveobuhvatniju procenu rizika.
Studija je koristila podatke o 4.379 pacijenata hospitalizovanih zbog CAP-a tokom perioda od 10 godina, a rezultati su pokazali da je GBM model nadmašio tradicionalne alate kao što su PSI i CURB-65 u predviđanju potrebe za respiratornom podrškom.
Ova inovativna metodologija otvara put za personalizovaniju i efikasniju negu pacijenata sa pneumonijom, ističući potencijal mašinskog učenja u revolucioniranju zdravstvene zaštite. Međutim, integracija ovih tehnologija u kliničku praksu zahteva rešavanje izazova poput privatnosti podataka i etičkih implikacija.
