L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-25
Apprentissage automatique interprétable pour prédire l'altération peropératoire de l'oxygénation pendant la ventilation unipulmonaire en chirurgie thoracique : une étude de cohorte rétrospective
Titre original: Interpretable machine learning for predicting intraoperative oxygenation impairment during one-lung ventilation in thoracic surgery: a retrospective cohort study
Cette étude a testé cinq modèles d'apprentissage automatique sur les données de 519 patients de chirurgie thoracique afin de prédire l'altération de l'oxygénation pendant la ventilation unipulmonaire. Le modèle de forêt aléatoire a obtenu les meilleurs résultats (AUC 0.924), devant la régression logistique (0.790). L'analyse SHAP a identifié la pression expiratoire positive, la pression partielle artérielle en oxygène préopératoire et l'indice de masse corporelle comme principaux prédicteurs.