Lewati ke konten utama

// Penelitian Perawatan Kritis · MIMIC-IV · 2026

Memprediksi Kegagalan
Ekstubasi pada Pasien
Geriatri ICU

XGBoost vs Regresi Logistik — model prediktif untuk menghitung kegagalan ekstubasi pada pasien geriatri on ventilator di ICU.

Tanya Asisten AI BETA Baca Penelitian Buka Lab Interaktif Validasi Eksternal ID Rencana Pengembangan

dr. Eka Satrio Putra, Sp.An-TI

Anestesiologi dan Terapi Intensif

Web ini berisi rangkuman hasil penelitian beserta kalkulator model prediktif berbasis machine learning (pembelajaran komputasional).

// Research Summary

XGBoost versus Regresi Logistik untuk Prediksi Kegagalan Ekstubasi pada Pasien Geriatri ICU: Studi Komparatif pada Database MIMIC-IV

XGBoost SHAP MIMIC-IV Geriatri Kegagalan Ekstubasi

Asisten RAG · BETA

Tanya soal ML & perawatan kritis

Asisten AI yang dijamin grounded dari paper. Setiap jawaban menyertakan sumber. Tingkat penjelasan adaptif: pemula → klinisi → data scientist.

Mulai dari pertanyaan ini
Tempat aman buat belajar & bertanya

// 01 — Mengapa Pemelajaran Mesin?

Mengapa bantuan pemelajaran mesin itu penting?

Parameter tunggal tidak cukup

RSBI, P0.1, MIP, CROP — tidak ada satu pun yang terbukti akurat untuk memprediksi keberhasilan weaning secara individual pada level pasien.

[1] Thille et al., Am J Respir Crit Care Med 2013

Angka kegagalan stagnan

Meskipun protokol weaning terus disempurnakan, angka kegagalan ekstubasi tidak berubah secara dramatis selama bertahun-tahun.

[2] Osborne & Toner, EMJ Respir 2023

Data melebihi kapasitas manusia

ICU menghasilkan ratusan titik data per pasien per hari. Analisisnya melampaui kemampuan pemrosesan kognitif klinisi dan membutuhkan proses otomatis seperti AI.

[3] Celi et al., Am J Respir Crit Care Med 2013

Keterlambatan = komplikasi

Late weaning menyebabkan trauma jalan napas, disfagia, delirium pasca-ekstubasi, pneumonia ventilator, dan atrofi diafragma — semua meningkatkan mortalitas.

[4] Boles et al., Eur Respir J 2007

Penelitian ML di ICU bertumbuh eksponensial

Setiap tahun, jumlah publikasi tentang machine learning dan XGBoost di critical care bertambah — bahkan pertahun hingga 3× lipat. Tren ini menunjukkan bahwa komunitas medis global semakin mengadopsi pendekatan komputasional.

Tren publikasi PubMed: Machine Learning + XGBoost + Critical Care, 2020–2025

Data: PubMed, query "Machine Learning" AND "XGBoost" AND "Critical Care", 2020–2025

"Dunia terus bergerak. Terlambat beradaptasi hari ini adalah tiket menuju penyesalan di masa depan."

// 02 — Abstrak

Latar Belakang & Tujuan

Kegagalan ekstubasi — didefinisikan sebagai reintubasi dalam 48 jam pasca-ekstubasi terencana — terjadi pada 10–25% pasien ICU dan berdampak pada peningkatan mortalitas serta lama rawat. Pasien geriatri (≥65 tahun) memiliki kerentanan lebih tinggi akibat sarkopenia, penurunan compliance paru, dan malnutrisi.

Studi kohort retrospektif pada 11.191 episode ventilasi dari 7.511 pasien dalam database MIMIC-IV v3.1. Model XGBoost (85 fitur) dibandingkan dengan Regresi Logistik (26 variabel). Interpretabilitas dieksplorasi menggunakan analisis SHAP untuk mengidentifikasi prediktor kunci kegagalan ekstubasi. Model selanjutnya divalidasi secara eksternal pada sebuah penelitian kohort retrospektif ICU sekunder di Indonesia (n=106, AUC 0.797), tanpa retraining — mengonfirmasi generalisabilitas lintas populasi.

// 03 — Kebaruan

Yang membedakan penelitian ini

Geriatric-specific model

Model ML ekstubasi pertama yang berfokus eksklusif pada pasien ≥65 tahun — kelompok dengan pola fisiologis ekstubasi yang berbeda secara fundamental.

MIMIC-IV open benchmark

Berbeda dengan studi single-center, MIMIC-IV memungkinkan reproduktibilitas penuh dan perbandingan langsung dengan penelitian internasional.

Dual output: predict + explain

XGBoost untuk prediksi + OR/CI dari Logistic Regression untuk faktor risiko — dua output yang saling melengkapi untuk kebutuhan klinis.

Individual-level SHAP

SHAP waterfall plot memungkinkan klinisi memahami mengapa model memprediksi pasien tertentu berisiko tinggi — menjawab kekhawatiran black-box AI.

// Perbandingan dengan penelitian sejenis

Penelitian Model AUC Geriatri MIMIC-IV SHAP Dual Output Ekstubasi 48j
Lin et al. 2021 · Taiwan XGBoost 0.908 ✕ ✕ ✕ ✕ ✓
Xu et al. 2024 · China Random Forest 0.805 ✕ ✕ ✕ ✕ ✕
Zhao et al. 2021 · China CatBoost 0.835 ✕ ✓ ✕ ✕ ✕
Pai et al. 2022 · Taiwan XGBoost 0.921 ✕ ✕ ✓ ✕ ✕
Kim et al. 2023 · Korea Voting Classifier 0.861 ✕ ✓ ✕ ✕ ✕
Liao et al. 2022 · Taiwan XGBoost 0.868 ✕ ✕ ✕ ✕ ✕
Penelitian ini 2026 · Indonesia XGBoost + LR 0.820 ✓ ✓ ✓ ✓ ✓

AUC 0.820 (95% CI 0.801–0.840) vs Regresi Logistik 0.753 (95% CI 0.729–0.776); DeLong's test p < 0.001.
Dual Output = probabilitas (XGBoost) + OR/95% CI (Logistic Regression).

// 04 — Metode

Alur Penelitian

  1. MIMIC-IV 2008–2019
  2. Kohort Retrospektif, ≥60 th, on ventilator
  3. Outcome Reintubasi 48j
  4. Features Labs, Vitals, 24h pre-ekstubasi
  5. XGBoost vs LR
  6. SHAP Explainability

// Key Variables

Skor Asam-BasaBalance CairanPaO₂/FiO₂Pmean SBTHemoglobinUreumAlbuminBMIDurasi VentilasiRR SBTGNRI (Geriatric Nutritional Risk Index)SOFARSBI

// 05 — Hasil Penelitian

Hasil penelitian

0.820

XGBoost AUC-ROC

95% CI 0.801–0.840. Cross-validation 5-fold: AUC 0.795 ± 0.006 — mengonfirmasi generalizability.

20.7%

Angka kegagalan ekstubasi

2.316 dari 11.191 episode ventilasi mengalami kegagalan ekstubasi (reintubasi dalam 48 jam pasca-ekstubasi).

SHAP Feature Importance — Top Predictors

  • Skor Asam-Basa 0.42
  • Balance Cairan 0.35
  • Skor Respiratory Rate 0.28
  • PaO₂/FiO₂ 0.25
  • Albumin Serum 0.22
  • Hemoglobin 0.19
  • Pre-ICU Length of Stay 0.17
  • RSBI saat SBT 0.15
  • Skor Ventilasi Mekanik 0.13
  • PEEP saat SBT 0.11

* Berdasarkan mean |SHAP value| pada test set (n = 2.266). TreeExplainer.

Kurva ROC — XGBoost vs Regresi Logistik

ROC Curve XGBoost vs Logistic Regression
  • XGBoost (AUC = 0.820)
  • Regresi Logistik (AUC = 0.753)
  • Random classifier

ΔAUC = 0.068 (95% CI 0.050–0.086) · Z = 7.41 · p < 0.001 (DeLong's test) · Test set n = 2.266, split by stay_id

// Performa Diagnostik

XGBoost mengungguli Regresi Logistik di seluruh metrik

Perbandingan head-to-head pada test set identik (n = 2.266), menggunakan threshold optimal Youden Index masing-masing model.

XGBoost · threshold 0.41

Sensitivitas 82.3% +6.8%
Spesifisitas 68.5% +3.9%
PPV 41.9% +4.9%
NPV 93.3% +2.7%
F1-Score 0.555 +0.058

Regresi Logistik · threshold 0.18

Sensitivitas 75.5%
Spesifisitas 64.6%
PPV 37.0%
NPV 90.6%
F1-Score 0.497
Mengapa ini penting secara klinis? NPV 93.3% artinya: ketika model memprediksi pasien akan berhasil diekstubasi, probabilitas pasien tersebut memang benar-benar sukses (tidak perlu reintubasi dalam 48 jam) adalah 93.3%. Klinisi dapat lebih percaya diri melanjutkan ekstubasi pada pasien yang diprediksi aman oleh model.
Mengapa XGBoost lebih superior?

Pada threshold optimal masing-masing (Youden Index), XGBoost mengungguli regresi logistik di seluruh metrik diagnostik — sensitivitas lebih tinggi (+6.8%), spesifisitas lebih tinggi (+3.9%), PPV lebih tinggi (+4.9%), dan NPV lebih tinggi (+2.7%).

Yang lebih mencolok: regresi logistik memerlukan threshold sangat rendah (0.18) untuk mencapai sensitivitas 75.5% — artinya model harus "menurunkan standar" dan mengorbankan banyak spesifisitas. Sementara XGBoost mencapai sensitivitas 82.3% pada threshold yang jauh lebih tinggi (0.41), menunjukkan kemampuan diskriminasi yang secara fundamental lebih baik.

Keunggulan ini bersumber dari kemampuan XGBoost menangkap hubungan non-linear (seperti kurva GNRI) dan interaksi antar variabel (misal: kombinasi albumin rendah + balance cairan tinggi) yang tidak terlihat oleh regresi logistik.

Lihat tabel diagnostik lengkap

Tabel Diagnostik — XGBoost

Threshold Sensitivitas Spesifisitas PPV NPV Akurasi F1
0.20 96.3% 39.5% 30.6% 97.5% 51.9% 0.464
0.30 89.6% 54.4% 35.2% 95.0% 62.0% 0.506
0.40 82.9% 67.4% 41.3% 93.4% 70.8% 0.551
0.41 ← Youden 82.3% 68.5% 41.9% 93.3% 71.4% 0.555
0.50 70.5% 77.9% 46.8% 90.5% 76.3% 0.563
0.60 52.3% 87.0% 52.7% 86.8% 79.5% 0.525
0.70 30.5% 94.2% 59.3% 83.1% 80.4% 0.403

Tabel Diagnostik — Regresi Logistik

Threshold Sensitivitas Spesifisitas PPV NPV Akurasi F1
0.18 ← Youden 75.5% 64.6% 37.0% 90.6% 67.0% 0.497
0.20 70.0% 69.7% 38.9% 89.4% 69.8% 0.500
0.30 43.9% 85.2% 44.9% 84.6% 76.3% 0.444
0.40 23.9% 92.1% 45.4% 81.5% 77.4% 0.313
0.50 11.4% 96.1% 44.9% 79.8% 77.9% 0.182
0.60 5.7% 98.1% 44.7% 79.1% 78.1% 0.101
0.70 3.1% 99.1% 47.9% 78.8% 78.4% 0.059

Test set n = 2.266 · Split by stay_id · Prevalensi kegagalan ekstubasi: 20.7%
Threshold optimal ditentukan dengan Youden Index (J = Sensitivitas + Spesifisitas − 1)

// 05.5 — Bukti Empiris

Mengapa regresi logistik kalah: asumsi linearitas log-odds dilanggar

Salah satu asumsi mendasar regresi logistik adalah hubungan log-odds outcome harus linear terhadap variabel prediktor. Pada data MIMIC-IV, kami menguji asumsi ini secara langsung pada GNRI (Geriatric Nutritional Risk Index) — salah satu prediktor terkuat kegagalan ekstubasi geriatri.

0.854

R² jika diasumsikan linear

Asumsi regresi logistik

0.897

R² jika diizinkan melengkung

Polynomial fit (pola sebenarnya)

p < 0.001

Box-Tidwell test

Asumsi linearitas dilanggar

Empirical Log-Odds Outcome vs GNRI — Bukti Empiris Non-Linearitas

Empirical log-odds outcome kegagalan ekstubasi vs GNRI menunjukkan pola kuadratik bukan linear

Titik merah: log-odds aktual per bin GNRI dari MIMIC-IV (n = 11.191) · Garis abu-abu putus: asumsi linearitas (R² = 0.854) · Garis biru: polynomial fit (R² = 0.897) · Box-Tidwell p < 0.001

Mengapa ini penting

Regresi logistik memaksa hubungan GNRI dengan risiko kegagalan menjadi garis lurus. Akibatnya, model meremehkan risiko di rentang malnutrisi berat (GNRI < 80) dan meremehkan efek protektif dari status nutrisi sangat baik (GNRI > 110).

XGBoost — sebagai algoritma tree-based — menangkap kurva ini secara natural lewat decision tree splits, tanpa perlu asumsi parametrik. Inilah salah satu alasan fundamental mengapa XGBoost konsisten mengungguli regresi logistik di seluruh metrik diagnostik.

// 06 — Kalkulator Risiko

Kalkulator Kegagalan Ekstubasi

Model XGBoost dengan 10 fitur bedside. Masukkan parameter klinis pasien untuk mendapatkan probabilitas kegagalan ekstubasi. Minimal 4 parameter.

// Asam-Basa

// Oksigenasi

// Ventilasi & Respirasi

// Laboratorium & Antropometri

Contoh:

PROBABILITAS PREDIKSI

—

Masukkan data pasien
0%20%40%60%80%+

// Interpretasi Klinis

Isi parameter klinis lalu tekan "Hitung Risiko".

Hanya untuk penelitian. Kalkulator ini berdasarkan studi retrospektif database MIMIC-IV (Beth Israel Deaconess Medical Center, AS). Model telah divalidasi secara eksternal pada sebuah penelitian kohort retrospektif ICU sekunder di Indonesia (n=106, AUC 0.797) — namun belum divalidasi secara prospektif multisenter. Tidak menggantikan penilaian klinis.
Model: XGBoost (10 fitur bedside, AUC = 0.810, 11.191 episode ventilasi geriatri). Prevalensi kohort: 20.7%.

// 07 — Rencana Pengembangan

Dari sebuah pilot project model prediktif ke dampak klinis di dunia nyata

Penelitian ini adalah pilot project. Masih banyak pertanyaan selanjutnya: apakah model ini cocok diterapkan pada populasi Indonesia? Apakah penambahan parameter bedside akan menjadikannya lebih baik? Apakah penerapannya akan mengubah luaran pasien, dan berapa biaya yang bisa dihemat?

  1. Fase 1 — Prioritas utama

    Validasi multisenter pada database ICU Indonesia

    Model saat ini dilatih dari data rumah sakit di Boston (AS). Komposisi tubuh, pola nutrisi, dan profil komorbiditas pasien geriatri Indonesia berbeda secara bermakna. Tanpa validasi lokal, model tidak bisa diterapkan.

    Target

    Kolaborasi dengan ≥3 RS pendidikan tipe A di Indonesia untuk membentuk kohort ICU geriatri multisenter. Rekalibrasi dan validasi model pada populasi lokal.

    Multisenter Kohort Prospektif Rekalibrasi Model

  2. Fase 2 — Pengayaan parameter

    Parameter bedside yang belum tersedia di MIMIC-IV

    Beberapa prediktor kuat kegagalan ekstubasi saat ini tidak tercatat dalam database elektronik manapun, tapi bisa diukur langsung di samping pasien.

    USG Diafragma

    Diaphragm Thickening Fraction (DTF) & Excursion — mengukur kekuatan kontraksi otot napas utama secara real-time.

    Lung Ultrasound Score

    Menilai derajat aerasi paru di 12 zona. Cepat, bedside, dan non-invasif.

    Ekokardiografi

    E/e' ratio, TAPSE — mendeteksi penyebab kardiak kegagalan ekstubasi yang sering terlewat.

  3. Fase 3 — Implementasi

    Deployment sebagai CDSS terintegrasi Rekam Medis Elektronik

    Model berjalan di balik layar — mengambil data pasien otomatis dari RME, menghitung probabilitas kegagalan, dan memberikan notifikasi ke klinisi saat risiko melewati ambang batas.

    Skenario: Saat dokter membuka halaman pasien di RME, sistem otomatis menampilkan skor risiko kegagalan ekstubasi beserta variabel pendorong utama (via SHAP) — tanpa perlu input manual.

  4. Fase 4 — Bukti dampak

    Analisis cost-effectiveness

    Akurasi statistik saja tidak cukup — perlu dinilai dampaknya secara klinis maupun ekonomi kesehatan. Pertanyaan yang harus dijawab: berapa reintubasi yang berhasil dicegah, dan berapa rupiah yang dihemat?

    Satu kali reintubasi menambah lama rawat ICU rata-rata 7–12 hari. Dengan asumsi biaya ICU Rp 3–5 juta per hari, satu reintubasi yang berhasil dicegah menghemat Rp 20–60 juta. Jika model mencegah 5% saja dari kasus reintubasi di satu RS — berarti ratusan juta per tahun dapat dihemat, dan ratusan pasien terhindar dari komplikasi reintubasi.

    Desain studi: RCT atau studi before-after di ICU yang telah mengadopsi CDSS — bandingkan angka reintubasi, lama rawat, mortalitas, dan total biaya antara periode dengan dan tanpa model prediktif.

// 08 — Validasi Eksternal

Apakah model ini bekerja di populasi Indonesia?

INDONESIA

// Pertanyaan Lanjutan

Model dilatih pada data Boston, AS (lihat // 04 Metode ). Pertanyaan logis berikutnya: apakah model masih bekerja di populasi Indonesia dengan komposisi tubuh, pola nutrisi, dan profil komorbid yang berbeda?

// Independent Cohort

ICU Sekunder Indonesia

Sebuah penelitian kohort retrospektif geriatri ≥65 tahun di RS sekunder. Diekstubasi terencana setelah SBT. Outcome: reintubasi 48 jam — sama persis dengan Phase I.

n = 106 84 sukses 22 gagal

// Validation Method

Frozen Model — No Retraining

Bobot model dari MIMIC-IV diterapkan apa adanya. Murni uji generalisabilitas — bukan rekalibrasi, bukan fine-tuning.

Frozen weights External validation

// Result

AUC 0.797 — terjaga

Performa diskriminasi tetap kuat di populasi independen. Pada Youden threshold 0.33: sensitivitas 86.4% — siap sebagai rule-out tool.

AUC 0.797 Brier 0.147 Sens 86.4%
Konsistensi naratif lintas kohort: 6 dari 10 prediktor teratas — fluid balance, P/F ratio, albumin, hemoglobin, RSBI, dan PEEP — tetap dominan di kedua kohort. Konfirmasi biological plausibility: model tidak menangkap artefak data, melainkan sinyal fisiologis sejati yang berlaku lintas populasi.

Validasi prospektif multisenter di Indonesia masih dibutuhkan sebelum deployment klinis — lihat // 07 Rencana Pengembangan .

// Memahami XGBoost

Wisdom of the Crowd

Sebuah analogi untuk menjelaskan cara kerja XGBoost tanpa latar belakang IT.

Di sebuah rumah sakit pendidikan, ada masalah yang menghantui para dokter ICU: pasien lansia yang diekstubasi terlalu sering harus reintubasi, sehingga lama rawat inap memanjang dan tagihan membengkak. Setelah dihitung secara kohort retrospektif hasilnya mencengangkan: satu dari lima pasien geriatri mengalami hal tersebut.

Selama bertahun-tahun, rumah sakit mengandalkan satu profesor senior (regresi logistik) yang mengajukan serangkaian pertanyaan bercabang — seperti pohon keputusan: "Albumin di bawah 3?" → ya → "Balance cairan di atas 20.000 mL?" → ya → risiko tinggi. Tapi ia hanya mampu mempertimbangkan 16 variabel, dan hanya melihat hubungan lurus. Padahal penurunan skor status gizi (GNRI — Geriatric Nutritional Risk Index) dari 98 ke 92 hanya menambah risiko kegagalan ekstubasi 6% — tapi dari 92 ke 82, risikonya melonjak dua kali lipat. Membentuk sebuah kurva, bukan garis lurus linear.

Seorang peneliti muda mengajukan pendekatan baru: 300 penguji yang bekerja berurutan. Setiap penguji membuat pohon keputusan sendiri, tapi kuncinya — setiap penguji baru secara khusus mengoreksi kesalahan penguji pendahulunya (gradient boosting). Bukan mengulangi yang sudah benar, tapi fokus pada yang masih salah.

ATURAN DEWAN

  • Koreksi kecil (5%): Setiap penguji hanya boleh mengoreksi sedikit — ibaratnya lebih aman memutar setir mobil berkendara pelan-pelan (learning rate = 0.05).
  • Tidak melihat semua data: Setiap penguji hanya menerima 80% berkas dan 80% variabel (subsample & colsample_bytree) — memaksa sudut pandang berbeda dan mencegah overfitting (menghafal, bukan memahami).
  • Maksimal 6 pertanyaan: Setiap pohon dibatasi 6 tingkat (max depth) — cukup dalam untuk pola bermakna, tapi jika terlalu banyak akan terjadi overfitting, para penguji akan menghafal, tidak belajar.
  • Berhenti jika stagnan: Jika 20 penguji berturut-turut tidak meningkatkan skor, proses dihentikan (early stopping).
  • Perhatian pada kasus langka: Kasus kegagalan (hanya 20.7%) diberi bobot lebih besar (scale_pos_weight).
  • Hukuman: Penguji yang terlalu rumit dihukum dengan cara dipangkas algoritmanya agar lebih sederhana (regularisasi L1/L2).

Hasilnya: Tim 300 penguji benar 82.2% vs profesor tunggal hanya 74%.

Pada pemelajaran mesin, salah satu kelemahannya adalah kita tidak tahu apa yang dipikirkan oleh mesin — hal ini disebut blackbox atau kotak hitam. Bagaimana membuka "kotak hitam" 300 penguji? Dengan Dewan Penjelasan (SHAP) — teknik dari teori permainan yang menghitung kontribusi setiap variabel terhadap prediksi setiap pasien. Hasilnya: 6 dari 10 variabel terpenting di kedua pendekatan sama — hanya saja tim 300 penguji menangkap hubungan non-linear yang tak terlihat oleh profesor tunggal.

"Wisdom of the Crowd" — Keputusan yang diambil berdasarkan mufakat sekelompok ahli biasanya lebih baik daripada keputusan yang diambil oleh satu orang ahli saja.

↗ Baca versi lengkap cerita analogi

// Referensi

Referensi

  1. [1] Thille AW, Richard JC, Brochard L. The decision to extubate in the intensive care unit. Am J Respir Crit Care Med. 2013;187(12):1294–1302.
  2. [2] Osborne C, Toner A. Managing extubation and the post-extubation period in the intensive care unit. EMJ Respir. 2023.
  3. [3] Celi LA, Mark RG, Stone DJ, Montgomery RA. "Big data" in the intensive care unit: closing the data loop. Am J Respir Crit Care Med. 2013;187(11):1157–1160.
  4. [4] Boles JM, Bion J, Connors A, et al. Weaning from mechanical ventilation. Eur Respir J. 2007;29(5):1033–1056.
  5. [5] Thille AW, Harrois A, Schortgen F, Brun-Buisson C, Brochard L. Outcomes of extubation failure in medical intensive care unit patients. Crit Care Med. 2011;39(12):2612–2618.
  6. [6] Chen T, Guestrin C. XGBoost: a scalable tree boosting system. Proc 22nd ACM SIGKDD. 2016;785–794.
  7. [7] Lundberg SM, Lee SI. A unified approach to interpreting model predictions. Adv Neural Inf Process Syst 30 (NIPS). 2017.
  8. [8] Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data. 2023;10(1):1.
  9. [9] Bouillanne O, Morineau G, Dupont C, et al. Geriatric Nutritional Risk Index: a new index for evaluating at-risk elderly medical patients. Am J Clin Nutr. 2005;82(4):777–783.
  10. [10] Sharma G, Goodwin J. Effect of aging on respiratory system physiology and immunology. Clin Interv Aging. 2006;1(3):253–260.
  11. Tabel Perbandingan
  12. [11] Lin MY, Li CC, Lin PH, et al. Explainable machine learning to predict successful weaning among patients requiring prolonged mechanical ventilation. Front Med. 2021;8:663739.
  13. [12] Xu et al. Machine learning-based risk prediction model construction of difficult weaning in ICU patients with mechanical ventilation. Sci Rep. 2024;14:20743.
  14. [13] Zhao QY, et al. CatBoost-based prediction of extubation failure using MIMIC-IV. Dikutip di: Lev T, et al. Using AI to predict MV weaning success. J Clin Med. 2024;13(5):1505.
  15. [14] Pai KC, Su SA, Chan MC, Wu CL, Chao WC. Explainable machine learning approach to predict extubation in critically ill ventilated patients. BMC Anesthesiol. 2022;22(1):351.
  16. [15] Kim TY, et al. Machine learning algorithms predict successful weaning from mechanical ventilation before intubation: retrospective analysis from the MIMIC-IV database. JMIR Form Res. 2023;7:e44763.
  17. [16] Liu CF, Hung CM, Ko SC, Cheng KC, Chao CM, Sung MI, Hsing SC, Wang JJ, Chen CJ, Lai CC, Chen CM, Chiu CC. An artificial intelligence system to predict the optimal timing for mechanical ventilation weaning. Front Med. 2022;9:935366.
Tanya Asisten BETA
100%