http://repository.usmf.md:80/handle/20.500.12710/598 Tue, 06 Oct 2026 16:17:14 GMT 2026-10-06T16:17:14Z http://repository.usmf.md:80/handle/20.500.12710/33706 Title: Dezvăluirea vulnerabilităților modelelor lingvistice mari în terapia intensivă: perspective din aplicațiile de gestionare a sepsisului Authors: Iapăscurtă, Victor Abstract: Introducere Sepsisul rămâne o cauză principală a mortalității în ATI, necesitând decizii rapide, bazate pe dovezi, privind terapia cu antibiotice și respectarea ghidurilor. Modelele lingvistice mari (LLM) integrate în sistemele multi-agent oferă instrumente promițătoare de asistență decizională, însă tendința lor spre halucinații - rezultate neacceptate sau excesive - prezintă riscuri semnificative în contexte cu mize mari. Acest studiu evaluează un sistem bazat pe LLM multi-agent pentru gestionarea sepsisului, evidențiind aceste riscuri pentru a informa aplicații mai sigure în terapia intensivă. Materiale și metode Un sistem multi-agent a fost dezvoltat folosind Palmyra-Med 70B LLM, orchestrat prin Crew.ai, cu trei agenți: gestionarea sepsisului, recomandarea antibioticelor și respectarea ghidurilor. Generarea augmentată de recuperare (RAG) a utilizat baze de date vectoriale Chroma populate cu literatură și ghiduri recente despre sepsis. Zece cazuri diverse de sepsis (8 din baza de date MIMIC-IV, 2 din literatura de specialitate) au fost procesate ca viniete. Rezultatele au fost evaluate programatic folosind TruLens (prin GPT-3.5 Turbo) pentru fundamentare, relevanță a răspunsului și relevanță contextuală (cu scor 0-1). Doi intensiviști au furnizat evaluări de specialitate pe o scală de la 0 la 10 pentru relevanță și fundamentare. Acordul interrater a fost măsurat cu Kappa Cohen. Rezultate Recomandările de antibiotice au obținut scoruri medii mari (0,89-1,0), reflectând o fundamentare puternică a dovezilor. Cu toate acestea, rezultatele privind gestionarea sepsisului și conformitatea au avut scoruri mai mici (0,44-0,94 și, respectiv, 0,50-0,89), cu halucinații frecvente (de exemplu, semne clinice fabricate în cazurile de fasciită necrozantă) și detalii excesive. Evaluările experților au reflectat tendințele programatice, cu Kappa Cohen la 0,622 (p=0,003) pentru cazul inițial, dar o variabilitate mai mică în celelalte cazuri. Testarea comparativă a LLM (Palmyra-Med 70B, GPT-3.5 Turbo, GPT-4o Mini) a semnalat halucinații în 20-40% din rezultate per LLM. Concluzii Deși sistemele multi-agent bazate pe LLM excelează în sugestiile rapide de antibiotice, halucinațiile compromit fiabilitatea în gestionarea sepsisului, riscând erori clinice în îngrijirea la ATI. Rafinarea RAG și a prompturilor de agent este esențială; studiile viitoare ar trebui să valideze în timp real și să exploreze cadre hibride om-IA pentru a atenua aceste riscuri și a spori încrederea. Studiul a fost finanțat de Agenția Națională pentru Cercetare și Dezvoltare (ANCD) din Moldova în cadrul grantului 25.00208.5007.07/PD pentru proiectul „Metode și algoritmi software inteligenți pentru terapia intensivă. Abordare prin prisma științei complexității”, implementat la Universitatea Tehnică a Moldovei.; Introduction Sepsis remains a leading cause of ICU mortality, demanding rapid, evidence-based decisions for antibiotic therapy and guideline adherence. Large language models (LLMs) integrated into multiagent systems offer promising decision-support tools, yet their propensity for hallucinations— unsupported or excessive outputs—poses significant risks in high-stakes settings. This study evaluates a multi-agent LLM-based system for sepsis management, highlighting these risks to inform safer applications in intensive care. Materials and Methods A multi-agent system was developed using Palmyra-Med 70B LLM, orchestrated via Crew.ai, with three agents: sepsis management, antibiotic recommendation, and guidelines compliance. Retrievalaugmented generation (RAG) utilized Chroma vector databases populated with recent sepsis literature and guidelines. Ten diverse sepsis cases (8 from MIMIC-IV database, 2 from literature) were processed as vignettes. Outputs were assessed programmatically using TruLens (via GPT-3.5 Turbo) for groundedness, answer relevance, and context relevance (scored 0-1). Two intensivists provided expert evaluations on a 0-10 scale for relevance and groundedness. Interrater agreement was measured with Cohen’s Kappa. Results Antibiotic recommendations achieved high mean scores (0.89-1.0), reflecting strong evidence grounding. However, sepsis management and compliance outputs scored lower (0.44-0.94 and 0.50- 0.89, respectively), with frequent hallucinations (e.g., fabricated clinical signs in necrotizing fasciitis cases) and excessive details. Expert ratings mirrored programmatic trends, with Cohen’s Kappa at 0.622 (p=0.003) for the initial case but lower variability across others. Comparative LLM testing (Palmyra-Med 70B, GPT-3.5 Turbo, GPT-4o Mini) flagged hallucinations in 20-40% of outputs per LLM. Conclusions While LLM-based multi-agent systems excel in rapid antibiotic suggestions, hallucinations compromise reliability in sepsis management, risking clinical errors in ICU care. Refining RAG and agent prompts is essential; future studies should validate in real-time settings and explore hybrid human-AI frameworks to mitigate these risks and enhance trustworthiness. The study was funded by the National Agency for Research and Development (NARD) of Moldova under grant number 25.00208.5007.07/PD for the project "Intelligent Software Methods and Algorithms for Intensive Care: A Complexity Science Approach," implemented at the Technical University of Moldova. Description: Studiul a fost finanțat de Agenția Națională pentru Cercetare și Dezvoltare (ANCD) din Moldova în cadrul grantului 25.00208.5007.07/PD pentru proiectul „Metode și algoritmi software inteligenți pentru terapia intensivă. Abordare prin prisma științei complexității”, implementat la Universitatea Tehnică a Moldovei. The study was funded by the National Agency for Research and Development (NARD) of Moldova under grant number 25.00208.5007.07/PD for the project "Intelligent Software Methods and Algorithms for Intensive Care: A Complexity Science Approach," implemented at the Technical University of Moldova. Wed, 01 Jan 2025 00:00:00 GMT http://repository.usmf.md:80/handle/20.500.12710/33706 2025-01-01T00:00:00Z http://repository.usmf.md:80/handle/20.500.12710/33705 Title: Avansarea în Terapia Intensivă cu Gemeni Digitali: Integrarea Modelării Dinamicii Sistemului Circulator Authors: Iapăscurtă, Victor Abstract: Introducere. Gemenii digitali, replici virtuale ale sistemelor fizice, sunt din ce în ce mai mult aplicați în domeniul sănătății pentru a îmbunătăți monitorizarea în timp real și intervențiile personalizate, în special în unitățile de terapie intensivă (UTI) unde bolile cardiovasculare domină morbiditatea și mortalitatea. Literatura de specialitate evidențiază limitele modelelor statice în captarea interacțiunilor fiziologice dinamice, ceea ce determină adoptarea modelării dinamicii sistemului (SDM) pentru simularea sistemului circulator uman. Studiile anterioare pun accentul pe modelele cu parametri grupați pentru simulări specifice pacientului, integrând date în timp real de la dispozitive portabile și învățare automată pentru a prezice rezultatele în afecțiuni precum insuficiența cardiacă și infarctul miocardic (IM). Această lucrare extinde lucrările anterioare asupra unui SDM bazat pe NetLogo al sistemului circulator, poziționându-l ca un nucleu pentru potențiali gemeni digitali pentru UTI. Scurtă prezentare a cazului. „Cazul” se concentrează pe un SDM care simulează sistemul circulator cu șase compartimente (de exemplu, camerele inimii, circuitele sistemic și pulmonar), încorporând peste 30 de parametri precum volumul, elasticitatea, rezistența, etc. Simulările au replicat dinamica fiziologică, inclusiv un scenariu de infarct miocardic în care buclele presiune-volum s-au micșorat, indicând o funcție cardiacă redusă. Datele din seriile temporale au arătat parametri precum presiunea ventriculului stâng (69,24–78,26 mm Hg) și debitul cardiac (4,14 L/min), analizate prin complexitatea Kolmogorov-Chaitin, dezvăluind o scădere a complexității post-IM. Managementul cazului și direcții viitoare. Managementul implică ajustări dinamice ale parametrilor prin intermediul cursoarelor și integrarea datelor în timp real de la dispozitive portabile, pentru actualizări ale modelului. Învățarea automată poate rafina predicțiile, sprijinind instrumente de decizie clinică precum alerte și tratamente personalizate. Direcțiile viitoare includ modele hibride SDM-învățare automată, validare extinsă cu date clinice și scalabilitate pentru gemeni digitali multi-organ în UTI. Discuție. Deși SDM permite vizualizarea holistică a buclelor de feedback și a intervențiilor, persistă provocări în ceea ce privește confidențialitatea datelor (de exemplu, conformitatea cu HIPAA), validarea modelelor și interoperabilitatea. Beneficiile includ educație îmbunătățită, dezvoltarea de medicamente și strategii de sănătate publică, depășind limitările prin progresele tehnologice continue. Concluzii. Constatările demonstrează eficacitatea SDM în simularea dinamicii circulatorii și a infarctului miocardic, cu relevanță clinică în evaluarea riscului în UTI și îngrijirea personalizată, reducând potențial mortalitatea. Acest lucru subliniază rolul transformator al gemenilor digitali în managementul cardiovascular. Studiul a fost finanțat de Agenția Națională pentru Cercetare și Dezvoltare (ANCD) din Moldova în cadrul grantului 25.00208.5007.07/PD pentru proiectul „Metode și algoritmi software inteligenți pentru terapie intensivă: o abordare prin prisma științei complexității”, implementat la Universitatea Tehnică a Moldovei.; Introduction. Digital twins, virtual replicas of physical systems, are increasingly applied in healthcare to enhance real-time monitoring and personalized interventions, particularly in intensive care units (ICUs) where cardiovascular diseases dominate morbidity and mortality. Literature highlights the limitations of static models in capturing dynamic physiological interactions, prompting the adoption of system dynamics modeling (SDM) for simulating the human circulatory system. Prior studies emphasize lumped parameter models for patient-specific simulations, integrating real-time data from wearables and machine learning to predict outcomes in conditions like heart failure and myocardial infarction (MI). This paper extends earlier work on a NetLogo-based SDM of the circulatory system, positioning it as a core for potential ICU digital twins. Brief Account of Case. The "case" centers on an SDM simulating the circulatory system with six compartments (e.g., heart chambers, systemic and pulmonary circulations), incorporating over 30 parameters such as volume, elastance, and resistance. Simulations replicated physiological dynamics, including a myocardial infarction scenario where pressure-volume loops shrank, indicating reduced cardiac function. Time-series data showed parameters like left ventricle pressure (69.24–78.26 mm Hg) and cardiac output (4.14 L/min), analyzed via Kolmogorov-Chaitin complexity, revealing a complexity drop post-MI. Case Management and Future Directions. Management involves dynamic parameter adjustments via sliders and real-time data integration from wearables, cloud computing, and APIs for model updates. Machine learning can refine predictions, supporting clinical decision tools like alerts and personalized treatments. Future directions include hybrid SDM-machine learning models, expanded validation with clinical data, and scalability for multi-organ digital twins in ICUs. Discussion. While SDM enables holistic visualization of feedback loops and interventions, challenges persist in data privacy (e.g., HIPAA compliance), model validation, and interoperability. Benefits include enhanced education, drug development, and public health strategies, outweighing limitations through ongoing technological advances. Conclusions. Findings demonstrate SDM's efficacy in simulating circulatory dynamics and MI, with clinical relevance in ICU risk assessment and tailored care, potentially reducing mortality. This underscores digital twins' transformative role in cardiovascular management. The study was funded by the National Agency for Research and Development (NARD) of Moldova under grant number 25.00208.5007.07/PD for the project "Intelligent Software Methods and Algorithms for Intensive Care: A Complexity Science Approach," implemented at the Technical University of Moldova. Wed, 01 Jan 2025 00:00:00 GMT http://repository.usmf.md:80/handle/20.500.12710/33705 2025-01-01T00:00:00Z http://repository.usmf.md:80/handle/20.500.12710/29926 Title: Monitoring the fetus O2 delivery during regional obstetric anesthesia using computational medicine approach: a proof-of-concept project based on system dynamics modeling Authors: Iapăscurtă, Victor; Cîvîrjic, Ivan; Șandru, Serghei Abstract: Introduction: Although there are numerous methods available for monitoring the patient/parturient's condition during anesthesia, the options for monitoring the fetus's condition are significantly more restricted. Of major importance in this context is the value of oxygen delivery to the fetal tissues (DfetusO2), which, in turn, depends on several factors, including the method of anesthesia used. Material and Methods: Based on the current knowledge of the physiology of the maternal and fetal body, as well as the interaction between them, it is possible to create a system dynamics model that would evolve in real time depending on several factors, including anesthetic ones, which would allow the estimation of DfetusO2 continuously. System dynamics modeling tools (e.g., NetLogo SDM and others) can be used for this. Results: Using the NetLogo programming environment, a system dynamics model was created, which consists of three subsystems: (a) the maternal system (primarily, elements that determine oxygen transport), (b) the fetoplacental system, and (c) the fetal system (with emphasis on the elements that determine DfetusO2). The DfetusO2 value is influenced by the dynamics of the physiological parameters, which are the foundation of the three subsystems and can be monitored using traditional methods. Modifying specific parameters within each subsystem directly impacts DfetusO2, the central element of the model's graphical interface. In this way, DfetusO2 can continuously monitor oxygen delivery to fetal tissues. The demo version of the created model includes several scenarios: (a) state of anesthesia, (b) maternal pathology (e.g., anemia, heart failure, etc.), and (c) fetoplacental pathology (e.g., abruptio placentae). Conclusions: The created model allows the modeling of physiological events in the described framework with the continuous estimation of DfetusO2, which, in turn, could fill the gap in monitoring the state of the fetus during the perianesthetic period. The next step in the current research would be to evaluate the model's accuracy under clinical conditions. Mon, 01 Jan 2024 00:00:00 GMT http://repository.usmf.md:80/handle/20.500.12710/29926 2024-01-01T00:00:00Z http://repository.usmf.md:80/handle/20.500.12710/29925 Title: Some anesthesiology considerations in diabetic foot management: present status and future outlook Authors: Iapăscurtă, Victor; Cîvîrjic, Ivan; Șandru, Serghei Abstract: Introduction: Roughly 20% of surgical patients experience diabetes, a substantial risk factor that contributes to adverse outcomes after surgery, including mortality, both infectious and non-infectious complications, and extended hospital stays. Diabetic foot is a situation that may necessitate specialized anesthesia techniques. Material and Methods: Through an extensive examination of PubMed sources, we have determined the current status of the issue and have established research paths, which involve the utilization of contemporary information technologies to address the problem in individuals with diabetic foot. Results: A total of 78 papers addressing the topic of diabetic foot and anesthesia over the past decade were identified. Similarly, a total of 129 papers specifically related to machine learning and artificial intelligence technologies were discovered independently. Furthermore, regional anesthesia (RA) has been extensively documented to have advantages in promoting the restoration of function. Nevertheless, there are legitimate concerns regarding the elevated incidence of complications linked to regional anesthesia in patients with diabetes. An area of interest pertains to the length of time that the anesthetic block lasts due to neuropathic alterations in these individuals. The research project seeks to utilize machine learning techniques to evaluate the risk of RA in patients with diabetic foot and predict the duration of the blockage using clinical data such as blood glucose levels, skin condition (particularly at the foot level, assessed through photo images), and other relevant factors. This information is intended for utilization in the decision-making process, facilitated by a software application. Conclusions: The issue of diabetic foot is a present concern, and the application of contemporary technologies utilizing machine learning/artificial intelligence can enhance the decision-making process for anesthetic management in this patient population. Mon, 01 Jan 2024 00:00:00 GMT http://repository.usmf.md:80/handle/20.500.12710/29925 2024-01-01T00:00:00Z