Rezumat
Obiective. Sepsisul rămâne o provocare critică în unitățile de terapie intensivă (UTI), necesitând intervenții în timp util și eficiente. Acest studiu
investighează integrarea unei aplicații software bazate pe date pentru prezicerea riscului de sepsis cu un modul de model de limbaj mare (LLM) care
oferă recomandări clinice personalizate.
Material și metode. Studiul reprezintă analiza unei aplicații software predictive care utilizează date fiziologice în timp real (ritmul cardiac,
tensiunea arterială, saturația de oxigen, temperatura și frecvența respiratorie) pentru a prognoza riscul de sepsis într-o fereastră de patru ore. Un
modul LLM folosește o abordare îmbunătățită de recuperare, sintetizând perspective din 20 de articole recente din literatură despre managementul
sepsisului. Un caz clinic a unui pacient cu sepsis din cauza diverticulitei de colon, extras din baza de date MIMIC-III și organizat sub formă de vignetă
clinică, servește drept studiu de caz.
Rezultate. Modelul predictiv permite estimarea în timp util a riscului de sepsis. Modulul LLM a generat recomandări personalizate, punând accent
pe inițierea terapiei cu antibiotice adecvate și a protocoalelor de monitorizare, abordând eficient scenariul clinic prezentat.
Concluzii. Integrarea analizei predictive cu un modul bazat pe LLM este promițătoare pentru îmbunătățirea managementului sepsisului în UTI. Acest
studiu pilot evidențiază valoarea utilizării inteligenței artificiale (AI) pentru a oferi clinicienilor recomandări în timp real, bazate pe dovezi.
Summary
Objectives. Sepsis remains a critical challenge in intensive care units (ICUs), requiring timely and effective interventions. This study aims to
explore the integration of a data-driven sepsis risk prediction software application with a large language model (LLM) module that provides
personalized recommendations based on clinical cases, thereby improving decision-making in the ICU.
Material and Methods. The study presents the analysis of a predictive software application that uses real-time physiological data (heart
rate, blood pressure, oxygen saturation, temperature and respiratory rate) to predict the risk of sepsis within a four-hour window. An LLM
module uses an enhanced recovery approach, synthesizing insights from 20 recent articles in the literature on sepsis management. A clinical
case of a patient with sepsis due to colonic diverticulitis, extracted from the MIMIC-III database and organized as a clinical vignette, serves
as a case study.
Results. The predictive model allows timely estimation of sepsis risk. The LLM module generated personalized recommendations, including
antibiotic therapy and monitoring strategies.
Conclusions. Integrating a data-driven prediction tool with an LLM-based module can potentially improve sepsis management in the ICU.
This pilot study highlights the value of using artificial intelligence (AI) to provide clinicians with real-time, evidence-based recommendations.
