Interpretable Predictive Modeling for Early Sepsis in the Emergency Department: Development and Temporal External Validation
Cette étude a développé et validé temporellement un modèle XGBoost interprétable utilisant des données initiales du service d'urgence qui a atteint une grande précision prédictive (AUC 0,972) et une spécificité exceptionnelle (98,26 %) pour la détection précoce du sepsis, tout en utilisant l'analyse SHAP pour fournir des informations transparentes et exploitables pour la prise de décision clinique.