Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
An ICU team may need to identify a high-risk patient while that patient's condition is still changing. In a study led by Australian Catholic University (ACU) and Charles Darwin University (CDU), an extra trees machine-learning model predicted ICU mortality with 98.33% accuracy; gradient boosting reached 98.23%.
Un'équipe di terapia intensiva può dover identificare un paziente ad alto rischio mentre le sue condizioni stanno ancora cambiando. In uno studio condotto dall'Università cattolica australiana (ACU) e dall'Università Charles Darwin (CDU), un modello di machine learning extra trees ha previsto la mortalità in terapia intensiva con un'accuratezza del 98,33%; il gradient boosting ha raggiunto il 98,23%.
Clinicians commonly use APACHE, the Acute Physiology and Chronic Health Evaluation, and SAPS, the Simplified Acute Physiology Score. The study says these tools can struggle to capture evolving conditions, take time to validate and need frequent recalibration. Machine-learning systems have outperformed such traditional scores, but their lack of explainability has slowed adoption.
I medici utilizzano comunemente APACHE, la valutazione acuta della fisiologia e della salute cronica, e SAPS, il punteggio fisiologico acuto semplificato. Secondo lo studio, questi strumenti possono faticare a cogliere l'evoluzione delle condizioni, richiedono tempo per essere validati e necessitano di frequenti ricalibrazioni. I sistemi di machine learning hanno superato questi punteggi tradizionali, ma la loro scarsa spiegabilità ne ha rallentato l'adozione.
The researchers used the extra trees results with explanation models to identify the factors behind the predictions and compare them with medical knowledge. Hypertension, tumors, endocrine disease, digestive disease and cardiovascular disease emerged as key factors. Lead author Niusha Shafiabady, an ACU professor and director of its Women in AI for Social Good lab, led work with colleagues from Charles Darwin University, Amirkabir University of Technology in Tehran and other Australian universities.
I ricercatori hanno utilizzato i risultati degli extra trees insieme a modelli di spiegazione per individuare i fattori alla base delle previsioni e confrontarli con le conoscenze mediche. Ipertensione, tumori, malattie endocrine, digestive e cardiovascolari sono emersi come fattori chiave. L'autrice principale Niusha Shafiabady, docente dell'ACU e direttrice del laboratorio Women in AI for Social Good dell'università, ha guidato il lavoro insieme a colleghi dell'Università Charles Darwin, dell'Università di tecnologia Amirkabir di Teheran e di altre università australiane.
So what changes in practice? If embedded in clinical decision-support systems, explained predictions could help clinicians focus urgent attention on high-risk patients, monitor them continuously and intervene earlier. Shafiabady said the tools should complement rather than complicate frontline care.
Che cosa cambia nella pratica? Se integrassero sistemi clinici di supporto alle decisioni, le previsioni spiegate potrebbero aiutare i medici a concentrare l'attenzione urgente sui pazienti ad alto rischio, monitorarli continuamente e intervenire prima. Shafiabady ha dichiarato che gli strumenti dovrebbero integrare, anziché complicare, l'assistenza in prima linea.
The study used the MIMIC-III dataset. The researchers identify larger datasets and different health care settings as the next tests, so the reported accuracy remains a research result based on that dataset.
Lo studio ha utilizzato il dataset MIMIC-III. I ricercatori indicano dataset più ampi e contesti sanitari differenti come prossimi ambiti di test: l'accuratezza riportata resta quindi un risultato di ricerca basato su quel dataset.