Johns Hopkins AI prédit des complications chirurgicales 85% du temps à l'aide de ECG et des enregistrements, battant les méthodes traditionnelles. Johns Hopkins AI predicts surgery complications 85% of the time using ECGs and records, beating traditional methods.

Des chercheurs de l'Université Johns Hopkins ont développé un modèle d'IA qui prédit des complications post-chirurgicales avec 85 % de précision en analysant les tests d'électrocardiogramme standard (ECG) et les dossiers médicaux des patients, dépassant les scores de risque traditionnels qui sont exacts dans environ 60 % des cas. Researchers at Johns Hopkins University have developed an AI model that predicts post-surgical complications with 85% accuracy by analyzing standard electrocardiogram (ECG) tests and patient medical records, outperforming traditional risk scores that are accurate in about 60% of cases. Le modèle utilise un apprentissage profond pour détecter les tendances subtiles des données d'ECG précédemment négligées par les cliniciens, ce qui pourrait améliorer la prise de décisions chirurgicales et les résultats des patients. The model uses deep learning to detect subtle patterns in ECG data previously overlooked by clinicians, potentially improving surgical decision-making and patient outcomes. L'étude, basée sur les données de 37 000 patients, suggère que l'IA pourrait transformer la façon dont les risques chirurgicaux sont évalués, et d'autres tests devraient être effectués pour valider et étendre son utilisation. The study, based on data from 37,000 patients, suggests AI could transform how surgical risks are assessed, with further testing planned to validate and expand its use.