La détection précoce du choc septique est cruciale pour améliorer les résultats des patients. Cette étude vise à développer un modèle d'apprentissage automatique utilisant XGBoost pour prédire le choc septique six heures à l'avance. Le modèle a été entraîné sur un ensemble de données public comprenant 40 336 patients. Il a été testé sur une partie de cet ensemble, atteignant une précision de 0,97 et une AUC de 0,874. Des prédictions ont également été faites pour 8, 10 et 12 heures à l'avance, donnant des précisions de 0,899, 0,891 et 0,8954, et des AUC de 0,867, 0,8639 et 0,8530, respectivement .De plus, le modèle a été testé sur un ensemble de données local de l'Hôpital Universitaire de Fattouma Bourguiba, comprenant 30 patients. Pour la prédiction à 6 heures sur l'ensemble de données local, le modèle a atteint une précision de 0,89 et une AUC de 0,74. Les prédictions pour 8, 10 et 12 heures à l'avance ont montré des précisions de 0,8861, 0,8772 et 0,8718, et des AUC de 0,73, 0,72 et 0,72, respectivement. Le modèle XGBoost montre un potentiel pour la détection précoce du choc septique mais nécessite des tests et des optimisations supplémentaires pour une application clinique.