Evaluering af AI -modeller til bestemmelse af det optimale peep

Patienter, der modtager mekanisk ventilationsstøtte i intensivafdelingen (ICU), som er hæmodynamisk stabile og over 18 år gamle, vil blive betragtet som berettiget til undersøgelsen. Disse kriterier er indstillet for at sikre, at patienterne kræver tilstrækkelig respiratorisk støtte, mens de er egnede til individualiseret ventilatorstyringsoptimering.

Under patientudvælgelsesprocessen vil de medicinske registre for ICU -patienter blive gennemgået, og de, der opfylder kriterierne, vil blive inkluderet i undersøgelsen. For at sikre nøjagtigheden af ​​kliniske data udføres patientudvælgelsesprocessen af ​​intensivaflejningsspecialister.

De mekaniske ventilationsparametre for de inkluderede patienter registreres systematisk. I denne sammenhæng vil der blive anvendt inspirerende hold- og ekspirationsmanøvrer til at evaluere patienternes respirationsmekanik. De registrerede målinger vil omfatte overholdelse (lungeelasticitet), elastans (lungestivhed), auto-peep (tilstedeværelse af luftfangning) og tidskonstant (gasudvekslingsvarighed).

Ud over disse grundlæggende ventilationsparametre analyseres trykvolumen (P-V) -kurven for at indsamle kritiske data til ventilationsoptimering. Disse procedurer udføres ved hjælp af avancerede analysemoduler integreret i ICU -ventilatorer og patientovervågningssystemer. De indsamlede data analyseres både manuelt af eksperter og af kunstige intelligens (AI) modeller i hele undersøgelsen.

I undersøgelsen udføres PEEP -titrering manuelt af intensivaflejningsspecialister. Denne proces vil blive anvendt umiddelbart efter intubation for intuberede patienter og fortsætter dagligt. Proceduren vil blive standardiseret i henhold til en foruddefineret protokol og anvendt konsekvent på tværs af alle patienter.

Det nedre bøjningspunkt (LIP) identificeres, og PEEP vil blive anvendt på det punkt, hvor alveolær rekruttering begynder. Dette trin er kritisk for at forhindre lungekollaps og sikre optimal iltning. Derudover bestemmes det øverste bøjningspunkt (UIP) for at forhindre overdistension, hvilket sikrer, at tidevandsvolumen forbliver under denne trykgrænse. Hvis det lavere bøjningspunkt ikke er klart identificeret, anvendes et PEEP -niveau på ca. 10 cmh₂o som en standardmetode.

Trykvolumenkurven for ventilatoren analyseres for at vurdere, om det optimale PEEP-niveau er opnået. Hvis kurven skifter opad, vil den blive betragtet som en indikator for en vellykket alveolær rekruttering. Hvis kurven skifter til højre, vil den indikere en risiko for overdistension, hvilket medfører en reduktion i peep. Ved denne tilgang bestemmes det mest passende PEEP -niveau for hver patient, og ventilatorindstillinger optimeres i overensstemmelse hermed. Disse procedurer anvendes rutinemæssigt på vores hospital og globalt og er blandt de mest foretrukne metoder til PEEP -titrering.

Alle indsamlede ventilationsparametre vil blive indført i tre forskellige kunstige intelligensmodeller: Chatgpt, Deepseek og Gemini. Disse systemer bliver bedt om at levere:

En optimal peep -anbefaling til patienten Evnen til at detektere unormale ventilationsparametre Tre mulige diagnostiske forslag Tre foreslåede behandlingsmetoder Dataene leveret af AI -modellerne registreres og sammenlignes med manuelle vurderinger udført af erfarne ICU -specialister. Denne sammenligning sigter mod at bestemme, i hvilket omfang AI -modeller kan tjene som kliniske beslutningsstøtteværktøjer. Pålideligheden, nøjagtigheden og klinisk anvendelighed af AI-genererede anbefalinger vil blive grundigt analyseret.

I den sidste fase af undersøgelsen sammenlignes PEEP -niveauerne bestemt af AI -modeller med dem, der er identificeret af ICU -specialister med mindst fem års erfaring. Følgende kriterier vil blive evalueret:

Aftale mellem AI-modeller og ekspertudtalelser om PEEP-niveauer (primær resultatmål) Følsomhed og specificitet af AI ved at påvise unormale ventilationsparametre Nøjagtighed af AI-genererede diagnoser Klinisk anvendelighed af AI-anbefalede behandlingsmetoder