Using Artificial Intelligence To Improve Ventilator Settings For Intensive Care Patients
15. Mai 2026 aktualisiert von: Wu Rongzhou
Research on Intelligent Optimization of Ventilator Parameters for Intensive Care Patients Based on Multimodal Large Models
This observational study aims to determine whether an AI-assisted decision support system can improve clinical outcomes for mechanically ventilated pediatric patients (aged 1 month to 18 years) in the PICU, compared to standard care provided by medical staff.
The primary question addressed is: Do patients whose ventilator parameter optimization decisions are guided by AI assistance achieve a greater number of ventilator-free days within 28 days than those managed by medical staff?
By utilizing clinical data collected following tracheal intubation to generate AI-driven recommendations-and comparing these against the actual adjustments made by physicians-this study seeks to assess whether the AI-assisted decision support system can effectively improve clinical outcomes for mechanically ventilated patients in the PICU.
Studienübersicht
Status
Abgeschlossen
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
2000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Zhejiang
-
Wenzhou, Zhejiang, China, 325000
- The Second Affiliated Hospital of Wenzhou Medical University and Yuying Children's Hospital
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Pediatric patients aged 1 month to 18 years admitted to the Pediatric Intensive Care Unit (PICU) of the Second Affiliated Hospital of Wenzhou Medical University and Yuying Children's Hospital, who are receiving mechanical ventilation.
Beschreibung
Inclusion Criteria:
- PICU patients aged 1 month to 18 years.
- Receiving invasive mechanical ventilation, expected to last ≥ 48 hours.
- Informed consent signed prior to enrollment.
Exclusion Criteria:
- Expected survival < 24 hours
- Irreversible brain injury (GCS = 3 + absence of brainstem reflexes)
- Severe congenital cardiopulmonary malformations affecting ventilation assessment
- Pregnancy (must be ruled out in adolescent girls)
- Currently participating in other ventilation intervention trials
- Guardian refusal to participate
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
AI-Assisted Ventilator Parameter Optimization in Pediatric ICU
Clinical data from key time points following tracheal intubation in each pediatric patient were input into an AI system to generate recommendations.
These recommendations were then compared against the actual adjustments made by physicians, enabling a counterfactual assessment to determine whether-had the AI's suggestions been adopted-the number of ventilator-free days within a 28-day period would have been superior.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Number of ventilator-free days within 28 days
Zeitfenster: From the start of tracheal intubation until 28 days after tracheal intubation.
|
Days survived and free from invasive ventilation
|
From the start of tracheal intubation until 28 days after tracheal intubation.
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
mortality rate
Zeitfenster: 28 and 90 days after the initiation of tracheal intubation
|
All-cause mortality at 28 and 90 days following tracheal intubation
|
28 and 90 days after the initiation of tracheal intubation
|
|
Mechanical Ventilation-Related Complications
Zeitfenster: From the start of tracheal intubation to Day 28
|
Cumulative duration of mechanical ventilation, reintubation rate (within 48 hours of extubation), ventilator-associated pneumonia (VAP), barotrauma.
|
From the start of tracheal intubation to Day 28
|
|
Length of Hospital Stay
Zeitfenster: The duration from the time of admission to discharge for pediatric patients-up to a maximum of three months.
|
PICU Length of Stay, Total Hospital Length of Stay
|
The duration from the time of admission to discharge for pediatric patients-up to a maximum of three months.
|
|
Artificial Intelligence System Evaluation
Zeitfenster: From the start of tracheal intubation to Day 28
|
Physician Adoption Rates and Outcomes of Cases Involving Discrepancies Between AI Recommendations and Physician Decisions
|
From the start of tracheal intubation to Day 28
|
|
Health Economics
Zeitfenster: The duration from the time of admission to discharge for pediatric patients-up to a maximum of three months.
|
PICU Hospitalization Costs
|
The duration from the time of admission to discharge for pediatric patients-up to a maximum of three months.
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
Allgemeine Veröffentlichungen
- Gattinoni L, Tonetti T, Cressoni M, Cadringher P, Herrmann P, Moerer O, Protti A, Gotti M, Chiurazzi C, Carlesso E, Chiumello D, Quintel M. Ventilator-related causes of lung injury: the mechanical power. Intensive Care Med. 2016 Oct;42(10):1567-1575. doi: 10.1007/s00134-016-4505-2. Epub 2016 Sep 12.
- Acute Respiratory Distress Syndrome Network; Brower RG, Matthay MA, Morris A, Schoenfeld D, Thompson BT, Wheeler A. Ventilation with lower tidal volumes as compared with traditional tidal volumes for acute lung injury and the acute respiratory distress syndrome. N Engl J Med. 2000 May 4;342(18):1301-8. doi: 10.1056/NEJM200005043421801.
- Fleuren LM, Klausch TLT, Zwager CL, Schoonmade LJ, Guo T, Roggeveen LF, Swart EL, Girbes ARJ, Thoral P, Ercole A, Hoogendoorn M, Elbers PWG. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Med. 2020 Mar;46(3):383-400. doi: 10.1007/s00134-019-05872-y. Epub 2020 Jan 21.
- Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care - Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981-983. doi: 10.1056/NEJMp1714229. No abstract available.
- Pirracchio R, Petersen ML, Carone M, Rigon MR, Chevret S, van der Laan MJ. Mortality prediction in intensive care units with the Super ICU Learner Algorithm (SICULA): a population-based study. Lancet Respir Med. 2015 Jan;3(1):42-52. doi: 10.1016/S2213-2600(14)70239-5. Epub 2014 Nov 24.
- Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations. N Engl J Med. 2017 Jun 29;376(26):2507-2509. doi: 10.1056/NEJMp1702071. No abstract available.
- Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med. 2018 Nov;24(11):1716-1720. doi: 10.1038/s41591-018-0213-5. Epub 2018 Oct 22.
- Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, Cui C, Corrado G, Thrun S, Dean J. A guide to deep learning in healthcare. Nat Med. 2019 Jan;25(1):24-29. doi: 10.1038/s41591-018-0316-z. Epub 2019 Jan 7.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7.
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
1. Januar 2021
Primärer Abschluss (Tatsächlich)
31. Dezember 2025
Studienabschluss (Tatsächlich)
31. Dezember 2025
Studienanmeldedaten
Zuerst eingereicht
10. Mai 2026
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
15. Mai 2026
Zuerst gepostet (Tatsächlich)
18. Mai 2026
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
18. Mai 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
15. Mai 2026
Zuletzt verifiziert
1. Mai 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2026-K-78-01
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Beschreibung des IPD-Plans
Individual participant data will not be shared, the study's ethical approvals and consent agreements do not permit public data sharing.
Access may be considered upon reasonable request to the corresponding author, subject to institutional review and data use agreements to ensure patient privacy and compliance with regulations.
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .