AI -mallien arviointi optimaalisen PEEP: n määrittämisessä
Keinotekoisten älykkyysmallien onnistumisen arviointi optimaalisen PEEP: n määrittämisessä mekaanisessa ilmanvaihdossa tehohoidossa
Hänen tutkimuksensa on suunniteltu tulevaisuuden havainnollistavaksi kliiniseksi tutkimukseksi. Yli 18 -vuotiaat potilaat, jotka ovat hemodynaamisesti stabiileja ja vaativat mekaanista ilmanvaihtoa ICU: hon. Sisällyttämiskriteerit varmistavat, että osallistujat vaativat yksilöllistä hengitysoptimointia.
Tutkimukseen sisältyy vertailu AI-generoitujen PEEP-suositusten ja asiantuntijoiden määrittelemien PEEP-tasojen välillä. ICU -asiantuntijat suorittavat PEEP -titrauksen manuaalisesti standardisoitujen protokollien perusteella, tunnistaen alemman käännöspisteen (LIP) ja ylemmän käännöspisteen (UIP) ilmanvaihdon optimoimiseksi. Paine-tilavuuskäyrä (P-V) -käyrä analysoidaan optimaalisen alveolaarisen rekrytoinnin varmistamiseksi ja ylikuormituksen estämiseksi.
Tutkimusmenettelyt
Osallistujat:
Suoritetaan systemaattiset mekaaniset tuuletusarvioinnit, mukaan lukien inspiroivat pitoisuudet ja hengitystilan hallinnot, vaatimustenmukaisuus, elastantit, auto-runsas ja aikavakioarviointi.
Pyydä tuuletustietoja kerätty ja analysoitu kolmella AI -mallilla: chatgpt, deepseek ja gemini.
Vastaanota AI-generoituja suosituksia optimaalisesta PEEP-tasosta, epänormaalista ilmanvaihtoparametreista ja mahdollisista hoito-ehdotuksista.
On heidän AI-pohjaiset PEEP-suositukset verrattuna ICU: n asiantuntijoiden määrittämiin asiantuntijoihin, joilla on vähintään viiden vuoden kokemus.
Lopputulokset
Tutkimuksessa verrataan seuraavien ensisijaisten ja toissijaisten toimenpiteiden perusteella AI- ja asiantuntija -arvioita:
Ensisijainen tulos: AI: n tuottamien PEEP-tasojen ja asiantuntijoiden määrittelemien PEEP-tasojen välinen sopimus.
Toissijaiset tulokset:
AI -herkkyys ja spesifisyys epänormaalien ilmanvaihtoparametrien havaitsemisessa. AI: n generoitujen diagnoosien tarkkuus. AI-suositusten hoitostrategioiden kliininen sovellettavuus. Tämän tutkimuksen tavoitteena on selvittää, voivatko AI -mallit toimia luotettavina kliinisinä päätöksenteon tukityökaluina hengityslaitteiden hallintaan ICU -potilailla.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Potilaita, jotka saavat mekaanista ilmanvaihtotukea tehohoitoyksikössä (ICU), jotka ovat hemodynaamisesti vakaita ja yli 18 -vuotiaita, pidetään tutkimukseen kelvollisina. Nämä kriteerit on asetettu sen varmistamiseksi, että potilaat vaativat riittävää hengitystukea, samalla kun ne sopivat yksilölliseen hengityslaitteiden hoidon optimointiin.
Potilaan valintaprosessin aikana ICU -potilaiden sairauskertomuksia tarkistetaan, ja kriteerit täyttävät tutkimukseen. Kliinisten tietojen tarkkuuden varmistamiseksi tehohoidon asiantuntijat suorittavat potilaan valintaprosessin.
Mukana olevien potilaiden mekaaniset ilmanvaihtoparametrit tallennetaan systemaattisesti. Tässä yhteydessä potilaiden hengitysmekaniikan arvioimiseksi sovelletaan inspiroivia pitoisia ja hengitystilan hallintaa. Tallennetut mittaukset sisältävät vaatimustenmukaisuuden (keuhkojen joustavuus), elastantit (keuhkojen jäykkyys), automaattinen runsas (ilman ansaan) ja aikavakio (kaasunvaihdon kesto).
Näiden perustavanlaatuisten tuuletusparametrien lisäksi analysoidaan painekolme (P-V) -käyrä kriittisen tiedon keräämiseksi ilmanvaihdon optimointia varten. Nämä toimenpiteet suoritetaan käyttämällä edistyneitä analyysimoduuleja, jotka on integroitu ICU -hengityslaitteisiin ja potilaan seurantajärjestelmiin. Asiantuntijat ja tekoälyn (AI) mallit analysoivat kerättyjä tietoja koko tutkimuksen ajan.
Tutkimuksessa tehohoidon asiantuntijat suorittavat PEEP -titrauksen manuaalisesti. Tätä prosessia sovelletaan heti intuboitujen potilaiden intubaation jälkeen ja jatkuu päivittäin. Menettely standardisoidaan ennalta määritetyn protokollan mukaisesti ja sitä käytetään johdonmukaisesti kaikilla potilailla.
Alempi käännekohta (LIP) tunnistetaan ja Peep levitetään siinä vaiheessa, jossa alveolaarinen rekrytointi alkaa. Tämä vaihe on kriittinen keuhkojen romahtamisen estämiseksi ja optimaalisen hapetuksen varmistamiseksi. Lisäksi ylempi käännekohta (UIP) määritetään estämään ylikuormitus, varmistaen, että vuoroveden tilavuus pysyy tämän painekynnyksen alapuolella. Jos alhaisempaa käännekohtaa ei tunnistettu selvästi, peep -tasoa on noin 10 cmH₂O: ta sovelletaan tavanomaisena lähestymistapana.
Henkilön painekäyrä analysoidaan sen arvioimiseksi, onko optimaalinen PEEP-taso saavutettu. Jos käyrä siirtyy ylöspäin, sitä pidetään onnistuneen alveolaarisen rekrytoinnin osoitin. Jos käyrä siirtyy oikealle, se osoittaa ylikuormituksen riskin, mikä johtaa PEEP: n vähentymiseen. Tällä lähestymistavalla määritetään sopivin PEEP -taso jokaiselle potilaalle, ja hengityslaitteet optimoidaan vastaavasti. Näitä toimenpiteitä sovelletaan rutiininomaisesti sairaalassamme ja maailmanlaajuisesti, ja ne ovat yleisimmin suositeltavia menetelmiä PEEP -titraamiseksi.
Kaikki kerätyt ilmanvaihtoparametrit syötetään kolmeen erilaiseen tekoälyn malliin: chatgpt, deepseek ja gemini. Näitä järjestelmiä pyydetään tarjoamaan:
Optimaalinen PEEP -tason suositus potilaalle kyky havaita epänormaalien ilmanvaihtoparametrien havaitseminen Kolme mahdollista diagnostista ehdotusta Kolme ehdotettua hoitomenetelmää AI -mallien toimittamat tiedot tallennetaan ja verrataan kokeneiden ICU -asiantuntijoiden suorittamiin manuaalisiin arvioihin. Tämän vertailun tavoitteena on määrittää, missä määrin AI -mallit voivat toimia kliinisinä päätöksenteon tukityökaluina. AI: n tuotettujen suositusten luotettavuus, tarkkuus ja kliininen sovellettavuus analysoidaan perusteellisesti.
Tutkimuksen viimeisessä vaiheessa AI -malleilla määritettyjä PEEP -tasoja verrataan ICU -asiantuntijoiden tunnistamiin, joilla on vähintään viiden vuoden kokemus. Seuraavat kriteerit arvioidaan:
AI-mallien ja asiantuntijalausuntojen välinen sopimus PEEP-tasoista (ensisijainen tulosmitta) herkkyys ja AI: n spesifisyys AI: n generoitujen diagnoosien epänormaalien ilmanvaihtoparametrien tarkkuuden havaitsemisessa AI-suositusten käsittelymenetelmien kliininen sovellettavuus
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Istanbul, Turkki, 34303
- Rekrytointi
- Health Science University İstanbul Kanuni Sultan Süleyman Education and Training Hospital
-
Ottaa yhteyttä:
- Engin ihsan Turan
- Puhelinnumero: 05382431114
- Sähköposti: enginihsan@hotmail.com
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- 18 -vuotiaat tai sitä vanhemmat potilaat (aikuinen potilasryhmä).
- Potilaat, jotka vaativat mekaanista ilmanvaihtoa tehohoitoyksikössä (ICU).
- Hemodynaamisesti stabiilit potilaat, joilla on vakaa verenpaine ja syke.
- Potilaat, joilla on täydelliset sairauskertomukset, mukaan lukien valtimoveren kaasuarvot ja ilmanvaihtoparametrit.
- Potilaat, joiden lailliset edustajat (tarvittaessa) ovat antaneet tietoisen suostumuksen tutkimuksen osallistumiseen.
Poissulkemiskriteerit:
- Potilaat, jotka saavat kehon ulkopuolista kalvon hapettumista (ECMO).
- Potilaat, joilla on vaikea hemodynaaminen epävakaus, kuten tulenkestävä hypotensio tai rytmihäiriöt, jotka vaativat jatkuvaa vasopressorin tukea.
- Potilaat, joilla on epätäydelliset sairauskertomukset, erityisesti puuttuvat kriittiset tiedot ilmanvaihtoparametreista tai valtimoveren kaasuanalyysistä.
- Potilaat tai heidän lailliset edustajat, jotka kieltäytyvät osallistumisesta tutkimukseen.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
AI-generoitu PEEP-ryhmä (kokeellinen ryhmä)
Tämän ryhmän potilaiden optimaaliset PEEP -tasot määritetään käyttämällä AI -malleja (chatgpt, deepseek ja gemini).
AI-mallit analysoivat mekaanisia tuuletustietoja, mukaan lukien vaatimustenmukaisuus, elastanssi, automaattinen runsas, aikavakio ja paine-tilavuus (P-V) käyrät, PEEP-suositusten tuottamiseksi.
Nämä AI: n tuotetut arvot tallennetaan ja analysoidaan tarkkuuden, kliinisen merkityksen ja asiantuntijapäätösten kanssa.
|
Tässä tutkimuksessa kolme tekoälyn (AI) mallia (Chatgpt, Deepseek ja Gemini) analysoivat mekaanisia ilmanvaihtotietoja, mukaan lukien vaatimustenmukaisuus, elastit, automaattinen runsas, aikavakio ja paine-tilavuus (P-V) käyrät potilaskohtaisten PEEP-suositusten tuottamiseksi. Näitä AI: n tuotettuja suosituksia verrataan kokeneiden ICU-asiantuntijoiden suorittamaan manuaaliseen PEEP-titraukseen. AI -mallit tarjoavat myös epänormaalin ilmanvaihtoparametrien havaitsemisen, diagnostiset ehdotukset ja hoitosuositukset. Tutkimuksen tavoitteena on arvioida AI: n generoitujen tuotoksien luotettavuutta, tarkkuutta ja kliinistä sovellettavuutta PEEP-asetusten optimoimiseksi mekaanisesti tuuletettujen ICU-potilaille. |
|
Asiantuntija-määrittelemä PEEP-ryhmä (kontrolliryhmä)
Tässä ryhmässä ICU -asiantuntijat suorittavat PEEP -titrauksen manuaalisesti käyttämällä tavanomaisia kliinisiä protokollia.
Asiantuntijat määrittävät PEEP-tasot alhaisemman ja ylemmän käännöspisteen tunnistamisen ja paine-tilavuuskäyräanalyysin perusteella.
Heidän päätöksensä toimivat vertailustandardina AI: n tuotettujen suositusten arvioimiseksi.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI: n generoitujen ja asiantuntijoiden määrittelemien PEEP-tasojen välinen sopimus
Aikaikkuna: 7 päivä
|
Ensisijainen tulos on AI -mallien (CHATGPT, Deepseek, Gemini) suosittelema PEEP -tasojen ja ICU -asiantuntijoiden määrittämät.
Sopimus arvioidaan käyttämällä Bland-Altman-analyysiä ja luokansisäistä korrelaatiokerrointa (ICC) konsistenssin mittaamiseksi
|
7 päivä
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI -mallien herkkyys ja spesifisyys epänormaalien ilmanvaihtoparametrien havaitsemisessa
Aikaikkuna: 7 päivää
|
AI-malleja arvioidaan niiden kyvystä tunnistaa epänormaalit ilmanvaihtoparametrit (esim. Auto-runsas, huono vaatimustenmukaisuus, ylikuormitus) verrattuna asiantuntija-arviointeihin.
Herkkyys, spesifisyys, positiivinen ennustearvo (PPV) ja negatiivinen ennustava arvo (NPV) lasketaan.
|
7 päivää
|
|
AI: n generoitujen diagnostisten ennusteiden tarkkuus
Aikaikkuna: 7 päivää
|
AI -mallien tekemien diagnostisten ehdotusten tarkkuutta verrataan ICU -asiantuntijoiden kliinisiin arviointiin.
Sopimus mitataan Cohenin Kappa -tilastoilla.
|
7 päivää
|
|
AI: n generoitujen hoitosuositusten kliininen sovellettavuus
Aikaikkuna: Mekaanisen ilmanvaihdon ensimmäisen 24 tunnin sisällä.
|
ICU-asiantuntijat arvioivat AI-mallien tarjoamien hoitosuositusten toteutettavuus ja kliininen merkitys 5-pisteinen Likert-asteikko (1 = ei hyödyllinen, 5 = erittäin hyödyllinen).
|
Mekaanisen ilmanvaihdon ensimmäisen 24 tunnin sisällä.
|
Yhteistyökumppanit ja tutkijat
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- PEEP Titration
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .