Using Artificial Intelligence To Improve Ventilator Settings For Intensive Care Patients
perjantai 15. toukokuuta 2026 päivittänyt: 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.
Tutkimuksen yleiskatsaus
Tila
Valmis
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
2000
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kiina, 325000
- The Second Affiliated Hospital of Wenzhou Medical University and Yuying Children's Hospital
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
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.
Kuvaus
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
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
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.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Number of ventilator-free days within 28 days
Aikaikkuna: 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.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
mortality rate
Aikaikkuna: 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
Aikaikkuna: 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
Aikaikkuna: 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
Aikaikkuna: 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
Aikaikkuna: 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.
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Perjantai 1. tammikuuta 2021
Ensisijainen valmistuminen (Todellinen)
Keskiviikko 31. joulukuuta 2025
Opintojen valmistuminen (Todellinen)
Keskiviikko 31. joulukuuta 2025
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Sunnuntai 10. toukokuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 15. toukokuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Maanantai 18. toukokuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Maanantai 18. toukokuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 15. toukokuuta 2026
Viimeksi vahvistettu
Perjantai 1. toukokuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2026-K-78-01
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
IPD-suunnitelman kuvaus
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.
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
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 .