External Validation of AI-Aided Weaning Software Using Multicenter Retrospective Data
keskiviikko 17. kesäkuuta 2026 päivittänyt: Chieh-Liang Wu, Taichung Veterans General Hospital
Using Multicenter Retrospective Data to Validate the Performance of AI-Aided Weaning Software
This multicenter retrospective study aims to externally validate an artificial intelligence-aided weaning software developed using intensive care unit data from Taichung Veterans General Hospital between 2015 and 2019.
The model predicts the optimal timing for extubation using routinely collected clinical variables including ventilator parameters, physiologic measurements, and fluid and nutrition information.
De-identified data from four hospitals collected between 2020 and 2024 will be used to evaluate model performance.
Performance metrics include sensitivity, specificity, accuracy, area under the receiver operating characteristic curve (AUROC), and F1 score.
Tutkimuksen yleiskatsaus
Tila
Valmis
Yksityiskohtainen kuvaus
Critical care generates a large amount of digitized clinical data that may benefit from artificial intelligence-assisted decision support. The AI-Aided Weaning Software was previously developed using ICU data from Taichung Veterans General Hospital collected between 2015 and 2019.
This retrospective multicenter validation study will evaluate the external performance of the established model using independent datasets from four hospitals in Taiwan, including Taichung Veterans General Hospital, Mackay Memorial Hospital, Kaohsiung Medical University Chung-Ho Memorial Hospital, and Tungs' Taichung MetroHarbor Hospital.
The study population includes adult ICU patients with respiratory failure who received mechanical ventilation for at least 72 hours between January 2020 and December 2024. De-identified routine clinical records will be collected according to a predefined case report form and analyzed centrally.
The primary objective is to assess the external validity of the AI-Aided Weaning Software across different hospitals. Model performance will be evaluated using sensitivity, specificity, accuracy, AUROC, and F1 score.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
1500
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Taichung, Taiwan
- Taichung Veterans General 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
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Adult patients with acute respiratory failure who were admitted to participating hospitals between January 2022 and December 2024 and required invasive mechanical ventilation for at least 24 hours.
This is a retrospective study using existing clinical and imaging data for model validation.
Kuvaus
Inclusion Criteria:
- Adult patients aged 20 years or older.
- Admitted to the intensive care unit (ICU) at one of the participating hospitals between January 1, 2020 and December 31, 2024.
- Received invasive mechanical ventilation for at least 72 hours.
- Availability of de-identified clinical data required for model validation.
Exclusion Criteria:
- Patients who did not receive invasive mechanical ventilation.
- Duration of mechanical ventilation less than 72 hours.
- Missing key clinical variables required for model validation.
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 |
|---|
|
Mechanically Ventilated ICU Patients
Adult intensive care unit patients aged 20 years or older who received invasive mechanical ventilation for at least 72 hours between January 2020 and December 2024 at four participating hospitals.
Retrospective de-identified clinical data were used to validate the performance of AI-Aided Weaning Software.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Model Performance (AUROC)
Aikaikkuna: Using data collected during ICU admission
|
Area under the receiver operating characteristic curve (AUROC) for predicting successful extubation.
AUROC ranges from 0.5 to 1.0, with higher values indicating better discriminative performance of the prediction model.
|
Using data collected during ICU admission
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Sensitivity
Aikaikkuna: ICU admission
|
SensitivitySensitivity of the prediction model for successful extubation.
Sensitivity ranges from 0 to 1 (or 0% to 100%), with higher values indicating better identification of patients who achieve successful extubation.
|
ICU admission
|
|
Specificity
Aikaikkuna: ICU admission
|
Specificity of the prediction model for successful extubation.
Specificity ranges from 0 to 1 (or 0% to 100%), with higher values indicating better identification of patients who do not achieve successful extubation.
|
ICU admission
|
|
Accuracy
Aikaikkuna: ICU admission
|
Accuracy of the prediction model for successful extubation.
Accuracy ranges from 0 to 1 (or 0% to 100%), with higher values indicating better overall prediction performance.
|
ICU admission
|
|
F1 Score
Aikaikkuna: ICU admission
|
F1 score of the prediction model for successful extubation.
F1 score ranges from 0 to 1, with higher values indicating better balance between precision and recall.
|
ICU admission
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
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)
Keskiviikko 1. tammikuuta 2020
Ensisijainen valmistuminen (Todellinen)
Tiistai 31. joulukuuta 2024
Opintojen valmistuminen (Todellinen)
Tiistai 31. joulukuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Sunnuntai 14. kesäkuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Sunnuntai 14. kesäkuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Torstai 18. kesäkuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Maanantai 22. kesäkuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 17. kesäkuuta 2026
Viimeksi vahvistettu
Maanantai 1. kesäkuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- TCVGH-AI-WEAN-2026
- TCVGH-AI-Weaning-2026 (Muu tunniste: Taichung Veterans General Hospital)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
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 .