- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT07328997
Exploration des stratégies de diagnostic et de traitement et des modèles de prédiction pronostique pour le syndrome de détresse respiratoire aiguë basés sur des évaluations radiographiques évaluées par intelligence artificielle
27 décembre 2025 mis à jour par: Shanghai Zhongshan Hospital
Exploration des stratégies de diagnostic et de traitement et des modèles de prédiction pronostique pour le syndrome de détresse respiratoire aiguë basée sur des évaluations radiographiques évaluées par l'intelligence artificielle
En utilisant des données de tomodensitométrie thoracique multicentrique, un modèle d'évaluation intelligente de la gravité du SDRA a été construit.
Sur la base des caractéristiques quantitatives de la tomodensitométrie et des caractéristiques cliniques, un modèle de prédiction des événements critiques à court terme (tels que les décisions de ventilation mécanique, les stratégies de positionnement en décubitus ventral, le décès, l'utilisation de l'ECMO, etc.) a été établi.
La maladie a été stadifiée et quantifiée, et un modèle de diagnostic et de stratification du risque pour le SDRA a été développé pour aider à orienter les stratégies de diagnostic et de traitement du SDRA.
Aperçu de l'étude
Statut
Complété
Intervention / Traitement
Type d'étude
Observationnel
Inscription (Réel)
400
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Lieux d'étude
-
-
Fengling Rd
-
Shanghai, Fengling Rd, Chine, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Non
Méthode d'échantillonnage
Échantillon de probabilité
Population étudiée
La population de l'étude comprend des patients adultes diagnostiqués avec un syndrome de détresse respiratoire aiguë (SDRA) qui ont été admis dans les unités de soins intensifs (USI) de trois hôpitaux tertiaires complets en Chine.
Les participants éligibles sont rétrospectivement identifiés à partir des dossiers médicaux électroniques entre janvier 2020 et décembre 2024.
Tous les patients inclus répondent aux critères d'inclusion et d'exclusion prédéfinis basés sur la Définition mondiale du SDRA de 2023 et disposent d'imagerie thoracique par tomodensitométrie et des données cliniques correspondantes.
Cette cohorte représente une population réelle d'USI avec des étiologies diverses du SDRA et des degrés variables de sévérité de la maladie.
La description
Critères d'inclusion :
- Répond aux critères diagnostiques du SDRA
- Être admis en unité de soins intensifs
- Disposer d'images de tomodensitométrie thoracique
Critères d'exclusion :
- Âge inférieur à 18 ans
- Dossiers médicaux manquants
- Absence d'images de tomodensitométrie thoracique
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Groupe d'entraînement, groupe de test, groupe de validation
L'étude adopte une stratégie d'échantillonnage aléatoire stratifié avec une division 8:2 pour constituer des ensembles de données d'entraînement et de validation interne, ainsi qu'une cohorte de test externe indépendante provenant d'un centre distinct.
Aucune randomisation des interventions ou traitements cliniques n'est impliquée.
Le modèle sera développé et évalué à l'aide de données observationnelles issues des parcours cliniques et des résultats en vie réelle, avec pour objectifs d'évaluer les performances en matière de stratification de la gravité de la maladie, de recommandation de traitement et de prédiction de la mortalité.
Les performances du modèle seront comparées aux scores de gravité établis en réanimation et aux approches existantes basées sur l'IA selon un plan d'analyse statistique prédéfini.
|
Tomodensitométrie
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Précision de la classification de la sévérité du SDRA
Délai: Baseline, définie comme étant dans les 24 heures suivant l'acquisition de la tomodensitométrie thoracique de référence pendant l'admission en unité de soins intensifs.
|
Précision du modèle basé sur l'intelligence artificielle dans la classification de la sévérité du SDRA (léger, modéré ou sévère), en utilisant la classification clinique de référence définie par les critères mondiaux du SDRA de 2023 comme vérité terrain.
|
Baseline, définie comme étant dans les 24 heures suivant l'acquisition de la tomodensitométrie thoracique de référence pendant l'admission en unité de soins intensifs.
|
|
Taux de correspondance du plan de traitement entre les recommandations du modèle et la prise en charge clinique réelle.
Délai: Ligne de base, définie comme étant dans les 24 heures suivant l'acquisition de la tomodensitométrie thoracique de référence lors de l'admission en soins intensifs.
|
Taux de concordance entre les stratégies de traitement recommandées par le modèle et les décisions réelles de prise en charge clinique pour cinq modalités d'intervention prédéfinies : ventilation mécanique, oxygénothérapie nasale à haut débit, ventilation non invasive, décubitus ventral et curarisation.
|
Ligne de base, définie comme étant dans les 24 heures suivant l'acquisition de la tomodensitométrie thoracique de référence lors de l'admission en soins intensifs.
|
|
Précision de la prédiction de la mortalité hospitalière à 28 jours.
Délai: Jusqu'à 28 jours après l'admission en soins intensifs, ou jusqu'à la sortie de l'hôpital, selon la première éventualité.
|
Précision du modèle dans la prédiction de la mortalité hospitalière toutes causes confondues dans les 28 jours, basée sur les caractéristiques intégrées de l'imagerie thoracique par tomodensitométrie et les variables cliniques.
|
Jusqu'à 28 jours après l'admission en soins intensifs, ou jusqu'à la sortie de l'hôpital, selon la première éventualité.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Amélioration comparative des performances par rapport aux modèles d'IA de référence.
Délai: Référence pour la classification de la sévérité et l'adaptation du plan de traitement ; jusqu'à 28 jours après l'admission en soins intensifs pour la prédiction de la mortalité
|
Amélioration absolue des performances du modèle proposé par rapport à trois modèles d'intelligence artificielle de référence couramment utilisés, concernant la classification de la sévérité du SDRA, l'appariement du plan de traitement et la prédiction de la mortalité à 28 jours.
|
Référence pour la classification de la sévérité et l'adaptation du plan de traitement ; jusqu'à 28 jours après l'admission en soins intensifs pour la prédiction de la mortalité
|
|
Performance de calibration de la prédiction de mortalité à 28 jours.
Délai: Jusqu'à 28 jours après l'admission en soins intensifs, ou jusqu'à la sortie de l'hôpital, selon la première éventualité.
|
Étalonnage du modèle de prédiction de la mortalité évalué à l'aide de courbes d'étalonnage et de statistiques d'étalonnage pour évaluer la concordance entre la mortalité hospitalière prédite et observée à 28 jours.
|
Jusqu'à 28 jours après l'admission en soins intensifs, ou jusqu'à la sortie de l'hôpital, selon la première éventualité.
|
|
Interprétabilité du modèle basée sur les contributions des caractéristiques d'imagerie et cliniques.
Délai: Base de référence pour l'extraction de caractéristiques ; jusqu'à 28 jours après l'admission en USI pour l'analyse d'association des résultats.
|
Quantification des contributions relatives des caractéristiques dérivées de l'imagerie et des variables cliniques à la prédiction de la mortalité en utilisant les explications additives de Shapley (SHAP).
L'importance des caractéristiques sera analysée globalement et stratifiée selon la sévérité du SDRA.
|
Base de référence pour l'extraction de caractéristiques ; jusqu'à 28 jours après l'admission en USI pour l'analyse d'association des résultats.
|
|
Association entre la concordance du traitement et la mortalité hospitalière à 28 jours.
Délai: Jusqu'à 28 jours après l'admission en soins intensifs, ou jusqu'à la sortie de l'hôpital, selon la première éventualité.
|
Association entre la concordance des interventions recommandées par le modèle et les traitements cliniques réels et la mortalité hospitalière à 28 jours, évaluée par régression logistique multivariée ajustée pour les principales mesures structurelles dérivées de l'imagerie.
|
Jusqu'à 28 jours après l'admission en soins intensifs, ou jusqu'à la sortie de l'hôpital, selon la première éventualité.
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
Publications générales
- Xirouchaki N, Magkanas E, Vaporidi K, Kondili E, Plataki M, Patrianakos A, Akoumianaki E, Georgopoulos D. Lung ultrasound in critically ill patients: comparison with bedside chest radiography. Intensive Care Med. 2011 Sep;37(9):1488-93. doi: 10.1007/s00134-011-2317-y. Epub 2011 Aug 2.
- Matthay MA, Arabi Y, Arroliga AC, Bernard G, Bersten AD, Brochard LJ, Calfee CS, Combes A, Daniel BM, Ferguson ND, Gong MN, Gotts JE, Herridge MS, Laffey JG, Liu KD, Machado FR, Martin TR, McAuley DF, Mercat A, Moss M, Mularski RA, Pesenti A, Qiu H, Ramakrishnan N, Ranieri VM, Riviello ED, Rubin E, Slutsky AS, Thompson BT, Twagirumugabe T, Ware LB, Wick KD. A New Global Definition of Acute Respiratory Distress Syndrome. Am J Respir Crit Care Med. 2024 Jan 1;209(1):37-47. doi: 10.1164/rccm.202303-0558WS.
- Ding XF, Li JB, Liang HY, Wang ZY, Jiao TT, Liu Z, Yi L, Bian WS, Wang SP, Zhu X, Sun TW. Predictive model for acute respiratory distress syndrome events in ICU patients in China using machine learning algorithms: a secondary analysis of a cohort study. J Transl Med. 2019 Oct 1;17(1):326. doi: 10.1186/s12967-019-2075-0.
- Zhang Z. Prediction model for patients with acute respiratory distress syndrome: use of a genetic algorithm to develop a neural network model. PeerJ. 2019 Sep 16;7:e7719. doi: 10.7717/peerj.7719. eCollection 2019.
- Zeiberg D, Prahlad T, Nallamothu BK, Iwashyna TJ, Wiens J, Sjoding MW. Machine learning for patient risk stratification for acute respiratory distress syndrome. PLoS One. 2019 Mar 28;14(3):e0214465. doi: 10.1371/journal.pone.0214465. eCollection 2019.
- Zhou Y, Feng J, Mei S, Tang R, Xing S, Qin S, Zhang Z, Xu Q, Gao Y, He Z. A deep learning model for predicting COVID-19 ARDS in critically ill patients. Front Med (Lausanne). 2023 Jul 25;10:1221711. doi: 10.3389/fmed.2023.1221711. eCollection 2023.
- Chiumello D, Coppola S, Catozzi G, Danzo F, Santus P, Radovanovic D. Lung Imaging and Artificial Intelligence in ARDS. J Clin Med. 2024 Jan 5;13(2):305. doi: 10.3390/jcm13020305.
- Albahri OS, Zaidan AA, Albahri AS, Zaidan BB, Abdulkareem KH, Al-Qaysi ZT, Alamoodi AH, Aleesa AM, Chyad MA, Alesa RM, Kem LC, Lakulu MM, Ibrahim AB, Rashid NA. Systematic review of artificial intelligence techniques in the detection and classification of COVID-19 medical images in terms of evaluation and benchmarking: Taxonomy analysis, challenges, future solutions and methodological aspects. J Infect Public Health. 2020 Oct;13(10):1381-1396. doi: 10.1016/j.jiph.2020.06.028. Epub 2020 Jul 1.
- Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019 Jul;8(7):2328-2331. doi: 10.4103/jfmpc.jfmpc_440_19.
- Gutierrez G. Artificial Intelligence in the Intensive Care Unit. Crit Care. 2020 Mar 24;24(1):101. doi: 10.1186/s13054-020-2785-y.
- Ahuja AS. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ. 2019 Oct 4;7:e7702. doi: 10.7717/peerj.7702. eCollection 2019.
- Shenoy S, Rajan AK, Rashid M, Chandran VP, Poojari PG, Kunhikatta V, Acharya D, Nair S, Varma M, Thunga G. Artificial intelligence in differentiating tropical infections: A step ahead. PLoS Negl Trop Dis. 2022 Jun 30;16(6):e0010455. doi: 10.1371/journal.pntd.0010455. eCollection 2022 Jun.
- Chiumello D, Marino A, Brioni M, Menga F, Cigada I, Lazzerini M, Andrisani MC, Biondetti P, Cesana B, Gattinoni L. Visual anatomical lung CT scan assessment of lung recruitability. Intensive Care Med. 2013 Jan;39(1):66-73. doi: 10.1007/s00134-012-2707-9. Epub 2012 Sep 19.
- Raghavendran K, Davidson BA, Woytash JA, Helinski JD, Marschke CJ, Manderscheid PA, Notter RH, Knight PR. The evolution of isolated bilateral lung contusion from blunt chest trauma in rats: cellular and cytokine responses. Shock. 2005 Aug;24(2):132-8. doi: 10.1097/01.shk.0000169725.80068.4a.
- Gattinoni L, Caironi P, Pelosi P, Goodman LR. What has computed tomography taught us about the acute respiratory distress syndrome? Am J Respir Crit Care Med. 2001 Nov 1;164(9):1701-11. doi: 10.1164/ajrccm.164.9.2103121. No abstract available.
- Gattinoni L, Pesenti A. The concept of "baby lung". Intensive Care Med. 2005 Jun;31(6):776-84. doi: 10.1007/s00134-005-2627-z. Epub 2005 Apr 6.
- Yadav H, Thompson BT, Gajic O. Fifty Years of Research in ARDS. Is Acute Respiratory Distress Syndrome a Preventable Disease? Am J Respir Crit Care Med. 2017 Mar 15;195(6):725-736. doi: 10.1164/rccm.201609-1767CI.
- Yildirim F, Karaman I, Kaya A. Current situation in ARDS in the light of recent studies: Classification, epidemiology and pharmacotherapeutics. Tuberk Toraks. 2021 Dec;69(4):535-546. doi: 10.5578/tt.20219611.
- Yang P, Sjoding MW. Acute Respiratory Distress Syndrome: Definition, Diagnosis, and Routine Management. Crit Care Clin. 2024 Apr;40(2):309-327. doi: 10.1016/j.ccc.2023.12.003. Epub 2024 Jan 4.
- Tzotzos SJ, Fischer B, Fischer H, Zeitlinger M. Incidence of ARDS and outcomes in hospitalized patients with COVID-19: a global literature survey. Crit Care. 2020 Aug 21;24(1):516. doi: 10.1186/s13054-020-03240-7. No abstract available.
- Riviello ED, Buregeya E, Twagirumugabe T. Diagnosing acute respiratory distress syndrome in resource limited settings: the Kigali modification of the Berlin definition. Curr Opin Crit Care. 2017 Feb;23(1):18-23. doi: 10.1097/MCC.0000000000000372.
- Villar J, Martin-Rodriguez C, Dominguez-Berrot AM, Fernandez L, Ferrando C, Soler JA, Diaz-Lamas AM, Gonzalez-Higueras E, Nogales L, Ambros A, Carriedo D, Hernandez M, Martinez D, Blanco J, Belda J, Parrilla D, Suarez-Sipmann F, Tarancon C, Mora-Ordonez JM, Blanch L, Perez-Mendez L, Fernandez RL, Kacmarek RM; Spanish Initiative for Epidemiology, Stratification and Therapies for ARDS (SIESTA) Investigators Network. A Quantile Analysis of Plateau and Driving Pressures: Effects on Mortality in Patients With Acute Respiratory Distress Syndrome Receiving Lung-Protective Ventilation. Crit Care Med. 2017 May;45(5):843-850. doi: 10.1097/CCM.0000000000002330.
- Garcia-Laorden MI, Lorente JA, Flores C, Slutsky AS, Villar J. Biomarkers for the acute respiratory distress syndrome: how to make the diagnosis more precise. Ann Transl Med. 2017 Jul;5(14):283. doi: 10.21037/atm.2017.06.49.
- McNicholas BA, Rooney GM, Laffey JG. Lessons to learn from epidemiologic studies in ARDS. Curr Opin Crit Care. 2018 Feb;24(1):41-48. doi: 10.1097/MCC.0000000000000473.
- Bellani G, Laffey JG, Pham T, Fan E, Brochard L, Esteban A, Gattinoni L, van Haren F, Larsson A, McAuley DF, Ranieri M, Rubenfeld G, Thompson BT, Wrigge H, Slutsky AS, Pesenti A; LUNG SAFE Investigators; ESICM Trials Group. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 2016 Feb 23;315(8):788-800. doi: 10.1001/jama.2016.0291.
- Gorman EA, O'Kane CM, McAuley DF. Acute respiratory distress syndrome in adults: diagnosis, outcomes, long-term sequelae, and management. Lancet. 2022 Oct 1;400(10358):1157-1170. doi: 10.1016/S0140-6736(22)01439-8. Epub 2022 Sep 4.
- Xu H, Sheng S, Luo W, Xu X, Zhang Z. Acute respiratory distress syndrome heterogeneity and the septic ARDS subgroup. Front Immunol. 2023 Nov 14;14:1277161. doi: 10.3389/fimmu.2023.1277161. eCollection 2023.
- Banavasi H, Nguyen P, Osman H, Soubani AO. Management of ARDS - What Works and What Does Not. Am J Med Sci. 2021 Jul;362(1):13-23. doi: 10.1016/j.amjms.2020.12.019. Epub 2020 Dec 26.
- Katzenstein AL, Bloor CM, Leibow AA. Diffuse alveolar damage--the role of oxygen, shock, and related factors. A review. Am J Pathol. 1976 Oct;85(1):209-28. No abstract available.
- Villar J, Szakmany T, Grasselli G, Camporota L. Redefining ARDS: a paradigm shift. Crit Care. 2023 Oct 31;27(1):416. doi: 10.1186/s13054-023-04699-w.
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (Réel)
31 mai 2024
Achèvement primaire (Réel)
30 novembre 2025
Achèvement de l'étude (Réel)
30 novembre 2025
Dates d'inscription aux études
Première soumission
13 décembre 2025
Première soumission répondant aux critères de contrôle qualité
27 décembre 2025
Première publication (Réel)
9 janvier 2026
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
9 janvier 2026
Dernière mise à jour soumise répondant aux critères de contrôle qualité
27 décembre 2025
Dernière vérification
1 décembre 2025
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
- Maladies des voies respiratoires
- Maladies pulmonaires
- Lésion pulmonaire
- Lésion pulmonaire aiguë
- Techniques et procédures de diagnostic
- Diagnostic
- Tomographie
- Imagerie diagnostique
- Radiographie
- Interprétation d'image, assistée par ordinateur
- Amélioration de l'image radiographique
- Amélioration de l'image
- Photographie
- Tomographie, radiographie
- Tomographie, radiographie calculée
Autres numéros d'identification d'étude
- B2024-180
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
OUI
Description du régime IPD
Les données individuelles des participants qui sous-tendent les résultats de l'étude, y compris les informations démographiques anonymisées, les variables cliniques, les résultats de laboratoire, les paramètres de ventilation ou HFNC, et les caractéristiques quantitatives de la tomodensitométrie dérivées de l'IA, seront partagées.
Toutes les données seront entièrement anonymisées conformément aux réglementations applicables avant le partage.
Les données d'imagerie (scanners CT) seront également fournies dans un format anonymisé lorsque cela sera autorisé par les sites participants.
Délai de partage IPD
Les données individuelles des participants seront disponibles à partir de 12 mois après la publication des résultats principaux et resteront accessibles pendant au moins 5 ans.
Critères d'accès au partage IPD
Les données individuelles des participants seront partagées avec des chercheurs qualifiés pour des propositions scientifiquement solides.
Les demandes doivent inclure un plan d'analyse méthodologiquement approprié et l'approbation d'un comité d'examen institutionnel (IRB) ou d'un comité d'éthique lorsque cela est requis.
Les données ne seront partagées que sous forme dé-identifiée.
Toutes les demandes seront examinées par le chercheur principal et le comité de pilotage de l'étude, qui évalueront la justification scientifique, la faisabilité et la conformité aux réglementations sur la protection des données.
Après approbation, les données seront accessibles via une plateforme de partage de données sécurisée et protégée par mot de passe.
Type d'informations de prise en charge du partage d'IPD
- PROTOCOLE D'ÉTUDE
- SÈVE
- CIF
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .