Using Artificial Intelligence To Improve Ventilator Settings For Intensive Care Patients
15 mai 2026 mis à jour par: 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.
Aperçu de l'étude
Statut
Complété
Type d'étude
Observationnel
Inscription (Réel)
2000
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
-
-
Zhejiang
-
Wenzhou, Zhejiang, Chine, 325000
- The Second Affiliated Hospital of Wenzhou Medical University and Yuying Children's Hospital
-
-
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
- Enfant
- Adulte
Accepte les volontaires sains
Non
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
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.
La description
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
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 |
|---|
|
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.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Number of ventilator-free days within 28 days
Délai: 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.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
mortality rate
Délai: 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
Délai: 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
Délai: 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
Délai: 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
Délai: 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.
|
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
- 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.
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)
1 janvier 2021
Achèvement primaire (Réel)
31 décembre 2025
Achèvement de l'étude (Réel)
31 décembre 2025
Dates d'inscription aux études
Première soumission
10 mai 2026
Première soumission répondant aux critères de contrôle qualité
15 mai 2026
Première publication (Réel)
18 mai 2026
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
18 mai 2026
Dernière mise à jour soumise répondant aux critères de contrôle qualité
15 mai 2026
Dernière vérification
1 mai 2026
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 2026-K-78-01
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Description du régime IPD
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.
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 .