Mesterséges Intelligencia által Értékelt Röntgenvizsgálatok Alapján Az Akut Légzési Szindróma Diagnosztikai és Kezelési Stratégiáinak, valamint Prognosztikai Predikciós Modelljeinek Feltárása
2025. december 27. frissítette: Shanghai Zhongshan Hospital
A mesterséges intelligenciával értékelt radiográfiai felvételek alapján végzett diagnosztikai és kezelési stratégiák, valamint prognosztikai előrejelző modellek feltárása az akut légzési distressz szindrómában
Több központú mellkas CT adatok felhasználásával egy intelligens értékelési modellt építettek ki az ARDS súlyosságának meghatározására.
A CT kvantitatív jellemzői és klinikai jellemzők alapján rövid távú kritikus események (például mechanikus ventilációs döntések, hason fekvő pozíció stratégiák, halál, ECMO használat stb.) előrejelzési modelljét állították fel.
A betegséget szakaszokra osztották és kvantifikálták, valamint egy diagnózis és kockázati rétegződési modellt fejlesztettek ki az ARDS-hez, hogy segítsenek az ARDS diagnózisának és kezelési stratégiáinak irányításában.
A tanulmány áttekintése
Állapot
Befejezve
Beavatkozás / kezelés
Tanulmány típusa
Megfigyelő
Beiratkozás (Tényleges)
400
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
Fengling Rd
-
Shanghai, Fengling Rd, Kína, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Nem
Mintavételi módszer
Valószínűségi minta
Tanulmányi populáció
A vizsgált populációt akut légzészavar-szindrómával (ARDS) diagnosztizált felnőtt betegek alkotják, akiket három kínai tercier kórház intenzív osztályára (ICU) kerültek.
A jogosult résztvevőket retrospektíven azonosították az elektronikus egészségügyi nyilvántartásokból 2020 januárja és 2024 decembere között.
Az összes bevont beteg megfelel az előre meghatározott bevonási és kizárási kritériumoknak a 2023-as Globális ARDS-meghatározás alapján, és rendelkezésre áll mellkas CT felvételük és a hozzá tartozó klinikai adataik.
Ez a kohorsz egy valós világbeli ICU-populációt képvisel, amelyben az ARDS különböző etiológiái és a betegség súlyosságának különböző fokozatai fordulnak elő.
Leírás
Bevonási kritériumok:
- Megfelel az ARDS diagnosztikai kritériumainak
- Intenzív osztályra kerül
- Rendelkezésre áll mellkas CT felvétel
Kizárási kritériumok:
- 18 éven aluli életkor
- Hiányzó orvosi dokumentáció
- Nem áll rendelkezésre mellkas CT felvétel
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Képzési csoport, tesztelési csoport, validációs csoport
A tanulmány rétegzett véletlenszerű mintavételi stratégiát alkalmaz 8:2 arányú felosztással a képzési és belső validációs adathalmazok létrehozásához, együtt egy különálló központból származó független külső teszt kohorttal.
Nem történik klinikai beavatkozások vagy kezelések randomizációja.
A modell megfigyelési adatok felhasználásával lesz kifejlesztve és értékelve, amelyek valós klinikai utakból és eredményekből származnak, a cél a teljesítmény értékelése a betegség súlyosságának rétegekbe sorolásában, kezelési ajánlásban és mortalitás előrejelzésében.
A modell teljesítményét összehasonlítják a megállapított intenzív terápiás súlyossági pontszámokkal és meglévő mesterséges intelligencián alapuló megközelítésekkel egy előre meghatározott statisztikai elemzési terv szerint.
|
CT vizsgálat
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Az ARDS súlyossági besorolás pontossága
Időkeret: Alapvonal, amelyet a mellkas CT-felvételtől számított 24 órán belül definiálnak az intenzív osztályon történő felvétel során.
|
Az mesterséges intelligencia alapú modell pontossága az ARDS súlyosságának (enyhe, közepes vagy súlyos) osztályozásában, a 2023-as globális ARDS kritériumok által meghatározott referencia klinikai osztályozást használva alapvető igazságként.
|
Alapvonal, amelyet a mellkas CT-felvételtől számított 24 órán belül definiálnak az intenzív osztályon történő felvétel során.
|
|
A modell által ajánlott és a tényleges klinikai kezelés közötti kezelési terv egyezési aránya.
Időkeret: Alapvonal, amely az intenzív osztályos felvétel során történő index mellkasi CT-felvétel utáni 24 órán belül meghatározott.
|
Egyezési arány az által a modell által javasolt kezelési stratégiák és a tényleges klinikai kezelési döntések között öt előre meghatározott intervenciós mód esetében: mechanikus lélegeztetés, nagyáramú orrkapilláris oxigénterápia, nem-invazív lélegeztetés, hasfekvéses pozicionálás és neuromuszkuláris blokád.
|
Alapvonal, amely az intenzív osztályos felvétel során történő index mellkasi CT-felvétel utáni 24 órán belül meghatározott.
|
|
A 28 napos kórházi mortalitás előrejelzésének pontossága.
Időkeret: Legfeljebb 28 napig az intenzív osztályra kerüléstől számítva, vagy a kórházi elbocsátásig, attól függően, hogy melyik következik be hamarabb.
|
A modell pontossága a teljes okú 28 napon belüli kórházi mortalitás előrejelzésében, integrált mellkasi CT-képalkotási jellemzők és klinikai változók alapján.
|
Legfeljebb 28 napig az intenzív osztályra kerüléstől számítva, vagy a kórházi elbocsátásig, attól függően, hogy melyik következik be hamarabb.
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Az alapvonal AI-modellekhez viszonyított összehasonlító teljesítményjavulás.
Időkeret: A súlyossági besorolás és a kezelési terv összehangolásának alapvonala; az intenzív osztályra kerüléstől számított legfeljebb 28 nap a halálozás előrejelzéséhez
|
Az ajánlott modell abszolút teljesítménybeli javulása három gyakran használt alapvonal mesterséges intelligencia modellhez képest az ARDS súlyossági osztályozás, a kezelési terv egyeztetés és a 28 napos mortalitás előrejelzése terén.
|
A súlyossági besorolás és a kezelési terv összehangolásának alapvonala; az intenzív osztályra kerüléstől számított legfeljebb 28 nap a halálozás előrejelzéséhez
|
|
A 28 napos mortalitás előrejelzésének kalibrációs teljesítménye.
Időkeret: Legfeljebb 28 nap az intenzív osztályra kerülésétől számítva, vagy a kórházi elbocsátásig, attól függően, hogy melyik következik be először.
|
A mortalitás előrejelzési modell kalibrációját kalibrációs görbék és kalibrációs statisztikák segítségével értékelték, hogy felmérjék az előre jelzett és megfigyelt 28 napos kórházi mortalitás közötti egyezést.
|
Legfeljebb 28 nap az intenzív osztályra kerülésétől számítva, vagy a kórházi elbocsátásig, attól függően, hogy melyik következik be először.
|
|
A képalkotás és klinikai jellemzők hozzájárulásán alapuló modellértelmezhetőség.
Időkeret: Alapvonal a jellemzők kinyeréséhez; legfeljebb 28 nap az intenzív osztályra kerüléstől a kimenetel-asszociációs elemzésig.
|
A képalkotásból származó jellemzők és a klinikai változók relatív hozzájárulásának kvantifikálása a halálozás előrejelzéséhez Shapley Additive Explanations (SHAP) módszerrel.
A jellemző fontosságát összesítve és az ARDS súlyossága szerint rétegezve elemzik.
|
Alapvonal a jellemzők kinyeréséhez; legfeljebb 28 nap az intenzív osztályra kerüléstől a kimenetel-asszociációs elemzésig.
|
|
A kezeléshez való ragaszkodás és a 28 napos kórházi mortalitás közötti összefüggés.
Időkeret: Legfeljebb 28 napig az intenzív osztályra kerüléstől számítva, vagy a kórházi elbocsátásig, attól függően, hogy melyik következik be előbb.
|
A modell által ajánlott beavatkozások és a tényleges klinikai kezelések közötti egyezés és a 28 napos kórházi halálozás közötti összefüggés, amelyet a kulcsfontosságú képalkotásból származó strukturális metrikákra korrigált többváltozós logisztikus regresszióval értékeltek.
|
Legfeljebb 28 napig az intenzív osztályra kerüléstől számítva, vagy a kórházi elbocsátásig, attól függően, hogy melyik következik be előbb.
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Publikációk és hasznos linkek
A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
2024. május 31.
Elsődleges befejezés (Tényleges)
2025. november 30.
A tanulmány befejezése (Tényleges)
2025. november 30.
Tanulmányi regisztráció dátumai
Először benyújtva
2025. december 13.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2025. december 27.
Első közzététel (Tényleges)
2026. január 9.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2026. január 9.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2025. december 27.
Utolsó ellenőrzés
2025. december 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- B2024-180
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IGEN
IPD terv leírása
A tanulmány eredményeit megalapozó egyéni résztvevői adatok, beleértve az azonosítás nélküli demográfiai információkat, klinikai változókat, laboratóriumi eredményeket, lélegeztető vagy HFNC paramétereket, valamint mesterséges intelligenciával származtatott kvantitatív CT jellemzőket, megosztásra kerülnek.
Az összes adat teljesen azonosítás nélkül kerül megosztásra a vonatkozó rendelkezéseknek megfelelően.
A képi adatok (CT felvételek) is azonosítás nélküli formában kerülnek biztosításra, amikor a részt vevő helyszínek ezt engedélyezik.
IPD megosztási időkeret
Az egyéni résztvevői adatok a fő eredmények közzététele után 12 hónappal válnak elérhetővé, és legalább 5 évig hozzáférhetőek maradnak.
IPD-megosztási hozzáférési feltételek
Az egyéni résztvevői adatokat minősített kutatókkal osztjuk meg tudományosan megalapozott javaslatok esetén.
A kéréseknek tartalmazniuk kell módszertanilag megfelelő elemzési tervet és intézményi felülvizsgálóbizottság (IRB) vagy etikai bizottság jóváhagyását, amikor az szükséges.
Az adatokat csak de-identifikált formában osztjuk meg.
Minden kérést a fővizsgáló és a tanulmány irányító bizottsága fog felülvizsgálni, akik értékelni fogják a tudományos indoklást, a kivitelezhetőséget és az adatvédelmi rendeletekkel való megfelelést.
A jóváhagyást követően az adatokhoz egy biztonságos, jelszóval védett adatmegosztási platformon keresztül lehet hozzáférni.
Az IPD megosztását támogató információ típusa
- STUDY_PROTOCOL
- NEDV
- ICF
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .