Evaluering av AI -modeller for å bestemme det optimale PEEP

Pasienter som får mekanisk ventilasjonsstøtte i intensivavdelingen (ICU), som er hemodynamisk stabil og over 18 år gammel, vil bli ansett som kvalifisert for studien. Disse kriteriene er satt for å sikre at pasientene krever tilstrekkelig respirasjonsstøtte mens de er egnet for individualisert ventilatorstyringoptimalisering.

Under pasientvalgsprosessen vil medisinske journaler til ICU -pasienter bli gjennomgått, og de som oppfyller kriteriene vil bli inkludert i studien. For å sikre nøyaktigheten av kliniske data, vil pasientvalgsprosessen bli utført av intensivpleier.

De mekaniske ventilasjonsparametrene til de inkluderte pasientene vil bli registrert systematisk. I denne sammenhengen vil inspirerende hold og ekspiratorisk holdmanøvrer bli brukt for å evaluere respirasjonsmekanikken til pasientene. De registrerte målingene vil omfatte samsvar (lungeelastisitet), elastans (lungestivhet), auto-peep (tilstedeværelse av luftfangst) og tidskonstant (gassutvekslingsvarighet).

I tillegg til disse grunnleggende ventilasjonsparametrene, vil trykkvolum (P-V) -kurven bli analysert for å samle kritiske data for ventilasjonsoptimalisering. Disse prosedyrene vil bli utført ved bruk av avanserte analysemoduler integrert i ICU -ventilatorer og pasientovervåkingssystemer. De innsamlede dataene vil bli analysert både manuelt av eksperter og av kunstig intelligens (AI) -modeller gjennom hele studien.

I studien vil PEEP -titrering bli utført manuelt av intensivspesialister. Denne prosessen vil bli brukt umiddelbart etter intubasjon for intuberte pasienter og vil fortsette daglig. Prosedyren vil bli standardisert i henhold til en forhåndsdefinert protokoll og brukes konsekvent på tvers av alle pasienter.

Det nedre bøyningspunktet (LIP) vil bli identifisert, og PEEP vil bli påført på det punktet hvor alveolar rekruttering begynner. Dette trinnet er avgjørende for å forhindre lungekollaps og sikre optimal oksygenering. I tillegg vil det øvre bøyningspunktet (UIP) bli bestemt for å forhindre overdistion, noe som sikrer at tidevannsvolum forblir under dette trykkgrensen. Hvis det lavere bøyningspunktet ikke er tydelig identifisert, vil et PEEP -nivå på omtrent 10 cmH₂O bli brukt som en standardtilnærming.

Trykkvolumkurven til ventilatoren vil bli analysert for å vurdere om det optimale PEEP-nivået er oppnådd. Hvis kurven skifter oppover, vil den bli betraktet som en indikator på vellykket alveolar rekruttering. Hvis kurven skifter til høyre, vil den indikere en risiko for overdistensjon, noe som fører til en reduksjon i PEEP. Ved denne tilnærmingen vil det mest passende PEEP -nivået for hver pasient bli bestemt, og ventilatorinnstillinger vil bli optimalisert deretter. Disse prosedyrene brukes rutinemessig på sykehuset vårt og globalt og er blant de mest foretrukne metodene for PEEP -titrering.

Alle innsamlede ventilasjonsparametere vil bli lagt inn i tre forskjellige kunstige intelligensmodeller: ChatGPT, DeepSeek og Gemini. Disse systemene vil bli bedt om å gi:

En optimal anbefaling av PEEP -nivå for pasienten Evnen til å oppdage unormale ventilasjonsparametere Tre mulige diagnostiske forslag Tre foreslåtte behandlingsmetoder Dataene levert av AI -modellene vil bli registrert og sammenlignet med manuelle vurderinger utført av erfarne ICU -spesialister. Denne sammenligningen har som mål å bestemme i hvilken grad AI -modeller kan tjene som kliniske beslutningsstøtteverktøy. Påliteligheten, nøyaktigheten og klinisk anvendbarhet av AI-genererte anbefalinger vil bli grundig analysert.

I den siste fasen av studien vil PEEP -nivåene bestemt av AI -modeller bli sammenlignet med de som er identifisert av ICU -spesialister med minst fem års erfaring. Følgende kriterier vil bli evaluert:

Avtale mellom AI-modeller og ekspertuttalelser om PEEP-nivåer (primært resultatmål) Følsomhet og spesifisitet av AI i å oppdage unormal ventilasjonsparametere Nøyaktighet av AI-genererte diagnoser klinisk anvendbarhet av AI-anbefalte behandlingsmetoder