Eksploracja strategii diagnozowania i leczenia oraz modeli predykcji rokowania w zespole ostrej niewydolności oddechowej w oparciu o oceny radiograficzne przeprowadzane przez sztuczną inteligencję
Eksploracja strategii diagnostyki i leczenia oraz modeli predykcji rokowania w zespole ostrej niewydolności oddechowej oparta na ocenie radiologicznej przy użyciu sztucznej inteligencji
Przegląd badań
Status
Status
Warunki
Warunki
Interwencja / Leczenie
Interwencja / Leczenie
Typ studiów
Typ studiów
Zapisy (Rzeczywisty)
Zapisy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Fengling Rd
-
Shanghai, Fengling Rd, Chiny, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Spełnia kryteria diagnostyczne dla ARDS
- Przyjęcie na oddział intensywnej terapii
- Dostępność obrazów tomografii komputerowej klatki piersiowej
Kryteria wykluczenia:
- Wiek poniżej 18 lat
- Brakująca dokumentacja medyczna
- Brak obrazów tomografii komputerowej klatki piersiowej
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Liczba grup / kohort
Kohorty i interwencje
Grupa / KohortaGrupa / Kohorta |
Interwencja / LeczenieInterwencja / Leczenie |
|---|---|
|
Grupa treningowa, grupa testowa, grupa walidacyjna
Badanie przyjmuje strategię losowego doboru próby warstwowej z podziałem 8:2 do skonstruowania zestawów danych treningowych i wewnętrznej walidacji, wraz z niezależną zewnętrzną kohortą testową z osobnego ośrodka.
Nie stosuje się randomizacji interwencji klinicznych ani leczenia.
Model będzie rozwijany i oceniany przy użyciu danych obserwacyjnych pochodzących z rzeczywistych ścieżek klinicznych i wyników, z celami oceny wydajności w stratyfikacji ciężkości choroby, rekomendacji leczenia i predykcji śmiertelności.
Wydajność modelu będzie porównywana z ustalonymi wynikami ciężkości na OIOM oraz istniejącymi podejściami opartymi na AI zgodnie z wcześniej ustalonym planem analizy statystycznej.
|
Tomografia komputerowa
|
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność klasyfikacji ciężkości ARDS
Ramy czasowe: Wartość wyjściowa, zdefiniowana jako w ciągu 24 godzin od wykonania tomografii komputerowej klatki piersiowej będącej punktem odniesienia podczas przyjęcia na OIOM.
|
Dokładność modelu opartego na sztucznej inteligencji w klasyfikacji ciężkości ARDS (łagodnej, umiarkowanej lub ciężkiej), z wykorzystaniem referencyjnej klasyfikacji klinicznej zdefiniowanej przez kryteria globalne ARDS z 2023 roku jako podstawy prawdy.
|
Wartość wyjściowa, zdefiniowana jako w ciągu 24 godzin od wykonania tomografii komputerowej klatki piersiowej będącej punktem odniesienia podczas przyjęcia na OIOM.
|
|
Współczynnik zgodności planu leczenia między rekomendacją modelu a rzeczywistym postępowaniem klinicznym.
Ramy czasowe: Linia wyjściowa, zdefiniowana jako w ciągu 24 godzin od wykonania indeksowego badania tomografii komputerowej klatki piersiowej podczas przyjęcia na OIT.
|
Wskaźnik zgodności między strategiami leczenia zalecanymi przez model a rzeczywistymi decyzjami klinicznymi w pięciu predefiniowanych modalnościach interwencji: wentylacji mechanicznej, wysokoprzepływowej tlenoterapii donosowej, wentylacji nieinwazyjnej, pozycjonowania pronacyjnego oraz blokady nerwowo-mięśniowej.
|
Linia wyjściowa, zdefiniowana jako w ciągu 24 godzin od wykonania indeksowego badania tomografii komputerowej klatki piersiowej podczas przyjęcia na OIT.
|
|
Dokładność przewidywania 28-dniowej śmiertelności szpitalnej.
Ramy czasowe: Do 28 dni od przyjęcia na OIT lub do wypisu ze szpitala, w zależności od tego, co nastąpi wcześniej.
|
Dokładność modelu w przewidywaniu śmiertelności ogólnej w szpitalu w ciągu 28 dni, na podstawie zintegrowanych cech obrazowania klatki piersiowej za pomocą tomografii komputerowej i zmiennych klinicznych.
|
Do 28 dni od przyjęcia na OIT lub do wypisu ze szpitala, w zależności od tego, co nastąpi wcześniej.
|
Miary wyników drugorzędnych
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Porównawcza poprawa wydajności względem modeli AI bazowych.
Ramy czasowe: Podstawowa klasyfikacja ciężkości stanu i dopasowanie planu leczenia; do 28 dni od przyjęcia na OIT do prognozowania śmiertelności
|
Bezwzględna poprawa wydajności zaproponowanego modelu w porównaniu z trzema powszechnie stosowanymi sztucznymi modelami referencyjnymi w zakresie klasyfikacji ciężkości ARDS, dopasowania planu leczenia oraz prognozowania 28-dniowej śmiertelności.
|
Podstawowa klasyfikacja ciężkości stanu i dopasowanie planu leczenia; do 28 dni od przyjęcia na OIT do prognozowania śmiertelności
|
|
Wydajność kalibracji w prognozowaniu 28-dniowej śmiertelności.
Ramy czasowe: Do 28 dni od przyjęcia na OIT lub do wypisu ze szpitala, w zależności od tego, co nastąpi wcześniej.
|
Kalibrację modelu przewidywania śmiertelności oceniono za pomocą krzywych kalibracyjnych i statystyk kalibracji w celu oceny zgodności między przewidywaną a obserwowaną śmiertelnością szpitalną w ciągu 28 dni.
|
Do 28 dni od przyjęcia na OIT lub do wypisu ze szpitala, w zależności od tego, co nastąpi wcześniej.
|
|
Interpretowalność modelu oparta na wkładach cech obrazowych i klinicznych.
Ramy czasowe: Linia bazowa do ekstrakcji cech; do 28 dni od przyjęcia na OIT dla analizy powiązania wyników.
|
Kwantifikacja względnych wkładów cech pochodzących z obrazowania i zmiennych klinicznych do predykcji śmiertelności przy użyciu Shapley Additive Explanations (SHAP).
Analiza ważności cech zostanie przeprowadzona ogólnie oraz warstwowo według ciężkości ARDS.
|
Linia bazowa do ekstrakcji cech; do 28 dni od przyjęcia na OIT dla analizy powiązania wyników.
|
|
Związek między zgodnością leczenia a 28-dniową śmiertelnością szpitalną.
Ramy czasowe: Do 28 dni od przyjęcia na OIT lub do wypisu ze szpitala, w zależności od tego, co nastąpi wcześniej.
|
Związek między zgodnością interwencji zalecanych przez model a rzeczywistymi leczeniami klinicznymi oraz 28-dniową śmiertelnością wewnątrzszpitalną, oceniany z wykorzystaniem wielozmiennej regresji logistycznej dostosowanej do kluczowych metryk strukturalnych pochodzących z obrazowania.
|
Do 28 dni od przyjęcia na OIT lub do wypisu ze szpitala, w zależności od tego, co nastąpi wcześniej.
|
Współpracownicy i badacze
Sponsor
Sponsor
Publikacje i pomocne linki
Publikacje ogólne
- 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.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Rozpoczęcie studiów
Zakończenie podstawowe (Rzeczywisty)
Zakończenie podstawowe
Ukończenie studiów (Rzeczywisty)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
- Choroby Układu Oddechowego
- Choroby płuc
- Uraz płuc
- Ostre uszkodzenie płuc
- Techniki i procedury diagnostyczne
- Diagnoza
- Tomografia
- Obrazowanie diagnostyczne
- Radiografia
- Interpretacja obrazu, wspomagana komputerowo
- Ulepszenie obrazu radiograficznego
- Ulepszenie obrazu
- Fotografia
- Tomografia, rentgen
- Tomografia, obliczona promieniowanie rentgenowskie
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- B2024-180
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Ramy czasowe udostępniania IPD
Kryteria dostępu do udostępniania IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- SOK ROŚLINNY
- ICF
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .