Using Artificial Intelligence To Improve Ventilator Settings For Intensive Care Patients
15 maja 2026 zaktualizowane przez: 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.
Przegląd badań
Status
Zakończony
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
2000
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Zhejiang
-
Wenzhou, Zhejiang, Chiny, 325000
- The Second Affiliated Hospital of Wenzhou Medical University and Yuying Children's Hospital
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
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.
Opis
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 studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
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.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Number of ventilator-free days within 28 days
Ramy czasowe: 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.
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
mortality rate
Ramy czasowe: 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
Ramy czasowe: 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
Ramy czasowe: 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
Ramy czasowe: 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
Ramy czasowe: 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.
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- 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.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
1 stycznia 2021
Zakończenie podstawowe (Rzeczywisty)
31 grudnia 2025
Ukończenie studiów (Rzeczywisty)
31 grudnia 2025
Daty rejestracji na studia
Pierwszy przesłany
10 maja 2026
Pierwszy przesłany, który spełnia kryteria kontroli jakości
15 maja 2026
Pierwszy wysłany (Rzeczywisty)
18 maja 2026
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
18 maja 2026
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
15 maja 2026
Ostatnia weryfikacja
1 maja 2026
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 2026-K-78-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Opis planu 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.
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .