Exploração de Estratégias de Diagnóstico e Tratamento e Modelos de Previsão de Prognóstico para a Síndrome de Dificuldade Respiratória Aguda Baseados em Avaliações Radiográficas Avaliadas por Inteligência Artificial
Exploração de Estratégias de Diagnóstico e Tratamento e Modelos Preditivos de Prognóstico para a Síndrome de Dificuldade Respiratória Aguda com Base em Avaliações Radiográficas Avaliadas por Inteligência Artificial
Visão geral do estudo
Status
Status
Condições
Condições
Intervenção / Tratamento
Intervenção / Tratamento
Tipo de estudo
Tipo de estudo
Inscrição (Real)
Inscrição
Contactos e Locais
Locais de estudo
-
-
Fengling Rd
-
Shanghai, Fengling Rd, China, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
Critérios de participação
Critérios de elegibilidade
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Os participantes elegíveis são identificados retrospetivamente a partir de registos médicos eletrónicos entre janeiro de 2020 e dezembro de 2024.
Todos os doentes incluídos cumprem os critérios de inclusão e exclusão pré-definidos com base na Definição Global de SARA de 2023 e possuem imagens de TC torácica e dados clínicos correspondentes disponíveis.
Esta coorte representa uma população real de UCI com diversas etiologias de SARA e diferentes graus de gravidade da doença.
Descrição
Critérios de Inclusão:
- Preenche os critérios de diagnóstico para ARDS
- Ser admitido na unidade de cuidados intensivos
- Existem imagens de TC torácica
Critérios de Exclusão:
- Idade inferior a 18 anos
- Registos médicos em falta
- Sem imagens de TC torácica
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Número de grupos/coortes
Coortes e Intervenções
Grupo / CoorteGrupo / Coorte |
Intervenção / TratamentoIntervenção / Tratamento |
|---|---|
|
Grupo de treino, grupo de teste, grupo de validação
O estudo adota uma estratégia de amostragem aleatória estratificada com uma divisão 8:2 para construir conjuntos de dados de treino e validação interna, juntamente com uma coorte de teste externa independente de um centro separado.
Nenhuma randomização de intervenções ou tratamentos clínicos está envolvida.
O modelo será desenvolvido e avaliado utilizando dados observacionais derivados de percursos clínicos e resultados do mundo real, com os objetivos de avaliar o desempenho na estratificação da gravidade da doença, recomendação de tratamento e previsão de mortalidade.
O desempenho do modelo será comparado com escores de gravidade da UCI estabelecidos e abordagens baseadas em IA existentes, de acordo com um plano de análise estatística predefinido.
|
Tomografia computadorizada
|
O que o estudo está medindo?
Medidas de resultados primários
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão da classificação da gravidade da SARA
Prazo: Baseline, definida como dentro de 24 horas após a aquisição da TAC torácica de referência durante a admissão na UCI.
|
Precisão do modelo baseado em inteligência artificial na classificação da gravidade da SDRA (leve, moderada ou grave), utilizando a classificação clínica de referência definida pelos critérios globais da SDRA de 2023 como verdade de referência.
|
Baseline, definida como dentro de 24 horas após a aquisição da TAC torácica de referência durante a admissão na UCI.
|
|
Taxa de correspondência do plano de tratamento entre a gestão clínica recomendada pelo modelo e a real.
Prazo: Linha de base, definida como nas 24 horas após a aquisição da TAC torácica de referência durante a admissão na UCI.
|
Taxa de concordância entre as estratégias de tratamento recomendadas pelo modelo e as decisões reais de gestão clínica em cinco modalidades de intervenção predefinidas: ventilação mecânica, oxigenoterapia nasal de alto fluxo, ventilação não invasiva, posição prona e bloqueio neuromuscular.
|
Linha de base, definida como nas 24 horas após a aquisição da TAC torácica de referência durante a admissão na UCI.
|
|
Precisão da previsão de mortalidade hospitalar aos 28 dias.
Prazo: Até 28 dias após a admissão na UCI, ou até à alta hospitalar, o que ocorrer primeiro.
|
Precisão do modelo na previsão da mortalidade hospitalar por todas as causas em 28 dias, com base em características integradas de imagens de TAC torácico e variáveis clínicas.
|
Até 28 dias após a admissão na UCI, ou até à alta hospitalar, o que ocorrer primeiro.
|
Medidas de resultados secundários
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Melhoria de desempenho comparativa em relação aos modelos de IA de base.
Prazo: Linha de base para classificação da gravidade e correspondência do plano de tratamento; até 28 dias após a admissão na UCI para previsão de mortalidade
|
Melhoria absoluta do desempenho do modelo proposto em comparação com três modelos de referência de inteligência artificial comumente utilizados na classificação da gravidade da SDRA, correspondência do plano de tratamento e previsão da mortalidade aos 28 dias.
|
Linha de base para classificação da gravidade e correspondência do plano de tratamento; até 28 dias após a admissão na UCI para previsão de mortalidade
|
|
Desempenho de calibração da previsão de mortalidade de 28 dias.
Prazo: Até 28 dias após a admissão na UCI, ou até à alta hospitalar, o que ocorrer primeiro.
|
Calibração do modelo de predição de mortalidade avaliada através de curvas de calibração e estatísticas de calibração para avaliar a concordância entre a mortalidade hospitalar prevista e observada aos 28 dias.
|
Até 28 dias após a admissão na UCI, ou até à alta hospitalar, o que ocorrer primeiro.
|
|
Interpretabilidade do modelo com base em contribuições de imagens e características clínicas.
Prazo: Linha de base para extração de características; até 28 dias após admissão na UCI para análise de associação de resultados.
|
Quantificação das contribuições relativas das características derivadas de imagens e das variáveis clínicas para a previsão de mortalidade utilizando as Explicações Aditivas de Shapley (SHAP).
A importância das características será analisada globalmente e estratificada de acordo com a gravidade da SDRA.
|
Linha de base para extração de características; até 28 dias após admissão na UCI para análise de associação de resultados.
|
|
Associação entre concordância do tratamento e mortalidade hospitalar aos 28 dias.
Prazo: Até 28 dias após a admissão na UCI, ou até à alta hospitalar, o que ocorrer primeiro.
|
Associação entre a concordância das intervenções recomendadas pelo modelo e os tratamentos clínicos reais e a mortalidade intra-hospitalar aos 28 dias, avaliada através de regressão logística multivariável ajustada para métricas estruturais-chave derivadas de imagens.
|
Até 28 dias após a admissão na UCI, ou até à alta hospitalar, o que ocorrer primeiro.
|
Colaboradores e Investigadores
Patrocinador
Patrocinador
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Início do estudo
Conclusão Primária (Real)
Conclusão Primária
Conclusão do estudo (Real)
Conclusão do estudo
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Primeira postagem
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última Atualização Postada
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
- Doenças Respiratórias
- Doenças pulmonares
- Lesão pulmonar
- Lesão Pulmonar Aguda
- Técnicas e procedimentos de diagnóstico
- Diagnóstico
- Tomografia
- Diagnóstico imagens
- Radiografia
- Interpretação de imagem, assistida por computador
- Aprimoramento da imagem radiográfica
- Aprimoramento da imagem
- Fotografia
- Tomografia, raio-x
- Tomografia, raio-x calculado
Outros números de identificação do estudo
Outros números de identificação do estudo
- B2024-180
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Critérios de acesso de compartilhamento IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- CIF
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .