Avaliação dos modelos de IA para determinar o PEEP ideal

Os pacientes que recebem suporte de ventilação mecânica na Unidade de Terapia Intensiva (UTI), que são hemodinamicamente estáveis ​​e com mais de 18 anos, serão considerados elegíveis para o estudo. Esses critérios foram definidos para garantir que os pacientes necessitem de suporte respiratório adequado e sejam adequados para a otimização individualizada do gerenciamento do ventilador.

Durante o processo de seleção de pacientes, os registros médicos dos pacientes com UTI serão revisados ​​e aqueles que atendem aos critérios serão incluídos no estudo. Para garantir a precisão dos dados clínicos, o processo de seleção de pacientes será realizado por especialistas em terapia intensiva.

Os parâmetros de ventilação mecânica dos pacientes incluídos serão sistematicamente registrados. Nesse contexto, as manobras inspiratórias de retenção e retenção expiratória serão aplicadas para avaliar a mecânica respiratória dos pacientes. As medidas registradas incluirão conformidade (elasticidade pulmonar), elastância (rigidez pulmonar), p-peep (presença de captura de ar) e constante de tempo (duração da troca gasosa).

Além desses parâmetros fundamentais de ventilação, a curva de volume de pressão (P-V) será analisada para coletar dados críticos para otimização de ventilação. Esses procedimentos serão realizados usando módulos de análise avançada integrados aos ventiladores de UTI e sistemas de monitoramento de pacientes. Os dados coletados serão analisados ​​manualmente por especialistas e por modelos de inteligência artificial (IA) ao longo do estudo.

No estudo, a titulação do PEEP será realizada manualmente por especialistas em terapia intensiva. Esse processo será aplicado imediatamente após a intubação para pacientes intubados e continuará diariamente. O procedimento será padronizado de acordo com um protocolo predefinido e aplicado de forma consistente em todos os pacientes.

O ponto de inflexão mais baixo (LIP) será identificado e a PEEP será aplicada no ponto em que o recrutamento alveolar começar. Esta etapa é fundamental para impedir o colapso do pulmão e garantir a oxigenação ideal. Além disso, o ponto de inflexão superior (UIP) será determinado para evitar a superdistensão, garantindo que o volume das marés permaneça abaixo desse limiar de pressão. Se o ponto de inflexão mais baixo não for claramente identificado, um nível de PEEP de aproximadamente 10 cmh₂o será aplicado como uma abordagem padrão.

A curva de pressão-volume do ventilador será analisada para avaliar se o nível ideal de PEEP foi alcançado. Se a curva mudar para cima, será considerada um indicador de recrutamento alveolar de sucesso. Se a curva mudar para a direita, indicará um risco de superdistensão, provocando uma redução no PEEP. Por essa abordagem, o nível de PEEP mais adequado para cada paciente será determinado e as configurações do ventilador serão otimizadas de acordo. Esses procedimentos são aplicados rotineiramente em nosso hospital e globalmente e estão entre os métodos mais preferidos para a titulação de PEEP.

Todos os parâmetros de ventilação coletados serão inseridos em três modelos diferentes de inteligência artificial: ChatGPT, Deepseek e Gemini. Esses sistemas serão solicitados a fornecer:

Uma recomendação ideal de nível de PEEP para o paciente a capacidade de detectar parâmetros anormais de ventilação Três sugestões de diagnóstico possíveis três abordagens de tratamento propostas Os dados fornecidos pelos modelos de IA serão registrados e comparados com as avaliações manuais realizadas por especialistas experientes na UTI. Essa comparação visa determinar até que ponto os modelos de IA podem servir como ferramentas de suporte à decisão clínica. A confiabilidade, precisão e aplicabilidade clínica das recomendações geradas pela IA serão analisadas minuciosamente.

Na fase final do estudo, os níveis de PEEP determinados pelos modelos de IA serão comparados com os identificados por especialistas em UTI com pelo menos cinco anos de experiência. Os seguintes critérios serão avaliados:

Concordância entre modelos de IA e opiniões de especialistas sobre os níveis de PEEP (medida de desfecho primário) Sensibilidade e especificidade da IA ​​na detecção de parâmetros de ventilação anormal Precisão de diagnóstico gerado pela IA Aplicabilidade clínica de abordagens de tratamento recomendadas pela IA