Using Artificial Intelligence To Improve Ventilator Settings For Intensive Care Patients
15 de maio de 2026 atualizado por: 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.
Visão geral do estudo
Status
Concluído
Tipo de estudo
Observacional
Inscrição (Real)
2000
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
Zhejiang
-
Wenzhou, Zhejiang, China, 325000
- The Second Affiliated Hospital of Wenzhou Medical University and Yuying Children's Hospital
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
Aceita Voluntários Saudáveis
Não
Método de amostragem
Amostra Não Probabilística
População do estudo
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.
Descrição
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
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
|---|
|
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.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Number of ventilator-free days within 28 days
Prazo: 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.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
mortality rate
Prazo: 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
Prazo: 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
Prazo: 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
Prazo: 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
Prazo: 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.
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- 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.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
1 de janeiro de 2021
Conclusão Primária (Real)
31 de dezembro de 2025
Conclusão do estudo (Real)
31 de dezembro de 2025
Datas de inscrição no estudo
Enviado pela primeira vez
10 de maio de 2026
Enviado pela primeira vez que atendeu aos critérios de CQ
15 de maio de 2026
Primeira postagem (Real)
18 de maio de 2026
Atualizações de registro de estudo
Última Atualização Postada (Real)
18 de maio de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
15 de maio de 2026
Última verificação
1 de maio de 2026
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 2026-K-78-01
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Descrição do plano 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.
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .