Utvärdering av AI -modeller för att bestämma den optimala PEEP

Patienter som får mekaniskt ventilationsstöd på intensivvården (ICU), som är hemodynamiskt stabila och över 18 år gamla, kommer att anses vara berättigade till studien. Dessa kriterier har fastställts för att säkerställa att patienterna kräver adekvat andningsstöd samtidigt som de är lämpliga för individualiserad ventilhanteringsoptimering.

Under patientvalsprocessen kommer medicinska register över ICU -patienter att granskas och de som uppfyller kriterierna kommer att inkluderas i studien. För att säkerställa noggrannheten i kliniska data kommer patientvalsprocessen att genomföras av intensivvårdsspecialister.

De mekaniska ventilationsparametrarna för de inkluderade patienterna registreras systematiskt. I detta sammanhang kommer inspirerande håll- och expiratoriska hållmanövrer att tillämpas för att utvärdera patienternas andningsmekanik. De registrerade mätningarna kommer att inkludera efterlevnad (lungelasticitet), elastans (lungstyvhet), auto-peep (närvaro av luftfångning) och tidskonstant (gasutbytesvaraktighet).

Förutom dessa grundläggande ventilationsparametrar kommer tryckvolym (P-V) -kurvan att analyseras för att samla kritiska data för ventilationsoptimering. Dessa procedurer kommer att utföras med avancerade analysmoduler integrerade i ICU -ventilatorer och patientövervakningssystem. De insamlade uppgifterna kommer att analyseras både manuellt av experter och av Artificial Intelligence (AI) -modeller under hela studien.

I studien kommer PEEP -titrering att utföras manuellt av intensivvårdsspecialister. Denna process kommer att tillämpas omedelbart efter intubation för intuberade patienter och kommer att fortsätta dagligen. Förfarandet kommer att standardiseras enligt ett fördefinierat protokoll och tillämpas konsekvent över alla patienter.

Den lägre böjningspunkten (läpp) kommer att identifieras och PEEP kommer att appliceras vid den punkt där alveolär rekrytering börjar. Detta steg är avgörande för att förhindra lungkollaps och säkerställa optimal syresättning. Dessutom kommer den övre böjningspunkten (UIP) att fastställas för att förhindra överdistension, vilket säkerställer att tidvattenvolymen förblir under denna trycktröskel. Om den lägre böjningspunkten inte tydligt identifieras kommer en PEEP -nivå på cirka 10 cmh₂O att tillämpas som en standardmetod.

Ventilatorns tryckvolymkurva kommer att analyseras för att bedöma om den optimala PEEP-nivån har uppnåtts. Om kurvan växlar uppåt kommer den att betraktas som en indikator på framgångsrik alveolär rekrytering. Om kurvan skiftar till höger kommer den att indikera en risk för överdistension, vilket ger en minskning av PEEP. Med detta tillvägagångssätt kommer den mest lämpliga PEEP -nivån för varje patient att bestämmas och ventilatorinställningar kommer att optimeras i enlighet därmed. Dessa procedurer tillämpas rutinmässigt på vårt sjukhus och globalt och är bland de vanligaste föredragna metoderna för PEEP -titrering.

Alla insamlade ventilationsparametrar kommer att matas in i tre olika konstgjorda intelligensmodeller: Chatgpt, Deepseek och Gemini. Dessa system kommer att uppmanas att tillhandahålla:

En optimal rekommendation för PEEP -nivå för patienten Förmågan att upptäcka onormala ventilationsparametrar Tre möjliga diagnostiska förslag Tre föreslagna behandlingsmetoder Uppgifterna som tillhandahålls av AI -modellerna kommer att registreras och jämföras med manuella bedömningar utförda av erfarna ICU -specialister. Denna jämförelse syftar till att bestämma i vilken utsträckning AI -modeller kan fungera som kliniska beslutsstödverktyg. Tillförlitligheten, noggrannheten och klinisk användbarhet av AI-genererade rekommendationer kommer att analyseras noggrant.

I den sista fasen av studien kommer PEEP -nivåerna bestämda av AI -modeller att jämföras med de som identifierats av ICU -specialister med minst fem års erfarenhet. Följande kriterier utvärderas:

Överenskommelse mellan AI-modeller och expertutlåtanden om PEEP-nivåer (primärt resultatmått) Känslighet och specificitet hos AI vid detektering av onormala ventilationsparametrar Noggrannhet för AI-genererade diagnoser Klinisk tillämpbarhet av AI-rekommenderade behandlingsmetoder