Utforskning av diagnos- och behandlingsstrategier samt prognostiska prediktionsmodeller för akut respiratorisk distressyndrom baserat på radiografiska utvärderingar bedömda med artificiell intelligens
27 december 2025 uppdaterad av: Shanghai Zhongshan Hospital
Utforskning av diagnostik- och behandlingsstrategier samt prognosprediktionsmodeller för akut andningsdistressyndrom baserat på radiografiska utvärderingar bedömda med artificiell intelligens
Genom att använda flercentrerad bröst-CT-data konstruerades en intelligent bedömningsmodell för svårighetsgraden av ARDS.
Baserat på kvantitativa CT-egenskaper och kliniska egenskaper etablerades en prediktionsmodell för kortsiktiga kritiska händelser (såsom beslut om mekanisk ventilation, strategier för bukläge, död, användning av ECMO, etc.).
Sjukdomen fasindelades och kvantifierades, och en diagnostisk och riskstratifieringsmodell för ARDS utvecklades för att hjälpa till att vägleda diagnostiska och behandlingsstrategier för ARDS.
Studieöversikt
Status
Avslutad
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
400
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Fengling Rd
-
Shanghai, Fengling Rd, Kina, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Nej
Testmetod
Sannolikhetsprov
Studera befolkning
Studiepopulationen består av vuxna patienter diagnosticerade med akut respiratorisk distress-syndrom (ARDS) som vårdades på intensivvårdsavdelningarna (IVA) på tre tertiära heltäckande sjukhus i Kina.
Berättigade deltagare identifieras retrospektivt från elektroniska journaler mellan januari 2020 och december 2024.
Alla inkluderade patienter uppfyller de fördefinierade inklusions- och exklusionskriterierna baserade på den globala ARDS-definitionen från 2023 och har tillgängliga bröst-CT-bilder och motsvarande kliniska data.
Denna kohort representerar en verklig IVA-population med olika etiologier av ARDS och varierande grader av sjukdomsallvarlighet.
Beskrivning
Inklusionskriterier:
- Uppfyller diagnostiska kriterier för ARDS
- Vara inlagd på intensivvårdsavdelning
- Det finns bröst-CT-bilder
Exklusionskriterier:
- Ålder under 18 år
- Saknad medicinsk journal
- Inga bröst-CT-bilder
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Träningsgrupp, testgrupp, valideringsgrupp
Studien använder en stratifierad slumpmässig urvalsstrategi med en 8:2-splitning för att skapa tränings- och intern valideringsdatamängder, tillsammans med ett oberoende externt testkohort från ett separat centrum.
Ingen randomisering av kliniska interventioner eller behandlingar ingår.
Modellen kommer att utvecklas och utvärderas med hjälp av observationsdata från verkliga kliniska vårdvägar och utfall, med målen att bedöma prestanda vid stratifiering av sjukdomssvårighetsgrad, behandlingsrekommendationer och mortalitetsprediktion.
Modellens prestanda kommer att jämföras med etablerade intensivvårdssvårighetsgradspoäng och befintliga AI-baserade tillvägagångssätt enligt en förutbestämd statistisk analysplan.
|
Datortomografi
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannhet i klassificering av ARDS-svårighetsgrad
Tidsram: Baslinje, definierad som inom 24 timmar från index-CT av bröstet under intensivvårdsvistelsen.
|
Noggrannheten hos den AI-baserade modellen i att klassificera ARDS-svårighetsgrad (mild, måttlig eller svår), med den referenskliniska klassificeringen enligt 2023 års globala ARDS-kriterier som grundsanningsreferens.
|
Baslinje, definierad som inom 24 timmar från index-CT av bröstet under intensivvårdsvistelsen.
|
|
Behandlingsplansöverensstämmelse mellan modellrekommenderad och faktisk klinisk hantering.
Tidsram: Baseline, definierat som inom 24 timmar från index-CT-undersökning av bröstet under intensivvårdsvistelsen.
|
Överensstämmelsegrad mellan modellrekommenderade behandlingsstrategier och faktiska kliniska behandlingsbeslut över fem fördefinierade interventionsmodaliteter: mekanisk ventilation, högflödesnasalsyrabehandling, icke-invasiv ventilation, pronpositionering och neuromuskulär blockad.
|
Baseline, definierat som inom 24 timmar från index-CT-undersökning av bröstet under intensivvårdsvistelsen.
|
|
Noggrannheten i förutsägelsen av 28-dagars dödlighet på sjukhus.
Tidsram: Upp till 28 dagar från intensivvårdsinläggning, eller tills utskrivning från sjukhus, beroende på vilket som inträffar först.
|
Modellens noggrannhet i att förutsäga allmän dödlighet inom sjukhus inom 28 dagar, baserat på integrerade bröst-CT-bildfunktioner och kliniska variabler.
|
Upp till 28 dagar från intensivvårdsinläggning, eller tills utskrivning från sjukhus, beroende på vilket som inträffar först.
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Jämförande prestandaförbättring jämfört med baslinje AI-modeller.
Tidsram: Baslinje för svårighetsklassificering och matchning av behandlingsplan; upp till 28 dagar från intensivvårdsinläggning för dödlighetsprognos
|
Absolut prestandaförbättring av den föreslagna modellen jämfört med tre vanligt använda baslinjeartificiella intelligensmodeller inom ARDS-svårighetsgradsklassificering, behandlingsplanmatchning och 28-dagars mortalitetsprediktion.
|
Baslinje för svårighetsklassificering och matchning av behandlingsplan; upp till 28 dagar från intensivvårdsinläggning för dödlighetsprognos
|
|
Kalibreringsprestanda för 28-dagars dödlighetsprognos.
Tidsram: Upp till 28 dagar från intensivvårdsinläggning, eller tills utskrivning från sjukhuset, beroende på vilket som inträffar först.
|
Kalibrering av modellen för dödlighetsprognos utvärderades med hjälp av kalibreringskurvor och kalibreringsstatistik för att bedöma överensstämmelsen mellan förutsedd och observerad 28-dagars dödlighet på sjukhus.
|
Upp till 28 dagar från intensivvårdsinläggning, eller tills utskrivning från sjukhuset, beroende på vilket som inträffar först.
|
|
Modelltolkbarhet baserad på bild- och kliniska egenskapsbidrag.
Tidsram: Baslinje för funktionsextrahering; upp till 28 dagar från IVA-inträde för utfallsassociationsanalys.
|
Kvantifiering av de relativa bidragen från avbildningsbaserade egenskaper och kliniska variabler till dödlighetsprognos med hjälp av Shapley Additive Explanations (SHAP).
Egenskapsvikt kommer att analyseras totalt och stratifierat efter ARDS-svårighetsgrad.
|
Baslinje för funktionsextrahering; upp till 28 dagar från IVA-inträde för utfallsassociationsanalys.
|
|
Samband mellan behandlingsöverensstämmelse och 28-dagars sjukhusdödlighet.
Tidsram: Upp till 28 dagar från intensivvårdsinläggning, eller tills utskrivning från sjukhuset, beroende på vilket som inträffar först.
|
Samband mellan överensstämmelse av modellrekommenderade interventioner och faktiska kliniska behandlingar samt 28-dagars dödlighet på sjukhus, utvärderat med multivariabel logistisk regression justerad för viktiga bildgenererade strukturella mått.
|
Upp till 28 dagar från intensivvårdsinläggning, eller tills utskrivning från sjukhuset, beroende på vilket som inträffar först.
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- 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.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
31 maj 2024
Primärt slutförande (Faktisk)
30 november 2025
Avslutad studie (Faktisk)
30 november 2025
Studieregistreringsdatum
Först inskickad
13 december 2025
Först inskickad som uppfyllde QC-kriterierna
27 december 2025
Första postat (Faktisk)
9 januari 2026
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
9 januari 2026
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
27 december 2025
Senast verifierad
1 december 2025
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- B2024-180
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
JA
IPD-planbeskrivning
Individuella deltagardata som ligger till grund för studieresultaten, inklusive avidentifierad demografisk information, kliniska variabler, laboratoriefynd, ventilator- eller HFNC-parametrar och AI-genererade kvantitativa CT-funktioner, kommer att delas.
All data kommer att vara helt avidentifierad i enlighet med tillämpliga föreskrifter innan delning.
Bilddata (CT-skannrar) kommer också att tillhandahållas i avidentifierat format när det tillåts av deltagande centra.
Tidsram för IPD-delning
Data för enskilda deltagare kommer att finnas tillgängliga från 12 månader efter publiceringen av de primära resultaten och kommer att vara tillgängliga i minst 5 år.
Kriterier för IPD Sharing Access
Individuella deltagardata kommer att delas med kvalificerade forskare för vetenskapligt hållbara förslag.
Ansökningar måste innehålla en metodologiskt lämplig analysplan samt godkännande från en institutional review board (IRB) eller etikprövningsnämnd när detta krävs.
Data kommer endast att delas i avidentifierad form.
Alla ansökningar kommer att granskas av huvudansvarig forskare och studiekommittén, som kommer att utvärdera den vetenskapliga motiveringen, genomförbarheten och överensstämmelsen med dataskyddsbestämmelser.
Efter godkännande kommer data att nås via en säker, lösenordsskyddad dataplattform för delning.
IPD-delning som stöder informationstyp
- STUDY_PROTOCOL
- SAV
- ICF
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .