Flow starvation during square-flow assisted ventilation detected by supervised deep learning techniques
Notice bibliographique
Résumé
Abstract Background Flow starvation is a type of patient-ventilator asynchrony that occurs when gas delivery does not fully meet the patients’ ventilatory demand due to an insufficient airflow and/or a high inspiratory effort, and it is usually identified by visual inspection of airway pressure waveform. Clinical diagnosis is cumbersome and prone to underdiagnosis, being an opportunity for artificial intelligence. Our objective is to develop a supervised artificial intelligence algorithm for identifying airway pressure deformation during square-flow assisted ventilation and patient-triggered breaths. Methods Multicenter, observational study. Adult critically ill patients under mechanical ventilation > 24 h on square-flow assisted ventilation were included. As the reference, 5 intensive care experts classified airway pressure deformation severity. Convolutional neural network and recurrent neural network models were trained and evaluated using accuracy, precision, recall and F1 score. In a subgroup of patients with esophageal pressure measurement (Δ P es ), we analyzed the association between the intensity of the inspiratory effort and the airway pressure deformation. Results 6428 breaths from 28 patients were analyzed, 42% were classified as having normal-mild, 23% moderate, and 34% severe airway pressure deformation. The accuracy of recurrent neural network algorithm and convolutional neural network were 87.9% [87.6–88.3], and 86.8% [86.6–87.4], respectively. Double triggering appeared in 8.8% of breaths, always in the presence of severe airway pressure deformation. The subgroup analysis demonstrated that 74.4% of breaths classified as severe airway pressure deformation had a Δ P es > 10 cmH 2 O and 37.2% a Δ P es > 15 cmH 2 O. Conclusions Recurrent neural network model appears excellent to identify airway pressure deformation due to flow starvation. It could be used as a real-time, 24-h bedside monitoring tool to minimize unrecognized periods of inappropriate patient-ventilator interaction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».