MARC

 008250123s2024        us                              c    eng  d
■001000017160631
■00520250211151052
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382327754
■035    ▼a(MiAaPQ)AAI31141525
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aAndrews,  John  J.
■24510▼aVentilator  Weaning  Parameters  Revisited:  A  Traditional  Analysis  and  a  Test  of  Artificial  Intelligence  to  Predict  Successful  Extubation
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a53  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Friedman,  Lloyd  N.
■5021  ▼aThesis  (M.D.)--Yale  University,  2024.
■520    ▼aThe  prediction  of  which  patients  can  be  liberated  successfully  from  mechanical  ventilation  and  which  patients  require  continued  support  remains  a  challenge  for  clinicians.  While  premature  extubation  comes  with  many  risks,  including  respiratory  distress,  loss  of  airway,  complications  of  reintubation,  and  increased  mortality,  delayed  extubation  comes  with  risks  including  ventilator-associated  pneumonia,  ventilator-induced  lung  injury,  airway  trauma,  and  unnecessary  sedation.  With  such  serious  clinical  implications,  there  is  a  strong  and  persistent  interest  among  clinicians  to  identify  better  models  to  predict  extubation  success.  Multiple  respiratory  parameters  for  predicting  weaning  success  have  been  assessed  over  the  past  several  decades,  with  particular  attention  to  respiratory  rate,  tidal  volume,  minute  ventilation,  and  negative  inspiratory  force  (NIF).  Of  these  metrics,  several  predictive  indices  have  been  formulated  and  proposed,  of  which  the  Rapid  Shallow  Breathing  Index  (RSBI)  has  achieved  the  most  widespread  use  in  intensive  care  units  (ICUs)  across  the  United  States.  When  originally  validated,  tidal  volume  and  respiratory  rate  were  measured  after  one  minute  of  unsupported  spontaneous  breathing  to  calculate  the  index.  Current  practices  in  many  ICUs  across  the  country  calculate  the  RSBI  after  30  minutes  of  pressure  supported-ventilation.  No  studies  have  compared  current  practices  of  weaning  head-to-head  with  the  original  1-minute  method  of  weaning  evaluated  when  the  RSBI  was  first  proposed.  This  study  compares  in  each  patient  the  originally  proposed  methodology  of  a  1-minute  unsupported  spontaneous  breathing  trial  (SBT)  to  the  more  widely  utilized  30-minute  pressure-supported  SBT,  and  further  seeks  to  assess  alternative  respiratory  metrics  and  indices  that  can  be  applied  to  the  prediction  of  extubation  outcome.  From  February  2023  to  September  2023,  we  enrolled  mechanically-ventilated  adults  to  receive  a  1-minute  trial  of  unsupported  spontaneous  breathing  followed  by  a  ventilator  maneuver  to  measure  the  maximum  NIF,  immediately  followed  by  the  30-minute  trial  on  pressure  support  ventilation  that  is  the  standard  in  the  Yale-New  Haven  Hospital  Medical  ICU.  The  RSBI,  tidal  volume,  respiratory  rate,  minute  ventilation,  and  numerous  other  respiratory  metrics  were  recorded  both  during  the  breathing  trials  and  on  resting  ventilator  settings.  For  our  assessed  outcome,  we  compared  patients  who  required  non-invasive  ventilation  and/or  reintubation  within  48  hours  following  extubation  to  patients  with  no  additional  pressure  support  requirements  within  the  same  timeframe,  defined  as  failure  and  success,  respectively.  We  found  that  the  RSBI  calculated  during  the  1-minute  unsupported  SBT  was  significantly  higher  than  the  RSBI  calculated  during  the  30-minute  pressure  supported  SBT,  and  furthermore  that  the  unsupported  RSBI  was  a  slightly  better  predictor  of  extubation  success.  We  compared  the  predictive  power  of  the  RSBI  under  both  conditions  to  several  new  indices  we  have  proposed,  including  [NIF*Compliance/TVvent]  and  [(Plateau  -  PEEP)/NIF].  Our  new  indices,  particularly  those  incorporating  NIF,  proved  to  be  superior  predictors  of  extubation  success.  We  conclude  that  indices  incorporating  NIF  and  compliance  have  the  potential  to  serve  as  more  accurate  predictors  of  extubation  outcome.  With  respect  to  recent  strides  in  the  development  of  artificial  intelligence  (AI),  we  recognized  a  path  forward  for  an  AI  model  that  can  reliably  predict  extubation  outcome.  We  have  demonstrated  this  potential  in  the  form  of  a  neural  network  that  accurately  assesses  the  probability  of  successful  extubation.  This  proof-of-concept  analysis  can  serve  as  a  springboard  for  future  AI  innovation  in  ventilator  management  and  critical  care. 
■590    ▼aSchool  code:  0265.
■650  4▼aMedicine
■650  4▼aPhysiology
■653    ▼aCritical  care
■653    ▼aMechanical  ventilation
■653    ▼aPulmonary  medicine
■653    ▼aRespiration
■653    ▼aVentilator  weaning
■690    ▼a0564
■690    ▼a0719
■71020▼aYale  University▼bYale  School  of  Medicine.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0265
■791    ▼aM.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160631▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서