Prédiction du succès de l'épreuve de ventilation spontanée à l'aide de biosignaux et de biomarqueurs en réanimation par une approche d'apprentissage automatique
Prédiction du succès de l'épreuve de ventilation spontanée à l'aide de biosignaux et de biomarqueurs en réanimation par une approche d'apprentissage automatique
Promoteur : Centre Hospitalier Universitaire de Nice
Titre et résumé traduits de l’anglais par le portail, à partir de la fiche publiée par le registre source, le 19 septembre 2026. Traduction automatique, sans relecture médicale : elle ne modifie ni n’interprète le contenu ; en cas de doute, le texte original fait foi.
Texte original (anglais)
Prediction of the Spontaneous Breathing Test Success Using Biosignal and Biomarker in Critical Care Unit by a Machine Learning Approach
Prediction of the Spontaneous Breathing Test Success Using Biosignal and Biomarker in Critical Care Unit by a Machine Learning Approach
Context: Several authors have been interested in applying Artificial Intelligence (AI) to medicine, using various Machine Learning (ML) techniques: managing septic shock, predicting renal failure... \[1, 2\] AI has an important place in decision support for clinicians \[3\]. The weaning period is a really important time in the management of a patient on mechanical ventilation and can take up to half of the time spent in intensive care unit. The first weaning attempt is unsuccessful in 20% of patients However, mortality can be as high as 38% in patients with the most difficult weaning \[4\]. Only a few studies have looked at the application of machine learning in this area, and only one has looked at the use of biosignals (cardiac rate, ECG, ventilatory parameters…) \[5-7\]. To improve morbidity, mortality and reduce length of stay, it is essential to be able to predict the success of the spontaneous breathing test and extubation. Investigators propose to develop a predictive algorithm for the success of a ventilatory weaning test based on biosignal records and others features. Methods: It is a critical care, oligo-centric and retrospective study the investigators included biosignal variables extracted from the electronic medical record, such as respiratory (RR, minute volume...), cardiac (systolic pressure, heart rate...), ventilator parameters and other discrete variables (age, comorbidity...). Most biosignal variables are minute-by-minute records. Recording starts 48 hours before the test and stops at the start of the weaning test. The investigators extracted features from these records, combined them with other biomarkers, and applied several machine learning algorithms: Logistic Regression, Random Forest Classifier, Support Vector Classifier (SVC), XGBoost, and Light Gradient Boosting Method (LGBM)…
Contexte : plusieurs auteurs se sont intéressés à l'application de l'intelligence artificielle (IA) à la médecine, en utilisant diverses techniques d'apprentissage automatique (machine learning, ML) : gestion du choc septique, prédiction de l'insuffisance rénale... [1, 2] L'IA occupe une place importante dans l'aide à la décision pour les cliniciens [3]. La période de sevrage constitue un moment particulièrement important dans la prise en charge d'un patient sous ventilation mécanique et peut représenter jusqu'à la moitié du temps passé en réanimation. La première tentative de sevrage échoue chez 20 % des patients. Cependant, la mortalité peut atteindre 38 % chez les patients présentant les sevrages les plus difficiles [4]. Seules quelques études se sont intéressées à l'application de l'apprentissage automatique dans ce domaine, et une seule s'est penchée sur l'utilisation des biosignaux (fréquence cardiaque, ECG, paramètres ventilatoires…) [5-7]. Afin d'améliorer la morbidité et la mortalité et de réduire la durée de séjour, il est essentiel de pouvoir prédire le succès de l'épreuve de ventilation spontanée et de l'extubation. Les investigateurs proposent de développer un algorithme prédictif du succès d'une épreuve de sevrage ventilatoire, fondé sur des enregistrements de biosignaux et d'autres caractéristiques. Méthodes : il s'agit d'une étude rétrospective, oligocentrique, menée en réanimation ; les investigateurs ont inclus des variables de biosignaux extraites du dossier médical électronique, telles que des paramètres respiratoires (fréquence respiratoire, volume minute...), cardiaques (pression systolique, fréquence cardiaque...), des paramètres du ventilateur et d'autres variables discrètes (âge, comorbidités...). La plupart des variables de biosignaux sont enregistrées minute par minute. L'enregistrement débute 48 heures avant l'épreuve et s'arrête au début de l'épreuve de sevrage. Les investigateurs ont extrait des caractéristiques de ces enregistrements, les ont combinées à d'autres biomarqueurs, et ont appliqué plusieurs algorithmes d'apprentissage automatique : régression logistique, forêt aléatoire (Random Forest Classifier), classificateur à vecteurs de support (SVC), XGBoost et méthode de gradient boosting léger (LGBM)…
Vous quittez essai-clinique.com pour le site externe clinicaltrials.gov, géré par l’organisme responsable de l’annonce. La candidature, les questions d’éligibilité et toute information médicale se traitent uniquement là-bas.
Important : essai-clinique.com ne recueille pas de candidature et ne détermine pas votre éligibilité. Ne transmettez aucune information médicale au site.
Les critères affichés sont une synthèse des informations disponibles. Seul l’organisme responsable de l’étude peut confirmer l’éligibilité d’une personne.