Specifiek doel 1) Om de frequentie en risicofactoren voor PVA en zijn subtypes bij geventileerde kinderen te identificeren, met een specifieke focus op DC-ademhalingen. Hypothese: PVA-subtypes gerelateerd aan onvoldoende beademingsondersteuning (…
ID
Bron
Verkorte titel
Aandoening
- Luchtwegaandoeningen NEG
Synoniemen aandoening
Betreft onderzoek met
Ondersteuning
Onderzoeksproduct en/of interventie
Uitkomstmaten
Primaire uitkomstmaten
Om de frequentie en subtypen van PVA te identificeren, evenals om machine
learning-modellen te trainen en te valideren.
Secundaire uitkomstmaten
Niet van toepassing
Achtergrond van het onderzoek
Patiëntbeademingsasynchronie (PVA) komt vaak voor, maar wordt niet vaak bij
kinderen vastgesteld. Preklinische studies tonen een duidelijk oorzakelijk
verband aan tussen bepaalde PVA-subtypen en door de ventilator geïnduceerd
longletsel, diafragmadisfunctie en delirium. PVA kan door ventilator
geïnduceerd longletsel (VILI) verergeren, vooral als PVA resulteert in een
dubbelgecyclede (DC) ademhaling. DC-ademhalingen impliceren dat een tweede
ademhaling door de beademing wordt afgegeven voordat de patiënt volledig heeft
uitgeademd. Dubbel gefietste ademhalingen (DC) zijn bijzonder schadelijk omdat
de resulterende ademstapeling onbedoeld grote getijdenvolumes en transpulmonale
druk veroorzaakt, wat regionale overdistension van de long verergert en wordt
geassocieerd met mortaliteit bij volwassenen met ARDS.
Doel van het onderzoek
Specifiek doel 1) Om de frequentie en risicofactoren voor PVA en zijn subtypes
bij geventileerde kinderen te identificeren, met een specifieke focus op
DC-ademhalingen. Hypothese: PVA-subtypes gerelateerd aan onvoldoende
beademingsondersteuning (flow undershoot en voortijdige cyclus) en omgekeerde
triggering zullen de meest voorkomende oorzaken zijn van DC-ademhalingen, met
risicofactoren die verband houden met ademhalingsaandrijving en
ventilatorinstellingen.
Specifiek doel 2) Het ontwikkelen en testen van een klinisch
beslissingsondersteunend systeem met behulp van machine learning-technieken om
automatisch veelvoorkomende vormen van PVA bij kinderen te identificeren.
Hypothese: (a) Machine learning-modellen met behulp van golfvormen die
beschikbaar zijn op alle mechanische ventilatoren zullen PVA-subtypen
nauwkeurig identificeren in vergelijking met gouden standaardannotaties die
metingen van neurale aandrijving bevatten. (b) Algoritmen kunnen worden
geoptimaliseerd voor hoge gevoeligheid en lage valse waarschuwingspercentages
om kinderen met frequente PVA te identificeren.
Onderzoeksopzet
Multi-center prospectief observatiecohort.
Inschatting van belasting en risico
Minimaal. Voor deze studie zal er geen afwijking van de standaardzorg optreden.
Gegevens zullen worden verzameld van de mechanische ventilator. sEMG-elektroden
zullen worden gebruikt om de elektrische activiteit van ademhalingsspieren te
kwantificeren.
Publiek
Hanzeplein 1
Groningen 9713 GZ
NL
Wetenschappelijk
Hanzeplein 1
Groningen 9713 GZ
NL
Landen waar het onderzoek wordt uitgevoerd
Leeftijd
Belangrijkste voorwaarden om deel te mogen nemen (Inclusiecriteria)
Leeftijd > 37 weken CGA tot 18 jaar
naar verwachting mechanisch geventileerd gedurende ten minste 24 uur
binnen 96 uur na aanvang van invasieve mechanische beademing
Belangrijkste redenen om niet deel te kunnen nemen (Exclusiecriteria)
Ernstige huidafwijkingen waardoor geen sEMG plakkers geplaatst kunnen worden
Opzet
Deelname
Opgevolgd door onderstaande (mogelijk meer actuele) registratie
Geen registraties gevonden.
Andere (mogelijk minder actuele) registraties in dit register
Geen registraties gevonden.
In overige registers
Register | ID |
---|---|
CCMO | NL85342.042.23 |