Metoda hlubokého učení k předpovídání obtížné laryngoskopie pomocí rentgenového snímku krční páteře

Předvídání obtížnosti laryngoskopie je důležité pro bezpečnost pacienta, protože neočekávaně obtížná laryngoskopie je spojena se závažnými komplikacemi souvisejícími s dýchacími cestami, jako je poškození mozku, kardiopulmonální zástava nebo smrt. Přestože se v klinické praxi pro hodnocení dýchacích cest používají klinické prediktory, jako je modifikovaná Mallampatiho klasifikace, thyromentální vzdálenost, mezera mezi řezáky a test skusu horního rtu, mají tyto indikátory nízkou senzitivitu a velkou variabilitu mezi posuzovateli a vyžadují spolupráci pacienta. .

Vyšetřovatelé vyvinuli model založený na hlubokém učení, který předpovídá obtížnou laryngoskopii z laterálního rentgenového snímku krční páteře pomocí dat od 14 135 pacientů podstupujících operaci štítné žlázy. A tato studie je předkládána.

Tento model hlubokého učení vykazoval nejvyšší výkon v predikci obtížné laryngoskopie ve srovnání s jinými modely hlubokého učení (VGG-Net, ResNet, Xception, ResNext, DenseNet a SENet) s citlivostí 95,6 %, specificitou 91,2 % a plochou pod ROC křivkou (AUROC) 0,972.

Protože však model byl retrospektivní návrh využívající existující lékařské záznamy, přítomnost nebo nepřítomnost cricoidního tlaku pro získání optimální laryngoskopie nebyla hodnocena a nebyla srovnávána s hodnocením dýchacích cest.

V této studii vyšetřovatelé prospektivně ověřují model pro predikci obtížné laryngoskopie a porovnávají prediktivní sílu s klinickým hodnocením dýchacích cest. Pokud tato prospektivní studie potvrdí naše výsledky, může tento přístup pomoci zlepšit bezpečnost pacientů a zabránit komplikacím souvisejícím s dýchacími cestami prostřednictvím objektivního a přesného hodnocení dýchacích cest.