En dyb læringsmetode til at forudsige vanskelig laryngoskopi ved hjælp af røntgenbillede af cervikal rygsøjle

At forudsige en vanskelighed ved en laryngoskopi er vigtig for patientsikkerheden, da en uventet vanskelig laryngoskopi er forbundet med alvorlige luftvejsrelaterede komplikationer, såsom hjerneskade, hjerte-lungestop eller død. Selvom kliniske prædiktorer, såsom den modificerede Mallampati-klassifikation, thyromental afstand, inter-incisorspalte og overlæbebidtesten, bruges til luftvejsevaluering i klinisk praksis, har disse indikatorer lav sensitivitet og stor inter-assessor-variabilitet og kræver patientsamarbejde .

Efterforskerne udviklede en dyb læringsbaseret model, der forudsiger en vanskelig laryngoskopi fra et lateralt røntgenbillede af cervikal rygsøjle ved hjælp af data fra 14.135 patienter, der gennemgår skjoldbruskkirteloperation. Og denne undersøgelse er under indsendelse.

Denne dybe læringsmodel viste den højeste ydeevne til at forudsige vanskelig laryngoskopi sammenlignet med andre dybe læringsmodeller (VGG-Net, ResNet, Xception, ResNext, DenseNet og SENet) med en sensitivitet på 95,6 %, en specificitet på 91,2 % og et areal under ROC-kurve (AUROC) på 0,972.

Men da modellen var et retrospektivt design ved hjælp af eksisterende lægejournaler, blev tilstedeværelsen eller fraværet af cricoid-tryk for at opnå den optimale laryngoskopi ikke evalueret og ikke sammenlignet med luftvejsevalueringer.

I denne undersøgelse validerer efterforskerne prospektivt modellen til at forudsige en vanskelig laryngoskopi og sammenligner prædiktiv kraft med klinisk luftvejsevaluering. Hvis denne prospektive undersøgelse bekræfter vores resultater, kan denne tilgang være nyttig til at forbedre patientsikkerheden og forhindre luftvejsrelaterede komplikationer gennem objektiv og nøjagtig luftvejsevaluering.