Evaluering af forudsigelighed af vanskelig intubation med kunstig intelligensstøttede systemer ved hjælp af antropometriske og ultrasonografiske målinger, der anvendes i præoperativ luftvejsvurdering

Svær intubation, især uforudsigelig vanskelig intubation, er et udfordrende scenarie for enhver anæstesiolog. Patienter, der oprindeligt vurderes som egnede til rutinemæssig luftvejsstyring, kan være så vanskelige at intubere i 5% til 22% af tilfældene. Præcis evaluering og styring af vanskelige luftveje er afgørende, da fiasko i luftvejsstyring kan føre til alvorlig sygelighed og dødelighed.

Luftvejsvurdering hjælper med at identificere forudsigelige vanskelige luftveje, men det udelukker ikke patienter med normale kliniske evalueringer, som stadig kan opleve uforudsigelig vanskelig intubation. Det primære mål med luftvejsundersøgelse er at detektere øvre luftvejspatologier eller anatomiske afvigelser. Flere fysiske egenskaber er forbundet med vanskelige luftveje og mislykket intubation, herunder begrænset nakke -mobilitet, snorken, en kort sternomental afstand og øget nakkeomkrets.

Almindelige luftvejsvurderingsværktøjer, såsom Mallampati -klassificering og overlæbebittest, kræver patientsamarbejde, hvilket begrænser deres anvendelighed i sedateret, traumer eller ikke reagerende patienter. Cormack-Lehane-klassificeringen, der blev brugt under direkte laryngoskopi, er invasiv og tillader ikke præ-procedurel forberedelse. I denne sammenhæng har ikke-invasive, sengen, hurtige og tilgængelige ultrasonografiske vurderinger og antropometriske målinger fået betydning for at forudsige vanskelige luftveje.

Med teknologiske fremskridt bruges beslutningstøttesystemer og kunstig intelligens (AI) -assisterede applikationer i stigende grad til at forhindre bivirkninger. Succesfuld luftvejsstyring er især kritisk hos patienter med høj risiko, hvor hurtig beslutningstagning er vigtig. Let tilgængelig, sengen, ikke-invasiv ultrasonografiske målinger, integreret med AI-baserede læringsprogrammer, har potentialet til at forudsige vanskelig intubation på forhånd. Dette muliggør tidlig forberedelse, rettidige interventioner og reduktion af livstruende risici.

I denne undersøgelse havde researhers til formål at forudsige vanskelig intubation præoperativt ved hjælp af ikke-invasive antropometriske og ultrasonografiske øvre luftvejsmålinger kombineret med AI-assisterede beslutningsstøtteprogrammer uden at kræve invasive procedurer.

Vores hypotese er, at præoperativ luftvejsvurdering gennem antropometriske og ultrasonografiske målinger, understøttet af AI-baserede beslutningsstøtteprogrammer, kan nøjagtigt forudsige vanskelig intubation og lette forberedelse