Eine Deep-Learning-Methode zur Vorhersage einer schwierigen Laryngoskopie anhand eines Röntgenbildes der Halswirbelsäule

Die Vorhersage einer schwierigen Laryngoskopie ist wichtig für die Patientensicherheit, da eine unerwartet schwierige Laryngoskopie mit schwerwiegenden Atemwegskomplikationen wie Hirnschäden, Herz-Lungen-Stillstand oder Tod verbunden ist. Obwohl klinische Prädiktoren wie die modifizierte Mallampati-Klassifikation, der thyromentale Abstand, der Abstand zwischen den Schneidezähnen und der Oberlippenbisstest zur Beurteilung der Atemwege in der klinischen Praxis verwendet werden, haben diese Indikatoren eine geringe Empfindlichkeit und eine große Variabilität zwischen den Prüfern und erfordern die Zusammenarbeit des Patienten .

Die Forscher entwickelten ein Deep-Learning-basiertes Modell, das anhand von Daten von 14.135 Patienten, die sich einer Schilddrüsenoperation unterziehen, eine schwierige Laryngoskopie anhand einer seitlichen Röntgenaufnahme der Halswirbelsäule vorhersagt. Und diese Studie wird derzeit eingereicht.

Dieses Deep-Learning-Modell zeigte die höchste Leistung bei der Vorhersage schwieriger Laryngoskopie im Vergleich zu anderen Deep-Learning-Modellen (VGG-Net, ResNet, Xception, ResNext, DenseNet und SENet) mit einer Sensitivität von 95,6 %, einer Spezifität von 91,2 % und einer Fläche unter ROC-Kurve (AUROC) von 0,972.

Da es sich bei dem Modell jedoch um ein retrospektives Design unter Verwendung vorhandener Krankenakten handelte, wurde das Vorhandensein oder Fehlen von Krikoiddruck zur Erzielung einer optimalen Laryngoskopie nicht bewertet und nicht mit Atemwegsbewertungen verglichen.

In dieser Studie validieren die Forscher prospektiv das Modell zur Vorhersage einer schwierigen Laryngoskopie und vergleichen die Vorhersagekraft mit der klinischen Bewertung der Atemwege. Wenn diese prospektive Studie unsere Ergebnisse bestätigt, kann dieser Ansatz hilfreich sein, um die Patientensicherheit zu verbessern und Atemwegskomplikationen durch eine objektive und genaue Atemwegsbewertung zu verhindern.