Bewertung der Vorhersehbarkeit einer schwierigen Intubation mit künstlichen Intelligenz-unterstützten Systemen unter Verwendung anthropometrischer und ultraschalluntersuchender Messungen,
Studienübersicht
Status
Intervention / Behandlung
- Sonstiges: Thyromentalabstand
- Sonstiges: Halsumfang
- Sonstiges: Mund Öffnungsentfernung
- Sonstiges: Abstand vom Kieferknochen zu einem Hyoidknochen mit Nacken in neutraler Position
- Sonstiges: Abstand vom Kieferknochen zu einem Hyoidknochen mit Nacken in der Ausdehnung
- Sonstiges: Abstand zwischen Haut und Luftröhre
- Sonstiges: Abstand zwischen Haut und Epiglottis
- Sonstiges: Abstand zwischen Haut und vorderer Kommissur des Stimmbands:
- Sonstiges: Abstand zwischen Haut und Zungenknochen
- Sonstiges: Maximale Zungendicke
Detaillierte Beschreibung
Eine schwierige Intubation, besonders unvorhersehbare, schwierige Intubation, ist für jeden Anästhesisten ein herausforderndes Szenario. Patienten, die ursprünglich als geeignet für das routinemäßige Atemwegsmanagement bewertet werden, können in 5% bis 22% der Fälle als schwierig zu intubieren. Eine genaue Bewertung und Behandlung schwieriger Atemwege ist von entscheidender Bedeutung, da das Versagen des Atemwegsmanagements zu einer schwerwiegenden Morbidität und Mortalität führen kann.
Die Bewertung der Atemwege hilft bei der Identifizierung vorhersehbarer schwieriger Atemwege, schließt jedoch keine Patienten mit normalen klinischen Bewertungen aus, bei denen möglicherweise immer noch unvorhersehbare schwierige Intubation erfolgt. Das Hauptziel der Atemwegsuntersuchung ist es, die Pathologien der oberen Atemwege oder anatomische Anomalien zu erkennen. Mehrere physikalische Eigenschaften sind mit schwierigen Atemwege und fehlgeschlagener Intubation verbunden, einschließlich begrenzter Mobilität des Nackens, Schnarchen, kurzer Sternomentalabstand und erhöhtem Halsumfang.
Gemeinsame Instrumente zur Bewertung der Atemwege wie der Mallampati -Klassifizierung und des Oberlip -Biss -Tests erfordern die Kooperation der Patienten, die ihre Anwendbarkeit bei sedierten, Trauma oder nicht reagierenden Patienten einschränken. Die Cormack-Lehane-Klassifizierung, die während der direkten Laryngoskopie verwendet wird, ist invasiv und ermöglicht keine vorprozedurale Vorbereitung. In diesem Zusammenhang haben nicht-invasive, Bett-, schnelle und zugängliche Ultraschallbewertungen und anthropometrische Messungen bei der Vorhersage schwieriger Atemwege an Bedeutung gewonnen.
Mit technologischen Fortschritten werden Entscheidungsunterstützungssysteme und künstliche Intelligenz (AI) -Anträgungsanwendungen zunehmend verwendet, um nachteilige Ergebnisse zu verhindern. Ein erfolgreiches Atemwegsmanagement ist besonders bei Patienten mit hohem Risiko von entscheidender Bedeutung, bei denen eine schnelle Entscheidungsfindung von wesentlicher Bedeutung ist. Leicht zugänglich, am Bett, nicht invasive Ultraschallmessungen, die in KI-basierte Lernprogramme integriert sind, können schwierige Intubation im Voraus vorhergesagt. Dies ermöglicht eine frühzeitige Vorbereitung, zeitnahe Interventionen und die Verringerung lebensbedrohlicher Risiken.
In dieser Studie zielten Forschers darauf ab, die intubation nicht invasive anthropometrische und ultrasonografische obere Atemwegsmessungen präoperativ vorheroperativ vorherzusagen, kombiniert mit AI-unterstützten Entscheidungsprogrammen, ohne invasive Verfahren zu erfordern.
Unsere Hypothese ist, dass die preoperative Bewertung der Atemwege durch anthropometrische und ultrasonografische Messungen, die durch KI-basierte Entscheidungsprogramme unterstützt werden, eine schwierige Intubation genau vorhersagen und die frühzeitige Vorbereitung erleichtern können
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Duzce, Truthahn
- Duzce University
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten über 18 Jahre alt
- Patienten, die sich einer Vollnarkose unterziehen werden
Ausschlusskriterien:
- Schwangere Frauen
- Personen mit angeborenen und/oder erworbenen Gesichtsdeformitäten
- Patienten, die zuvor obere Atemwegsoperationen unterzogen wurden
- Patienten mit Kopf- und Nackentumoren
- Patienten, die sich einer Schilddrüsenbetreuung unterziehen werden
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Patienten zwischen 18 und 20 Jahren, die eine Vollnarkose erhalten werden
ASA I-III-Patienten über 18 Jahre, die die Einschlusskriterien erfüllen, um eine Vollnarkose zu unterziehen
|
Abstand zwischen Kinn und Schilddrüsenknorpel mit einem Bandmaß, wenn sich der Patient in einer neutralen Position befindet
Messung des Halsumfangs mit einem Maßband, wenn sich der Patient in einer neutralen Position befindet
Abstand zwischen den oberen und unteren Zähnen an dem Punkt, an dem die Mundöffnung maximal ist, wenn sich der Patient in einer neutralen Position befindet.
Abstand von Mentum zu Hyidknochen mit Nacken in neutraler Position durch Ultraschall
Ultraschallmessung des Abstand
Ultraschallmessung des Abstands zwischen Haut und Luftröhre
Abstand zwischen Haut und Epiglottis gemessen durch Ultraschall
Abstand zwischen Haut und vorderer Kommissur des Stimmbands, gemessen durch Ultraschall
Abstand zwischen Haut und Hyoidknochen gemessen durch Ultraschall
Messung der maximalen Zungendicke durch Ultraschall
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Unterstützung des Vektormaschinenalgorithmus Prozentsatz der Genauigkeit in vorhergesagten schwierigen Intubationen
Zeitfenster: Die Einnahme von Ultraschall- und anthropometrischen Messungen jedes Patienten dauerte ungefähr 20 Minuten. Schätzungen des maschinellen Lernens für jeden Patienten betragen ungefähr 1 min.
|
Der Datensatz, der auf der Grundlage der fachkundigen Bewertung der schwierigen Intubation gekennzeichnet war, wurde unter Verwendung von acht weit verbreiteten Algorithmen für maschinelles Lernen klassifiziert: logistische Regression (LR) [6], Unterstützungsvektormaschine (SVM) [7], zufälliger Wald (RF) [8], K-Nearest-Nachbarn (KNN) [9], Gaußsian Naive Bayes (GNB) [10, Catboost [11]. (DT) [13].
Aus den ursprünglichen 30 Parametern wurden die 15 einflussreichsten Merkmale basierend auf Merkmalextraktionsmethoden und Literaturrelevanz ausgewählt.
Die Vorverarbeitungsschritte beinhalteten die Handhabung fehlender Werte, wobei unvollständige Datensätze ausgeschlossen waren.
Der Datensatz wurde in Training (80%) und Test (20%) Sätze aufgeteilt.
Die Modelle wurden am Trainingssatz geschult, wobei die Hyperparameter-Stimmung über eine 5-fache Kreuzvalidierung durchgeführt wurde, um eine Überanpassung zu vermeiden.
Die endgültige Modellleistung wurde am unabhängigen Testsatz bewertet.
|
Die Einnahme von Ultraschall- und anthropometrischen Messungen jedes Patienten dauerte ungefähr 20 Minuten. Schätzungen des maschinellen Lernens für jeden Patienten betragen ungefähr 1 min.
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Gizem DEMIR SENOGLU, Duzce University
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Andere Studien-ID-Nummern
- 2022/65
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Produkt, das in den USA hergestellt und aus den USA exportiert wird
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .