Syväoppimismenetelmä vaikean kurkunpään tähystyksen ennustamiseen käyttämällä kohdunkaulan selkärangan röntgenkuvaa

Laryngoskopian vaikeuden ennustaminen on tärkeää potilasturvallisuuden kannalta, koska odottamaton vaikea kurkunpään tähystystutkimus liittyy vakaviin hengitysteihin liittyviin komplikaatioihin, kuten aivovaurioon, sydänpysähdykseen tai kuolemaan. Vaikka kliinisessä käytännössä käytetään hengitysteiden arvioinnissa kliinisiä ennustajia, kuten muunneltu Mallampati-luokitus, kilpirauhasen etäisyys, etuhampaiden välinen etäisyys ja ylähuulen purentatesti, näillä indikaattoreilla on alhainen herkkyys ja suuri arvioijien välinen vaihtelu ja vaativat potilaiden yhteistyötä. .

Tutkijat kehittivät syvään oppimiseen perustuvan mallin, joka ennustaa vaikean laryngoskopian kaularangan lateraalisesta röntgenkuvasta käyttämällä tietoja 14 135 potilaasta, joille tehdään kilpirauhasleikkaus. Ja tämä tutkimus on toimitettavana.

Tämä syväoppimismalli osoitti parhaan suorituskyvyn vaikean laryngoskopian ennustamisessa verrattuna muihin syväoppimismalleihin (VGG-Net, ResNet, Xception, ResNext, DenseNet ja SENet) herkkyydellä 95,6 %, spesifisyydellä 91,2 % ja alueella. alle ROC-käyrän (AUROC) 0,972.

Koska malli oli kuitenkin retrospektiivinen suunnittelu, jossa käytettiin olemassa olevia lääketieteellisiä tietoja, optimaalisen kurkunpään tähystyksen saavuttamiseksi olevan cricoid-paineen olemassaoloa tai puuttumista ei arvioitu, eikä sitä verrattu hengitysteiden arviointeihin.

Tässä tutkimuksessa tutkijat validoivat prospektiivisen mallin vaikean laryngoskopian ennustamiseksi ja vertaavat ennustetehoa kliiniseen hengitysteiden arviointiin. Jos tämä tutkimus mahdollistaa tuloksemme, tämä lähestymistapa voi auttaa parantamaan potilasturvallisuutta ja ehkäisemään hengitysteihin liittyviä komplikaatioita objektiivisen ja tarkan hengitysteiden arvioinnin avulla.