Vaikean intubaation ennustettavuuden arviointi keinotekoisten älykkyyden tukemien järjestelmien kanssa käyttämällä antropometrisiä ja ultraäänimittauksia, joita käytetään preoperatiivisessa hengitysteiden arvioinnissa

Vaikea intubaatio, etenkin arvaamaton vaikea intubaatio, on haastava skenaario jokaiselle anestesiologille. Potilaat, jotka alun perin arvioidaan soveltuvan rutiininomaiseen hengitysteiden hallintaan Vaikeiden hengitysteiden tarkka arviointi ja hallinta ovat ratkaisevan tärkeitä, koska hengitysteiden hallinnan epäonnistuminen voi johtaa vakavaan sairastuvuuteen ja kuolleisuuteen.

Hengitysteiden arviointi auttaa tunnistamaan ennustettavia vaikeita hengitysteitä, mutta se ei sulje pois potilaita, joilla on normaalit kliiniset arvioinnit, jotka voivat silti kokea arvaamatonta vaikeaa intubaatiota. Hengitysteiden tutkimuksen ensisijainen tavoite on havaita ylemmät hengitysteiden patologiot tai anatomiset poikkeavuudet. Useat fyysiset ominaisuudet liittyvät vaikeisiin hengitysteihin ja epäonnistuneeseen intubaatioon, mukaan lukien rajoitettu kaulan liikkuvuus, kuorsaus, lyhyt rintakehän etäisyys ja lisääntynyt kaulan ympärys.

Yleiset hengitysteiden arviointityökalut, kuten Mallampati -luokitus ja ylähuulten purematesti, vaativat potilaan yhteistyötä, joka rajoittaa niiden sovellettavuutta sedatetuissa, traumaissa tai reagoimattomissa potilaissa. Cormack-Lehane-luokitus, jota käytetään suoran laryngoskopian aikana, on invasiivinen eikä salli edeltävää procedural-valmistelua. Tässä yhteydessä ei-invasiiviset, sängyn, nopeat ja saavutettavissa olevat ultraäänitutkimukset ja antropometriset mittaukset ovat saaneet merkitystä vaikeiden hengitysteiden ennustamisessa.

Teknologisella kehityksellä, päätöksentekojärjestelmillä ja tekoälyn (AI) avusteisilla sovelluksilla käytetään yhä enemmän haitallisten tulosten estämistä. Menestyvä hengitysteiden hallinta on erityisen kriittistä korkean riskin potilailla, joissa nopea päätöksenteko on välttämätöntä. Helposti saavutettavissa olevat, sängyn, ei-invasiiviset ultraäänimittaukset, integroituna AI-pohjaisiin oppimisohjelmiin, on potentiaalia ennustaa vaikeaa intubaatiota etukäteen. Tämä mahdollistaa varhaisen valmistelun, oikea-aikaiset toimenpiteet ja hengenvaarallisten riskien vähentämisen.

Tässä tutkimuksessa tutkijat pyrkivät ennustamaan vaikeaa intubaatiota ennen operatiivisesti käyttämällä ei-invasiivisia antropometrisiä ja ultraääni-ylempiä hengitysteiden mittauksia yhdistettynä AI-avusteisiin päätöksenteon tukiohjelmiin ilman, että vaaditaan invasiivisia menettelyjä.

Hypoteesimme on, että preoperatiivinen hengitysteiden arviointi antropometristen ja ultraääni-mittausten avulla, joita tukee AI-pohjaiset päätöksenteko-ohjelmat, voivat ennustaa tarkasti vaikeaa intubaatiota ja helpottaa varhaisen valmistelun