Mély tanulási módszer a nehéz laringoszkópia előrejelzésére nyaki gerinc röntgenfelvétel segítségével

A gégetükrözés nehézségének előrejelzése fontos a betegek biztonsága szempontjából, mivel egy előre nem látható nehéz gégetükrözés súlyos légúti szövődményekkel jár, mint például agykárosodás, szív- és tüdőleállás vagy halál. Bár a klinikai gyakorlatban olyan klinikai prediktorokat, mint a módosított Mallampati-besorolás, a pajzsmirigy távolsága, a metszőfogak közötti rés és a felső ajak harapási tesztje használják a légutak értékelésére a klinikai gyakorlatban, ezek a mutatók alacsony érzékenységűek és nagy az értékelők közötti variabilitás, és a betegek együttműködését igénylik. .

A kutatók egy mély tanuláson alapuló modellt dolgoztak ki, amely a nyaki gerinc oldalsó röntgenfelvételéből nehéz laringoszkópiát jósol meg 14 135 pajzsmirigyműtéten átesett beteg adatainak felhasználásával. Ez a tanulmány pedig benyújtás alatt áll.

Ez a mély tanulási modell mutatta a legjobb teljesítményt a nehéz gégetükrözés előrejelzésében más mély tanulási modellekhez (VGG-Net, ResNet, Xception, ResNext, DenseNet és SENet) képest 95,6%-os érzékenységgel, 91,2%-os specificitással és egy területtel. ROC görbe (AUROC) alatt 0,972.

Mivel azonban a modell egy retrospektív terv volt, a meglévő orvosi feljegyzések felhasználásával, az optimális laringoszkópia eléréséhez szükséges cricoid nyomás meglétét vagy hiányát nem értékelték, és nem hasonlították össze a légúti értékelésekkel.

Ebben a tanulmányban a kutatók prospektíven validálják a modellt a nehéz gégetükrözés előrejelzésére, és összehasonlítják a prediktív teljesítményt a klinikai légúti értékeléssel. Ha ez a vizsgálat megerősíti eredményeinket, ez a megközelítés hasznos lehet a betegek biztonságának javításában és a légúti szövődmények megelőzésében az objektív és pontos légúti értékelés révén.