Evaluatie van de voorspelbaarheid van moeilijke intubatie met door kunstmatige intelligentie ondersteunde systemen met behulp van antropometrische en ultrasonografische metingen die worden gebruikt bij preoperatieve luchtwegenbeoordeling
Studie Overzicht
Toestand
Interventie / Behandeling
- Ander: Thyromeent -afstand
- Ander: Nekomtrek
- Ander: Mond openingsafstand
- Ander: Afstand van kaakbot tot hyoid bot met neutrale positie
- Ander: Afstand van kaakbot tot hyoid bot met nek in verlenging
- Ander: Afstand tussen huid en luchtpijp
- Ander: Afstand tussen huid en epiglottis
- Ander: Afstand tussen de huid en de voorste commissuur van vocale koord:
- Ander: Afstand tussen huid en hyoid bot
- Ander: Maximale tongdikte
Gedetailleerde beschrijving
Moeilijke intubatie, met name onvoorspelbare moeilijke intubatie, is een uitdagend scenario voor elke anesthesist. Patiënten die aanvankelijk worden beoordeeld als geschikt voor routine luchtwegbeheer, kunnen in 5% tot 22% van de gevallen moeilijk te intuberen zijn. Nauwkeurige evaluatie en beheer van moeilijke luchtwegen zijn cruciaal, omdat falen in luchtwegbeheer kan leiden tot ernstige morbiditeit en mortaliteit.
Luchtwegbeoordeling helpt voorspelbare moeilijke luchtwegen te identificeren, maar het sluit patiënten niet uit met normale klinische evaluaties die nog steeds onvoorspelbare moeilijke intubatie kunnen ervaren. Het primaire doel van luchtwegonderzoek is het detecteren van pathologieën voor de luchtwegen of anatomische afwijkingen. Verschillende fysieke kenmerken worden geassocieerd met moeilijke luchtwegen en mislukte intubatie, waaronder beperkte nekmobiliteit, snurken, een korte sternomenale afstand en verhoogde nekomtrek.
Veelvoorkomende hulpmiddelen voor luchtwegen, zoals de Mallampati -classificatie en de bovenlip bijt -test, vereisen samenwerking met patiënt, die hun toepasbaarheid bij verdomde, trauma of niet -reagerende patiënten beperkt. De Cormack-Lehane-classificatie, gebruikt tijdens directe laryngoscopie, is invasief en staat geen pre-procedurele voorbereiding toe. In deze context zijn niet-invasieve, bed-, snelle en toegankelijke ultrasonografische beoordelingen en antropometrische metingen van belang geworden bij het voorspellen van moeilijke luchtwegen.
Met technologische vooruitgang worden besluitvormingssystemen en kunstmatige intelligentie (AI) geassisteerde toepassingen in toenemende mate gebruikt om nadelige resultaten te voorkomen. Succesvolle luchtwegbeheer is vooral van cruciaal belang bij patiënten met een hoog risico, waar snelle besluitvorming essentieel is. Gemakkelijk toegankelijk, bed, niet-invasieve ultrasonografische metingen, geïntegreerd met AI-gebaseerde leerprogramma's, kunnen vooraf moeilijke intubatie voorspellen. Dit maakt vroege voorbereiding, tijdige interventies en de vermindering van levensbedreigende risico's mogelijk.
In deze studie wilden researes om moeilijke intubatie preoperatief te voorspellen met behulp van niet-invasieve antropometrische en ultrasonografische hogere luchtwegmetingen, gecombineerd met AI-ondersteunde beslissingsondersteuningsprogramma's, zonder invasieve procedures te vereisen.
Onze hypothese is dat preoperatieve luchtwegbeoordeling door antropometrische en ultrasonografische metingen, ondersteund door AI-gebaseerde beslissingsondersteuningsprogramma's, een moeilijke intubatie kan voorspellen en vroege voorbereiding vergemakkelijkt
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
-
Duzce, Kalkoen
- Düzce University
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Patiënten ouder dan 18 jaar
- Patiënten die algemene anesthesie zullen ondergaan
Uitsluitingscriteria:
- Zwangere vrouwen
- Degenen met aangeboren en/of verworven gezichtsvervormingen
- Patiënten die eerder de luchtwegoperatie in de bovenhals hebben ondergaan
- Patiënten met hoofd- en nektumoren
- Patiënten die thyroidectomie zullen ondergaan
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Patiënten tussen de 18 en 20 jaar die algemene anesthesie zullen ontvangen
ASA I-III-patiënten ouder dan 18 jaar die voldoen aan de inclusiecriteria om algemene anesthesie te ondergaan
|
Afstand tussen het kin- en schildklierkraakbeen met een meetlint wanneer de patiënt zich in een neutrale positie bevindt
Meting van de nekomtrek met een meetlint wanneer de patiënt zich in een neutrale positie bevindt
Afstand tussen de bovenste en onderste tanden op het punt waar de mondopening maximaal is wanneer de patiënt zich in een neutrale positie bevindt.
Afstand van mentum tot hyoid bot met neutrale positie door echografie
Echografie meting van afstand van mentum tot hyoid bot met nek in verlenging
Echografie meting van de afstand tussen huid en luchtpijp
Afstand tussen huid en epiglottis gemeten door echografie
Afstand tussen de huid en de voorste commissuur van stemsnoer gemeten door echografie
Afstand tussen huid en hyoid bot gemeten door echografie
Meting van maximale tongdikte door echografie
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Ondersteuning vector machine -algoritme percentage nauwkeurigheid in voorspelde moeilijke intubaties
Tijdsspanne: Het nemen van ultrasonografische en antropometrische metingen van elke patiënt duurde ongeveer 20 minuten. Schattingen voor machine learning voor elke patiënt zijn ongeveer 1 minuten.
|
De dataset, gelabeld op basis van deskundige beoordeling van moeilijke intubatie, werd geclassificeerd met behulp van acht veel geaccepteerde machine learning-algoritmen: logistische regressie (LR) [6], ondersteuning vector machine (SVM) [7], willekeurige bos (rf) [8], k-nearest buren (KNN) [9], Gaussian Naded Bayes (GNB) [10], CatBoost [12], en beslissing Tree Bayes (GNB) [10], CatBoost [12], en beslissingsbladen (GAUSSICE BOODS (GNB) [10]. (DT) [13].
Uit de originele 30 parameters werden de 15 meest invloedrijke functies geselecteerd op basis van functie -extractiemethoden en relevantie van literatuur.
Voorbewerking stappen omvatten het omgaan met ontbrekende waarden, met onvolledige records uitgesloten.
De dataset werd opgesplitst in training (80%) en test (20%) sets.
Modellen werden getraind op de trainingsset, waarbij de afstemming van hyperparameter werd uitgevoerd via 5-voudige kruisvalidatie om overfitting te voorkomen.
De eindmodelprestaties werden geëvalueerd op de onafhankelijke testset.
|
Het nemen van ultrasonografische en antropometrische metingen van elke patiënt duurde ongeveer 20 minuten. Schattingen voor machine learning voor elke patiënt zijn ongeveer 1 minuten.
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Hoofdonderzoeker: Gizem DEMIR SENOGLU, Düzce University
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Andere studie-ID-nummers
- 2022/65
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .