Evaluering av forutsigbarhet av vanskelig intubasjon med kunstig intelligensstøttede systemer ved bruk av antropometriske og ultrasonografiske målinger brukt i preoperativ luftveisvurdering

Vanskelig intubasjon, spesielt uforutsigbar vanskelig intubasjon, er et utfordrende scenario for enhver anestesilege. Pasienter som opprinnelig blir vurdert som egnet for rutinemessig luftveisstyring, kan være vanskelig å intubere i 5% til 22% av tilfellene. Nøyaktig evaluering og håndtering av vanskelige luftveier er avgjørende, ettersom svikt i luftveisstyring kan føre til alvorlig sykelighet og dødelighet.

Luftveisvurdering hjelper til med å identifisere forutsigbare vanskelige luftveier, men det utelukker ikke pasienter med normale kliniske evalueringer som fremdeles kan oppleve uforutsigbar vanskelig intubasjon. Det primære målet med luftveisundersøkelse er å oppdage øvre luftveispatologier eller anatomiske anomalier. Flere fysiske egenskaper er assosiert med vanskelige luftveier og mislykket intubasjon, inkludert begrenset nakkemobilitet, snorking, en kort stermodental avstand og økt nakkeomkrets.

Vanlige luftveisvurderingsverktøy, for eksempel Mallampati -klassifiseringen og overleppet -testen, krever pasientsamarbeid, noe som begrenser deres anvendbarhet i sederte, traumer eller ikke -svarende pasienter. Cormack-Lehane-klassifiseringen, brukt under direkte laryngoskopi, er invasiv og tillater ikke pre-prosedyre forberedelse. I denne sammenhengen har ikke-invasiv, sengekant, raske og tilgjengelige ultrasonografiske vurderinger og antropometriske målinger fått betydning for å forutsi vanskelige luftveier.

Med teknologiske fremskritt blir beslutningsstøttesystemer og kunstig intelligens (AI) -assistert applikasjoner i økende grad brukt for å forhindre bivirkninger. Vellykket luftveisstyring er spesielt kritisk hos høyrisikopasienter, der rask beslutningstaking er essensielt. Lett tilgjengelig, sengekant, ikke-invasive ultrasonografiske målinger, integrert med AI-baserte læringsprogrammer, har potensial til å forutsi vanskelig intubasjon på forhånd. Dette muliggjør tidlig forberedelse, rettidige inngrep og reduksjon av livstruende risiko.

I denne studien hadde Researhers som mål å forutsi vanskelig intubasjon preoperativt ved bruk av ikke-invasive antropometriske og ultrasonografiske målinger av øvre luftveis, kombinert med AI-assisterte beslutningsstøttende programmer, uten å kreve noen invasive prosedyrer.

Vår hypotese er at preoperativ luftveisvurdering gjennom antropometriske og ultrasonografiske målinger, støttet av AI-baserte beslutningsstøttende programmer, nøyaktig kan forutsi vanskelig intubasjon og lette tidlig forberedelse