Przewidywanie głębokości rurki intubacyjnej za pomocą głębokich konwolucyjnych sieci neuronowych

Było to retrospektywne, zatwierdzone przez IRB badanie z wykorzystaniem zdjęć rentgenowskich klatki piersiowej uzyskanych z Picture Archive and Communication System (PACS) w Chang Gung Memorial Hospital, oddział Linkou, Tajwan.

Na potrzeby tego badania uzyskano łącznie 595 pozbawionych elementów identyfikacyjnych radiogramów klatki piersiowej pacjentów. Kryteriami włączenia do tego badania są pacjenci w wieku 18 lat lub starsi, którzy zostali zaintubowani ustno-tchawiczo w okresie od listopada 2019 r. do października 2020 r. i wykonali zdjęcia RTG klatki piersiowej przed i bezpośrednio po intubacji (<24 godziny). Uzyskano radiogramy klatki piersiowej zarówno przed, jak i po intubacji tego samego pacjenta. Rejestrowano również dane kliniczne, w tym wiek, płeć, wzrost, masę ciała, głębokość utrwalenia ETT. Cała odległość od końcówki ETT do ostrogi została zmierzona ręcznie przez tego samego anestezjologa na podstawie filmów po intubacji i udokumentowana. Długość wargi do ostrogi każdego pacjenta można obliczyć, dodając głębokość mocowania ETT i końcówkę ETT do odległości ostrogi.

W celu zbudowania modelu gromadzone są zdjęcia rentgenowskie klatki piersiowej przed intubacją (n=595) wraz z danymi klinicznymi, w tym wiekiem, płcią, wzrostem, masą ciała i zmierzoną długością wargi do ostrogi. W tym badaniu 476/595 (80%) z nich wykorzystano do treningu, a 119/595 (20%) do walidacji losowo wybranych przez model AI. W procesie uczenia obrazy i powiązane dane kliniczne wraz ze zmierzoną długością wargi do ostrogi są wprowadzane i wykorzystywane do dopasowania modelu AI. Następnie, w procesie walidacji, badacze oceniają dokładność modelu i skuteczność przewidywania długości wargi do ostrogi za pomocą obrazów i danych klinicznych tych nieprzewidzianych przypadków.