Förutsägelse av endotrakealtubens djup genom att använda Deep Convolutional Neural Networks

Detta var en retrospektiv, IRB-godkänd studie med röntgenbilder från thorax erhållna från Picture Archive and Communication System (PACS) vid Chang Gung Memorial Hospital, Linkou filial, Taiwan.

Totalt erhölls 595 avidentifierade patienters bröströntgenbilder för denna studie. Inklusionskriterierna för denna studie är patienter 18 år eller äldre som intuberades i orotrakealt mellan november 2019 och oktober 2020 och som hade tagit röntgenbilder av bröstet före och omedelbart efter intubationen (<24 timmar). Både pre-intubation och post-intubation bröströntgenbilder av samma patient erhölls. Kliniska data inklusive ålder, kön, kroppslängd, kroppsvikt, djup av ETT-fixering registrerades också. Allt avstånd mellan ETT spets till carina mättes manuellt av samma anestesiolog från post-intubationsfilmer och dokumenterades. Läpp till karina längd för varje patient kan beräknas genom att lägga till ETT fixeringsdjup och ETT spets till karina avstånd.

Pre-intubation röntgenbilder av bröstkorgen (n=595) tillsammans med kliniska data inklusive ålder, kön, kroppslängd, kroppsvikt och uppmätt läpp till karina längd samlas in för modellbyggande. För denna studie användes 476/595 (80%) av dessa för träning och 119/595 (20%) för validering slumpmässigt utvalda av AI-modell. I träningsprocessen matas bilder och relaterade kliniska data tillsammans med den uppmätta längden från läpp till karina in i och används för att anpassa AI-modellen. Sedan, i valideringsprocessen, utvärderar utredarna modellens noggrannhet och effektivitet för att förutsäga längden från läpp till karina med bilder och kliniska data från dessa oförutsedda fall.