使用术前气道评估中使用的人工智能和超声测量来评估人工智能支持系统的难以预测性

困难的插管，尤其是不可预测的困难插管，对于每位麻醉师来说都是一个具有挑战性的情况。 最初被评估为适合常规气道管理的患者可能很难在5％至22％的病例中插管。 对难道的准确评估和管理至关重要，因为气道管理的失败会导致严重的发病率和死亡率。

气道评估有助于识别可预测的困难气道，但并不排除患有正常临床评估的患者，这些患者可能仍会经历不可预测的困难插管。 气道检查的主要目标是检测上气道病理或解剖异常。 几个物理特征与艰难的气道和插管失败有关，包括颈部迁移率有限，打呼术，短尾距离和颈部周长增加。

常见的气道评估工具，例如Mallampati分类和上唇咬合测试，需要患者合作，这限制了其在镇静，创伤或无反应性患者中的适用性。 在直接喉镜检查过程中使用的Cormack-Lehane分类是侵入性的，不允许进行手术前的准备。 在这种情况下，非侵入性，床边，快速和可访问的超声检查评估和人体测量值已在预测困难的气道方面具有重要意义。

随着技术的进步，越来越多地使用了决策支持系统和人工智能（AI）辅助应用程序来防止不良结果。 在快速决策至关重要的高危患者中，成功的气道管理尤其重要。 与基于AI的学习程序集成的易于访问，床边，非侵入性超声测量值有可能事先预测困难的插管。 这可以提早准备，及时干预以及降低威胁生命的风险。

在这项研究中，旨在使用非侵入性人体测量学和超声上的上呼吸道测量结果，旨在预测术前困难的插管，并结合AI辅助决策支持程序，而无需任何侵入性程序。

我们的假设是，在基于AI的决策支持计划的支持下，通过人体测量和超声测量进行了术前气道评估，可以准确预测困难的插管并促进早期准备