人工智能在气道管理中的应用

遵义医科大学第二附属医院麻醉科，遵义 563000

贵州省高层次创新人才“千层次”人才项目（黔人领发［2020］4号）；

遵义医科大学临床名医未来人才计划（［2021］002）

【综述】

围手术期气道管理内容包括术前气道风险评估及预防、气道的建立、困难气道的处理、术中机械通气的优化、新型通气技术的应用、术后气道相关并发症的防治等。高质量的围手术期气道管理可有效减少术后肺部并发症，加速患者术后康复，缩短住院时间，节省患者住院开支。

人工智能（artificial intelligence, AI）被定义为对算法的研究，这些算法赋予机器推理和执行功能的能力，如解决问题、识别对象、推断世界状态和做出决策。机器学习是AI的一个子集，通过算法从数据集中学习并发现模式和相关性，使计算机能够从训练数据中“自学习”，并随着时间的推移而改进，且无需进行显示编程。在将训练数据提供给学习算法后，机器学习模型生成一组规则，这些规则也可用于对新数据集进行预测。

目前AI在麻醉学气道管理方面主要用于执行预测和分类任务，将AI运用于围手术期气道管理，未来有希望提高气道管理质量和效率，如提高困难气道评估能力、气管插管水平、呼吸相关不良事件预测能力等，优化管理策略，对于大幅提升麻醉医师围手术期气道管理能力有着良好应用前景。

随着AI在气道管理上的研究不断增加，目前在临床气道管理上的应用主要集中在术前气道风险评估、机器人辅助气管插管、气管插管位置的判定、通气监测、预测围手术期不良气道事件等方面。

1.1　评估困难气道

困难气道导致气管插管失败是麻醉导致患者死亡的最主要原因。因此对于麻醉医师而言，通过一种快速客观的方法来预测紧急情况下的困难插管至关重要，有助于减少可预防的气道危机，降低患者病死率。然而目前困难气道的识别和预测仍然具有挑战性，气道评估方法（如Mallampati分级）评估困难气道的准确性有限，且对患者有特定要求（适用于清醒可配合张口的患者）。如遇儿童或急诊意识不清者，则很难进行准确评估。另一种常见评估困难气道的方法是改进的LEMON标准。虽然改进的LEMON标准（和LEMON标准）已被验证为评估困难气道的指标，但其预测困难气道的能力在临床应用中仍有改进的余地。

一些研究报道了机器学习模型在预测困难气道方面的潜在益处。最新一项多中心、前瞻性研究首次使用机器学习模型来预测急诊科困难气道和首次气管插管成功率，研究纳入10 741例患者，结果显示，与传统方法（即改进的LEMON标准和logistic回归模型）相比，大多数机器学习模型在预测困难气道和首次气管插管成功率时表现更好，其中集成学习模型表现最佳。在预测困难气道时，与改进的LEMON标准相比，除了k点最近邻模型和多层感知器模型外，机器学习模型的识别能力明显更强。其中集成模型的c统计量最高为0.74（改进的LEMON标准的c统计量为0.62），敏感度为0.67，特异度为0.70，阳性预测值为0.09，阴性预测值为0.98。与改进的LEMON标准特异度为0.57相比，所有机器学习模型都具有更高的特异度，其中多层感知器模型的特异度为0.92。在预测首次气管插管成功率时，采用逻辑回归模型作为参考模型，机器学习模型（除了k最近邻模型和随机森林模型）表现更佳，集成学习模型的c统计量最高，其中集成学习模型的c统计量为0.81，而逻辑回归模型的c统计量为0.76。使用面部识别技术来预测困难气道可为麻醉医师提供另一种可行的麻醉前气道风险评估方法。Hayasaka等对202例患者16种不同体位的面部图像进行深度学习(卷积神经网络)，80%的图像作为训练集，选出最具区分能力的体位面部图像，建立困难气道的预测模型，剩余20%作为测试数据进行推理评价验证；结果表明，这一预测模型的准确率达到80.5%，灵敏度为81.8%，特异度为83.3%，曲线下面积为0.864（95%置信区间0.731~0.969）。类似模型也探索了机器学习在预测气管插管难易性方面的作用，模型准确率也达到了77.9%。Tavolara等利用深度学习技术对人脸正面图像进行了一项识别困难气管插管的研究，在对76例气管插管困难患者和76例易气管插管患者进行队列评估时，此研究开发的模型的曲线下面积为0.710，相比之下，两种常规床边测试（Mallampati分级、甲颏距离）的曲线下面积分别为0.604和0.466，该集成模型可以在高灵敏度和低特异度（0.9079和0.4474）或低灵敏度和高特异度（0.3684和0.9605）下运行，优于传统的床边测试和通用特性。Wang等使用半监督深度学习方法，使用从9个特定视点捕获的1 000例患者的图像，训练和测试了一个AI模型用于困难气道的预测，其中准确度、灵敏度、特异度和曲线下面积分别为90.00%、89.58%、90.13%、0.944。

还有研究同时使用大量机器学习算法来预测甲状腺疾病患者的困难气道，结果表明这些算法均能成功预测困难气道，其中梯度提升算法准确率最高，达到了91.3%。AI机器学习对术前气道风险的评估可使麻醉医师在术前全面掌握患者气道信息，从而做好充分准备，减少气道危机。

1.2　机器人辅助气管插管

目前机器人已经发展到可以精确地执行灵巧技能任务的阶段。机器人辅助气管插管具有操作精准、不易损伤患者咽喉部和可辅助麻醉医师快速插管等优点，因此，越来越多研究者关注并致力于机器人辅助气管插管系统的开发。2018年，Wang等成功开发了一套远程机器人辅助插管系统（remote robot‑assisted intubation system, RRAIS）。RRAIS由4个主要部件组成：一个插管机器人、一个控制系统、一台笔记本电脑和一个操纵杆，其中插管机器人是最重要的部分。与直接喉镜插管相比，使用RRAIS插管的首次通过率和插管成功率更高（首次成功率80%比40%，总成功率90%比60%）。使用机器人辅助在气道模型中进行自动气管插管于2020年已有报道，探索使用机器人内镜‑自动通过喉部成像气管插管（robotic endoscope‑automated via laryngeal imaging for tracheal intubation, REALITI）系统在自动气管插管中的表现。在这项概念研究中，研究者发现与手动模式相比，使用自动模式成功进行气管插管所用的时间更短。同时随着使用者对REALITI系统越来越熟练，气管插管时间将进一步缩短。该系统增加了麻醉医师和非麻醉医师的气管插管成功率，对临床实践具有重要意义。由于气管插管这项技能需要有经验、有资质的麻醉医师进行操作，对于院前需要气管插管抢救却无麻醉医师在场的紧急情况，机器人辅助气管插管有望提高院前气管插管的成功率，改变当前的抢救模式，提高患者急救成功率。

1.3　插管位置的判定

对于气管插管行机械通气的患者而言，气管导管的位置和放置深度关乎患者的通气安全。气管软镜是确认气管管尖位置的金标准，然而这种方法耗时且操作困难，需要一种快速、安全、简便的方法来确定最佳插管深度。AI预测模型就具备上述优点。Shim等首次使用机器学习方法，通过分析儿童年龄、性别、身高、体重、术中气管导管固定深度、隆突距气管导管尖端的距离等临床数据，构建了预测模型来估计儿童气管插管最佳深度，同时将机器学习模型与常用的基于公式的方法（基于年龄、身高和气管内径）进行比较，结果显示，机器学习预测模型更能准确地预测儿科患者的最佳气管尖端位置，可帮助麻醉医师对儿童的最佳气管插管深度做出决策。还有研究表明，使用深度学习也可进行气管插管位置评估。该研究通过回顾性收集936例患者的胸部正位片（胸片），由2名放射科医师在每张胸片上测量气管导管到隆突的距离。在训练集的胸片上，1名放射科医师手动分割了气管导管尖端到隆突下壁的部分，将分割的图片像素利用深度学习算法中的图像分割功能构建模型。将胸片的每个像素标记为属于气管导管、隆突或不属于气管导管。在内部和外部数据集中，建立的深度学习模型在评估气管导管到隆宊的距离与放射科医师测量距离相近，在评估插管位置方面表现良好。AI机器学习对插管位置的判定有望使麻醉医师在插管时快速将导管调整放置到最佳深度，为患者做好充分气道准备，减少潜在通气危机的发生（如气管插管深度过浅导致导管脱落，或气管插管深度过深造成单肺通气）。

1.4　机械通气过程中气道监测

目前AI在机械通气过程中的气道监测研究主要集中在气道压、呼气末正压、潮气量、通气血流比例、呼吸衰竭、呼吸机相关肺损伤、睡眠呼吸暂停综合征患者持续正压通气依从性监测等方面。一项前瞻性研究纳入60例新诊断为睡眠呼吸暂综合征而需行持续正压通气的患者，将患者分配到标准管理组（按照西班牙肺科和胸外科学会指南管理）或基于机器学习的智能监测系统组，智能监测系统组患者调整后的持续正压通气依从性比标准管理组高，两组患者的满意度都很好；该研究表明，增加机器学习数据处理功能，通过智能监测系统直接向患者反馈意见，使患者根据反馈意见调整，可能会显著提高依从性，并提高现有远程监测干预的成本效益。在镇静和麻醉期间警惕地监测气道是至关重要的，这关乎患者的通气质量和生命安全。目前建议的通气策略不能完全保证患者的气道安全，还存在很多因素可导致患者的气道发生严重事故，但是这些因素是可被提前预警并干预的。针对这些可预防因素，利用电子监测记录和术中患者机械通气过程中产生的大量相关数据，将机器学习应用到气道监测中，有助于提高气道监测能力，同时为麻醉医师提供早期预警，实现个性化通气策略。早在20世纪90年代，就有研究人员将神经网络与监控结合，开发了智能麻醉报警系统。当前机器学习算法使用临床气道监测数据，将AI与气道监测结合，同时麻醉医师全程参与并提供有临床价值的反馈意见，可使建立的监测模型具备前瞻性和外部验证性，实现机械通气过程中的气道监测，优化气道管理。

1.5　预测气管插管/拔管时机

新型冠状病毒感染大流行期间，随着病情进展，某些患者需要气管插管辅助通气，掌握气管插管时机对患者预后影响重大。Arvind等开发了一种机器学习算法来预测诊断或疑似新型冠状病毒感染患者未来的气管插管情况，机器学习算法的曲线下面积为0.83，准确率‑召回率曲线下面积为0.32，预测效果显著优于临床用于预测患者气管插管风险的ROX指数，该预测模型的决策标准与临床指南非常接近，未来有望识别肺炎高危患者的气管插管情况，及时为重症肺炎患者进行机械辅助通气。

在重症监护治疗病房（intensive care unit, ICU），有创机械通气（invasive mechanical ventilation, IMV）患者气管拔管时机十分重要，长时间IMV会导致患者身体、认知和心理健康出现问题。然而过早拔除气管导管的患者可能会发生脱机失败，导致二次气管插管。目前临床上判断IMV患者气管插管拔管时机基本根据医师丰富的临床经验，对于缺乏经验的医师，机器学习可协助其做出准确脱机的决策。Fabregat等使用机器学习工具建立了能够准确预测ICU中IMV患者拔管结果的模型，其中支持向量机分类器能正确预测拔管结果，准确率高达94.6%。使用这种机器学习预测模型来评估拔管决策可能会降低拔管失败率，同时有望提高危重患者有创机械通气脱机的成功率。还有研究建立人工神经网络模型，进一步提高了预测成功拔管的准确性。

1.6　预测围手术期不良气道事件

患者在整个围手术期都容易受到不良气道事件的影响，如喉痉挛、支气管痉挛、气道阻塞和血氧饱和度降低等。以往，对不良气道事件危险因素的研究均依赖于传统的统计模型来确定研究结果和危险因素，现在机器学习的发展提供了另一种预测不良气道事件的途径，这种提前预测并早期干预不良气道事件是目前临床研究的一大热点。Sippl等使用机器学习模型可预测全身麻醉插管后缺氧发作，但是该研究中机器学习模型使用的有些临床数据只有在手术后才能获得，因此不适用于实时预测低氧血症的发生。Lundberg等描述了一种基于机器学习的系统，该系统在全身麻醉期间可实时预测低氧血症的发生风险，并提供风险因素的解释；该系统中的机器学习模型使用了来自5万多例手术电子医疗记录的每分钟数据进行训练，对于初始低氧血症风险预测，有机器学习模型帮助的麻醉医师明显比没有模型帮助的医师表现更好（曲线下面积：0.76比0.60）；利用手术室数据预测术中低氧血症事件发生前，通过与执业麻醉医师的比较和应用于其他临床问题的现有计算方法，机器学习模型在通过电子记录的术中数据预测低氧血症风险方面取得了卓越的表现；该研究结果表明，如果麻醉医师目前预测15%的低氧血症事件，在该系统的帮助下，他们可以预测30%；通过提供可解释的低氧血症风险和影响因素，提高了麻醉医师预测低氧血症的能力；模型对低氧血症预测的解释与文献和麻醉医师的临床经验大致一致。Kuo等使用人工神经网络来预测ICU呼吸机的脱机结果，该研究建立的人工神经网络模型预测拔管成功的灵敏度为82%，特异度为73%，准确率为80%；该模型提高了预测拔管成功率的准确性，临床医师未来有望通过该模型选择最早合适的脱机时间。麻醉医师通过机器学习模型可以预测围手术期不良气道事件，对患者进行风险分层，优化气道管理，及早干预，保证患者术中安全。

气管插管被认为是确保气道安全的关键技术，是提供足够氧合和通气辅助的必要手段，也是麻醉医师的必备技能。然而麻醉医师的操作水平是影响气管插管的重要因素。如果初次气管插管失败，会增加低氧血症、误吸等不良事件的发生。频繁插管造成的机械损伤可导致喉水肿、出血，造成视野缺损，使插管复杂化，无法持续通气，最终使病情恶化甚至威胁患者生命安全。因此，气管插管需要学员在临床操作前大量练习。然而，目前基于人体模型的训练方案由于缺乏人体模型内部的透明可视化，无法在操作过程中为学员提供令人满意的实时程序指导和准确评价。同时专家指导员的数量有限，进一步降低了培训效果，不可避免地导致学员的学习周期变长。AI在模拟培训、远程学习及专家库方面的应用，有助于培养经验丰富的气管插管专家，缩短气管插管专家的培养周期。

2.1　模拟培训

目前在气道管理技能培训中应用AI，有望加快医师气管插管培训进度，降低气管插管难度，提高气管插管成功率。尤其是对于气管插管难度较大的特殊人群（如新生儿），具有很大的临床应用价值。Zhao等首次提出了一个用于新生儿气管插管训练的智能增强现实（augmented reality, AR）培训框架，这个框架将AR可视化与可解释的机器学习模型集成在一起，支持实时性能评估和增强可视化的试验后回放，能够捕捉喉镜和人体模型的运动，将三维可视化呈现到头戴式显示器，可提高受训者在训练过程中的姿势感知能力，同时提供自动化的评估和反馈，这有助于训练学员新生儿气管插管操作能力。在线虚拟机械通气模拟器的应用，增加了学生机械通气的知识并提高机械通气的知识储备。还有同步在线屏幕模拟形式的进行，有效地补充麻醉培训项目中基于人体模型的模拟，是有效的技能操作培训辅助手段。

2.2　远程教学及专家库

除了AI培训设备的应用，远程学习和专家库也是一大研究热点，对于学员培训和先进医学知识传播起着显著作用。通过专家远程教授先进治疗理念和学科前沿知识，对平衡医学教育资源起到很大作用。同时远程学习可打破地域限制，整合医疗资源，汇集各地区、国家的疾病特点及诊疗经验，其益处超越地区和国界而延伸到资源有限的地区。Liu等通过远程模拟及远程教授超声引导下的股神经区域麻醉获得成功，证明了远程教学可以大大提高超声引导区域麻醉在偏远地区的教学水平，可让医学技术更快地普及到偏远地区。

专家知识库通过整合来自全面数据集的证据，支持改善气道管理培训，这些数据集可以应用于当地的临床场景，并将当地实际的临床情况补充进来。早在1993年，就有使用贝叶斯网络和模糊逻辑建立的专家建议系统将患者一般临床信息和在线测量数据合并起来，用于指导麻醉期间吸入挥发性麻醉药的浓度。还有研究开发了基于模糊逻辑的麻醉深度决策支持系统，用于麻醉深度控制，帮助麻醉医师做好手术过程中的麻醉管理，基于模糊规则的医疗决策系统也已被证明可改善麻醉过程。

3 AI在气道管理研究的不足之处和局限性

目前AI在麻醉学气道管理中的大部分应用仍处于研究和开发阶段，因此麻醉学中AI的重点不是取代临床医师的判断或技能，而是研究辅助增强麻醉医师水平和技能的方法。回顾当前研究表明，AI在气道管理方面比现有麻醉方法和技术有了改进，但是大多数研究都为小样本研究或尚停留在人体模型和动物试验阶段，缺乏前瞻性、多中心研究进一步验证模型的可靠性，离临床应用推广仍有一定距离。同时，对AI（尤其是神经网络）的一种批评是，机器学习算法可能会导致黑箱结果，即算法可以将预测结果通知临床医师或研究人员，但无法提供进一步的信息说明为什么会做出这样的预测。目前可解释的AI尚待完善以解决以上问题来提高机器学习算法的透明度。例如，通过披露机器学习算法可能依赖哪些特征来生成预测结果，以此提高信息透明度，从而增加人类对其预测结果的信任。

AI的发展极大推动了其在气道管理方面的应用，未来有望在围手术期各个阶段辅助麻醉医师对气道进行更加有效的管理，包括困难气道的预测、辅助气管插管以及气道技能培训等，将大幅提升麻醉的效率和安全性，提升围手术期气道管理水平。