DOI: https://doi.org/10.1371/journal.pone.0342339
PMID: https://pubmed.ncbi.nlm.nih.gov/41706751
تاريخ النشر: 2026-02-18
المؤلف: Chunmeng Fu وآخرون
الموضوع الرئيسي: إدارة مجرى الهواء وتقنيات التنبيب
نظرة عامة
تقدم البحث إطار عمل جديد قائم على صور الموجات فوق الصوتية باستخدام الذكاء الاصطناعي (AI) يهدف إلى التنبؤ بالسيناريوهات الصعبة في مجرى الهواء، مع معالجة التحديات المرتبطة بأنظمة التحذير المبكر في هذا السياق. يقدم الدراسة استراتيجية “نموذجين، ثلاث خطوات” هرمية تستفيد من تقنيات التعلم العميق لتعزيز تقييم التعرض الصعب للمنظار الحنجري. تشير نتائج التحقق الداخلي إلى أن نموذج CL-AI حقق منطقة تحت المنحنى (AUC) قدرها 0.86، مع دقة 0.84، بينما حقق نموذج VIDIAC-AI AUC قدره 0.82 ودقة 0.81. أظهرت هذه النماذج حساسية وخصوصية متشابهة، على الرغم من أن الدقة ودرجات F1 كانت أقل، خاصة بالنسبة لنموذج VIDIAC-AI.
تشير النتائج إلى أن دمج التصوير بالموجات فوق الصوتية مع خوارزميات التعلم العميق يمكن أن يحسن بشكل كبير من تقييم مخاطر مجرى الهواء قبل العملية، مما يوفر رؤى قيمة للأطباء. ومع ذلك، فإن الإطار المقترح يهدف إلى أن يكون أداة دعم اتخاذ القرار بدلاً من طريقة تشخيص مستقلة. يؤكد المؤلفون على الحاجة إلى مزيد من التحقق من خلال دراسات متعددة المراكز أكبر لتحسين أداء النموذج ومعالجة المخاوف المحتملة المتعلقة بالخصوصية المرتبطة بمعالجة البيانات.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لإدارة مجرى الهواء في الإعدادات السريرية مثل وحدة العناية المركزة (ICU) وقسم الطوارئ والتخدير. تشير إلى التباين في اختيار المنظار الحنجري—بين المناظير الحنجرية المباشرة (DL) والمناظير الحنجرية بالفيديو (VL)—والذي يتأثر بخبرة الأطباء الفردية وغياب البروتوكولات الموحدة. بينما أظهر VL أنه يعزز من تصور الحنجرة ويحسن من نجاح التهوية في المحاولة الأولى في بعض حالات الطوارئ، إلا أن فعاليته في المرضى الذين يعانون من حالات حرجة لا تزال موضع جدل، وغالبًا ما تعتمد على مهارة وخبرة المشغل. طرق تقييم مجرى الهواء التقليدية، مثل تصنيف مالامباتي، محدودة بعوامل ذاتية ودقة تنبؤية منخفضة، مما يدفع لاستكشاف الموجات فوق الصوتية كأداة أكثر موثوقية لتقييم مجرى الهواء قبل العملية.
تقترح الورقة الاستفادة من الذكاء الاصطناعي (AI)، وتحديدًا نماذج التعلم العميق، لتعزيز تصنيف مخاطر مجرى الهواء من خلال استخدام صور الموجات فوق الصوتية. ركزت الدراسات الحالية بشكل أساسي على التنبؤ بالتعرض الصعب للمنظار الحنجري باستخدام ميزات الوجه أو إشارات الصوت الحنجري، مع استكشاف محدود لسيناريوهات VL. يجادل المؤلفون بأن صور الموجات فوق الصوتية توفر تمثيلًا أوضح للهياكل التشريحية ذات الصلة بإدارة مجرى الهواء ويقترحون أن نماذج الذكاء الاصطناعي يمكن أن تميز بفعالية بين التعرض الصعب للمنظار الحنجري تحت كل من DL و VL. يهدف هذا البحث إلى تطوير نماذج تعلم عميق يمكنها تصنيف مخاطر مجرى الهواء بدقة، مما يسهل اتخاذ قرارات سريرية أفضل وقد يقلل من المضاعفات المرتبطة باختيار جهاز التهوية غير المناسب.
طرق البحث
في هذه الدراسة الاستباقية، تم تضمين 903 مرضى يخضعون لجراحة تخدير عام اختياري في المستشفى التابع لجامعة تشينغداو بين مايو 2024 وأبريل 2025. تم تقسيم مجموعة البيانات إلى 752 حالة لتدريب النموذج والتحقق منه، بينما تم تخصيص 151 حالة كمجموعة اختبار داخلية. تم تطوير نموذجين للذكاء الاصطناعي قائمين على الشبكات العصبية التلافيفية: CL-AI للفحص الأولي وVIDIAC-AI لتصنيف المخاطر الثانوية. تم تقييم أداء النموذج من خلال التحقق المتقاطع بخمسة طيات والاختبار الداخلي، على الرغم من عدم إجراء تحقق خارجي.
حصلت الدراسة على موافقة أخلاقية من لجنة الأخلاقيات في المستشفى التابع (رقم الموافقة: QYFYEC2024-68) وتم تسجيلها في سجل التجارب السريرية الصينية (رقم التسجيل: ChiCTR2400084274). تم الحصول على موافقة خطية مستنيرة من جميع المشاركين. أظهر تحليل مؤقت بعد تسجيل 300 مريض انخفاضًا كبيرًا في أداء النموذج، مع قيمة منطقة تحت المنحنى (AUC) أقل من 0.75، مما يشير إلى عدم كفاية التعميم. وبالتالي، تم زيادة حجم العينة تقريبًا ثلاثة أضعاف لتعزيز قوة النموذج وقدرته على التعميم، مع الحفاظ على التناسق مع بروتوكول البحث الأصلي.
النتائج
في دراسة شملت 903 مريضًا، كانت نسبة حدوث صعوبة المنظار الحنجري أعلى بكثير مع المنظار الحنجري المباشر، حيث حدثت في 189 حالة (20.9%)، مقارنة بـ 50 حالة فقط (5.5%) مع المنظار الحنجري بالفيديو. تشير هذه النتيجة إلى أن المنظار الحنجري بالفيديو قد يوفر نتيجة أكثر ملاءمة من حيث سهولة التهوية، مما قد يقلل من خطر المضاعفات المرتبطة بإدارة مجرى الهواء الصعبة. تؤكد النتائج على أهمية استخدام المنظار الحنجري بالفيديو كطريقة مفضلة في الممارسة السريرية لتعزيز سلامة المرضى أثناء إجراءات مجرى الهواء.
المناقشة
تقدم الدراسة نهجًا جديدًا للتنبؤ بالتعرض الصعب للمنظار الحنجري أثناء التهوية الرغامية من خلال دمج التصوير بالموجات فوق الصوتية مع تقنيات التعلم العميق. تم جمع البيانات من 903 مريضًا يخضعون لعمليات جراحية اختيارية، حيث تم استخدام 752 عينة لتدريب والتحقق من نموذج تصور مجرى الهواء الصعب، وتم حجز 151 عينة للاختبار الداخلي. استخدمت الدراسة إطار عمل لصنع القرار يتكون من نموذجين، ثلاث خطوات، باستخدام نموذج الذكاء الاصطناعي لتصنيف كرمك-ليهان (CL-AI) ونموذج الذكاء الاصطناعي لتصنيف التهوية بالمنظار الحنجري والصعوبة (VIDIAC-AI). أظهر نموذج CL-AI أداءً قويًا مع منطقة تحت المنحنى (AUC) قدرها 0.86، بينما حقق نموذج VIDIAC-AI AUC قدره 0.82، على الرغم من انخفاض الدقة ودرجات F1.
تشير النتائج إلى أن نموذج CL-AI يمكنه تحديد حالات صعوبة المنظار الحنجري المباشر بفعالية، بينما يكون نموذج VIDIAC-AI أكثر ملاءمة لتصنيف المخاطر بعد تقييم إيجابي من CL-AI. تبرز الدراسة التحديات مثل انخفاض نسبة حالات صعوبة المنظار الحنجري بالفيديو وإمكانية الإفراط في ملاءمة النموذج بسبب عدم توازن الفئات. على الرغم من هذه القيود، يظهر الإطار المقترح وعدًا في تعزيز إدارة مجرى الهواء المحيطة بالعملية. يجب أن تركز الأعمال المستقبلية على التحقق الخارجي عبر مجموعات سكانية متنوعة لتأسيس المزيد من القوة والملاءمة السريرية لهذا النظام في اتخاذ القرار.
DOI: https://doi.org/10.1371/journal.pone.0342339
PMID: https://pubmed.ncbi.nlm.nih.gov/41706751
Publication Date: 2026-02-18
Author(s): Chunmeng Fu et al.
Primary Topic: Airway Management and Intubation Techniques
Overview
The research presents a novel ultrasound image-based artificial intelligence (AI) framework aimed at predicting difficult airway scenarios, addressing the challenges associated with early warning systems in this context. The study introduces a “two-model, three-step” hierarchical strategy that leverages deep learning techniques to enhance the assessment of difficult laryngoscopic exposure. The internal validation results indicate that the CL-AI model achieved an area under the curve (AUC) of 0.86, with an accuracy of 0.84, while the VIDIAC-AI model yielded an AUC of 0.82 and an accuracy of 0.81. These models demonstrated comparable sensitivity and specificity, although precision and F1 scores were lower, particularly for the VIDIAC-AI model.
The findings suggest that integrating ultrasound imaging with deep learning algorithms can significantly improve preoperative airway risk assessment, providing valuable insights for clinicians. However, the proposed framework is intended as a decision-support tool rather than a standalone diagnostic method. The authors emphasize the need for further validation through larger multicenter studies to optimize model performance and address potential privacy concerns associated with data handling.
Introduction
The introduction of this research paper highlights the critical role of airway management in clinical settings such as the intensive care unit (ICU), emergency department, and anesthesiology. It notes the variability in laryngoscope selection—between direct laryngoscopes (DL) and video laryngoscopes (VL)—which is influenced by individual physician experience and the absence of standardized protocols. While VL has been shown to enhance glottic visualization and improve first-attempt intubation success in some emergency situations, its efficacy in critically ill patients remains contentious, often hinging on the operator’s skill and experience. Traditional airway assessment methods, such as the Mallampati classification, are limited by subjective factors and low predictive accuracy, prompting the exploration of ultrasound as a more reliable tool for preoperative airway assessment.
The paper proposes leveraging artificial intelligence (AI), specifically deep learning models, to enhance airway risk stratification by utilizing ultrasound images. Current studies have primarily focused on predicting difficult laryngoscopy exposure using facial features or laryngeal sound signals, with limited exploration of VL scenarios. The authors argue that ultrasound images provide a clearer representation of anatomical structures relevant to airway management and propose that AI models can effectively differentiate between difficult laryngoscopic exposure under both DL and VL. This research aims to develop deep learning models that can accurately classify airway risk, facilitating better clinical decision-making and potentially reducing complications associated with inappropriate intubation device selection.
Methods
In this prospective study, 903 patients undergoing elective general anesthesia surgery at the Affiliated Hospital of Qingdao University were included between May 2024 and April 2025. The dataset was divided into 752 cases for model training and validation, while 151 cases were designated as an internal test set. Two convolutional neural network-based artificial intelligence models were developed: CL-AI for initial screening and VIDIAC-AI for secondary risk stratification. Model performance was assessed through five-fold cross-validation and internal testing, although external validation was not conducted.
The study received ethical approval from the Ethics Committee of the Affiliated Hospital (Approval No.: QYFYEC2024-68) and was registered with the Chinese Clinical Trial Registry (Registration No.: ChiCTR2400084274). Written informed consent was obtained from all participants. An interim analysis after enrolling 300 patients revealed a significant drop in model performance, with an area under the curve (AUC) value below 0.75, indicating inadequate generalization. Consequently, the sample size was increased approximately threefold to enhance the model’s robustness and generalization ability, while maintaining consistency with the original research protocol.
Results
In a study involving 903 patients, the incidence of difficult laryngoscopy was significantly higher with direct laryngoscopy, occurring in 189 cases (20.9%), compared to only 50 cases (5.5%) with video laryngoscopy. This finding suggests that video laryngoscopy may provide a more favorable outcome in terms of ease of intubation, potentially reducing the risk of complications associated with difficult airway management. The results underscore the importance of utilizing video laryngoscopy as a preferred technique in clinical practice to enhance patient safety during airway procedures.
Discussion
The study presents a novel approach to predicting difficult laryngoscopic exposure during tracheal intubation by integrating ultrasound imaging with deep learning techniques. Data were collected from 903 patients undergoing elective surgeries, with 752 samples used for training and validation of a difficult airway visualization model, and 151 samples reserved for internal testing. The study employed a two-model, three-step decision-making framework, utilizing the Cormack-Lehane classification artificial intelligence model (CL-AI) and the Videolaryngoscopic Intubation and Difficult Airway Classification artificial intelligence model (VIDIAC-AI). The CL-AI model demonstrated strong performance with an area under the curve (AUC) of 0.86, while the VIDIAC-AI model achieved an AUC of 0.82, albeit with lower precision and F1 scores.
The findings indicate that the CL-AI model can effectively identify difficult direct laryngoscopy cases, whereas the VIDIAC-AI model is better suited for risk stratification following a positive CL-AI assessment. The study highlights challenges such as the low incidence of difficult video laryngoscopy cases and the potential for model overfitting due to class imbalance. Despite these limitations, the proposed framework shows promise for enhancing perioperative airway management. Future work should focus on external validation across diverse populations to further establish the robustness and clinical applicability of this decision-making system.