困难气道评估及决策支持系统的初步探索

罗玮，韩永正，郭向阳

1.国家知识产权局专利局 专利审查协作北京中心，北京 100160；2.北京大学第三医院 麻醉科，北京 100191

引言

在围术期领域中，麻醉易产生一些不良后果，如气道损伤、脑损伤甚至死亡，因此，气道管理尤为重要[1]。目前，颈椎病患者的发病率呈逐年上升的趋势，颈椎病患者因颈椎活动度受限，通常合并困难气道，困难喉镜暴露比例显著升高[2-3]。Han 等[4]的前期研究显示，择期颈椎手术患者困难喉镜暴露的发生率为17.1%，远超过一般手术的5.8%[5]。导致困难气道的具体原因并不明确，可能涉及患者口腔软组织堆积、颈部活动度下降、咽喉软组织堆积、会厌过长等因素。目前我国手术量激增，在舒适化医疗背景下，在医院高效运转的过程中，麻醉科已成为把控围术期风险的最后一道关卡，并且随着计算机和人工智能的发展，在困难气道的判断中引入计算机加以辅助，可以有效提高操作的准确性和效率，基于此，本文旨在综述困难气道的评估指标、困难气道评估的专利技术、困难气道评估决策支持系统及其实现，以期为建立困难气道评估决策支持系统提供一定的理论依据。

1 困难气道的评估指标

1.1 外观指标

临床上，困难气道可以采用一些方便获得的一些外观指标进行评估，但敏感度较低，如Yildiz等[6]研究表明，仅利用张口度作为指标，敏感度为0.35；Merah 等[7]研究提示，仅采用甲颏距离指标，敏感度为0.15；Hilditch等[8]认为仅采用头颈活动度作为指标，其可靠性较低，且由于改良Mallampati 分级能反映口咽部软组织的情况，可以作为评估困难气道重要的外观指标。但有研究表明，采用Mallampati 分级来进行困难气道的预测的敏感度仅为0.35[9]。Han 等[10]研究表明，男性、肥胖及年龄偏大的患者易出现困难喉镜暴露，颈围/张口度是外观指标中较好的预测指标，优于Mallampati 分级、张口度、颈围、甲颏距离、颈围/甲颏间距。由于外观评估指标只能反映患者口腔软组织及头颈活动度情况，对于咽喉部内在软组织及骨性结构的异常不能做出评价，因而需要辅助影像学技术对气道进行准确完善的评估。

1.2 X线指标

下颌内在空间和舌体大小可以通过下颌骨的轮廓予以反映，如果下颌后部深度和下颌长度的比值大于0.28，则对困难喉镜暴露具有提示意义[11]；寰枕间距可以反映头颈的活动能力，间距越大，头颈活动度越大；上颌轴（平行硬腭）与咽轴（通过寰椎、枢椎最前缘的直线）之间的角度也可以作为指标，当两者间的夹角＜90°时，属于喉镜暴露困难[12]。Han 等[4]前期针对X 线相关指标的研究提示，颌舌间距（舌骨高点到下颌下缘的垂直距离）是预测困难喉镜暴露较好的指标，预测准确性可达83.2%，且此范围内的组织为深部的舌体及下颌舌骨肌，因而推测，深部舌体及下颌舌骨肌在颌舌范围内占比增大，可能导致患者出现困难喉镜暴露。X 线可较好地反映骨性结构异常，但是对于软组织异常导致的困难气道不能做出有效评估。

1.3 CT指标

外观评估视野只能深至悬雍垂周围的口腔结构，而上气道CT 扫描能够将视野延伸至咽喉部声门周围，有利于术前筛选出外观正常但内部解剖异常的困难气道高危患者。有研究表明，运用CT 进行困难气道的评估，预测准确性显著高于改良Mallampati 分级[13]，但对于软组织的评估价值低于核磁共振技术。

1.4 超声指标

超声可用来观察舌体、会厌、舌骨、声带等上气道解剖结构，近年来常应用于评价和预测困难气道。通过超声可以测量得到颈前软组织的厚度，该数据可以作为判断困难喉镜暴露的指标[14]；Andruszkiewicz 等[15]研究结果提示，颏舌距离（下颏到舌骨距离）越短，越易发生困难喉镜暴露，并且与舌体容积无关；Pinto 等[16]研究结果表明，皮肤到会厌的距离也可以作为困难喉镜暴露的指标；Han 等[17]针对文献已报道的5 个超声预测指标，利用MRI 进行验证，结果表明，皮肤到舌骨距离（P=0.18）、皮肤到会厌距离（P=0.72）、皮肤到甲状软骨距离（P=0.10）、皮肤到声门距离（P=0.44）、皮肤到气管前壁距离（P=0.92）均不能有效预测颈椎病患者的困难喉镜暴露情况。临床上麻醉医师使用超声进行困难气道评估时，与患者体位、操作熟练程度、图像鉴别能力等因素有关。

1.5 MRI指标

Goni-Zaballa 等[18]报道了1 例患有Klippel-Feil 综合征的患者，当气管插管失败后，进行MRI 检查，虽然其气道的直径是正常的，但由于其口咽部淋巴组织和舌扁桃体的肥大，使得咽腔体积缩小，所以在查明原因后，成功实施了气管插管，这也说明对高危患者术前行MRI 检查对围术期气道管理有重要意义。Han 等[4]利用MRI 分析咽喉部软组织结构发现，会厌长度可作为困难气道的有效预测指标（P＜0.01），但舌根到咽后壁距离（P=0.71）、会厌到咽喉壁距离（P=0.93）、悬雍垂到咽后壁的距离（P=0.29）、声门到咽后壁距离（P=0.50）均不能预测困难喉镜暴露。MRI 对于气道软组织的评估优势明显，但对于骨性异常结构的评价作用有限，因而临床使用时需综合考虑。

1.6 综合评估指标

很多国家采用Wilson 风险评分作为预测困难气管插管的评分工具，Wilson 风险评分主要包括5 个指标：体重90～110 kg 为1 分，＞110 kg 为2 分；头颈活动度约90°为1 分，＜90°为2 分；张口度5 cm 为1 分，＜5 cm为2 分；下颌退缩程度中等为1 分，严重为2 分；门齿前突能力中等为1 分，严重为2 分。在预测困难气管插管的准确性方面，Wilson 风险评分优于改良Mallampati分级以及甲颏间距，其受试者特征曲线下的面积为0.91[19]。1998 年，美国麻醉医师El-Ganzouri 等[20]研究比较了一系列困难气管插管相关变量后，总结了一种多元化风险指数评分法，该评分法由7 个项目组成：张口度＜4 cm 为1 分；甲颏间距6～6.5 cm 为1 分，＜6 cm 为2 分；徒手肌力评定（Manual Muscle Test，MMT）Ⅱ级为1 分，Ⅲ～Ⅳ级为2 分；颈部活动度80°～90°为1分，＜90°为2 分；下齿不能前移为1 分；体重90～110 kg 为1 分，＞110 kg 为2 分；有困难气管插管史为2分，不确定是否有困难插管史为1 分。当该评分≥7 分时，可以采用电子气管镜进行清醒气管插管；当该评分＜7 分时，则可以利用视频喉镜气管插管，以此能够将困难气管插管的发生率降低至0.14%。多元化风险指数评分法可以较好地评估困难气道患者。Baspinar 等[21]对200 例接受头颈部手术患者进行下列体格检查：下颌结构、张口度、下颌运动、牙齿结构、MMT、头颈部运动、颈围、甲颏和胸颏距离、寰枕关节活动度、上唇咬合试验、Wilson 评分和Cormack-Lehane 分类进行评估，认为MMT（P=0.002）、Wilson 评分（P＜0.0001）、上唇咬合试验（P＜0.0001）和张口度（P＜0.0001）与困难喉镜暴露和困难插管有关。Roth 等[22]认为上唇咬合试验用于诊断困难喉镜暴露的敏感性最高（P＜0.001），改良的MMT 试验对诊断困难气管插管的敏感性最高（P＜0.001）。

2 困难气道评估的专利技术

与其他形式的文献相比较而言，专利文献通常更具有新颖性和创造性，其中往往包含专利申请人不得不对外公开的技术信息，尤其是对于涉及实际应用的领域，通过充分检索和深入分析相关专利文献，可以获取本领域更新、更全面的技术发展动态信息。因此通过对相关专利的了解可以更好地指导研究和应用。

以困难气道评估为基本检索要求，并结合分类号（A61B 涉及诊断及外科、G16H 涉及专门用于处置或处理医疗或健康数据的信息和通信技术）在中国专利全文数据库检索，相关数据的检索截止日期为2022 年12 月10 日。本文针对基金项目研究的需要，对专利文献进行了充分筛选，重点聚焦困难气道评估相关的技术应用。倪红伟等[23]提出了一种气道测量的数据处理的方法，其结合了Mallampati 分级和超声测量甲状软骨至会厌的距离两种评估方法，减少了使用的指标数量。姚卫东等[24]提出了一种预测困难气道的计算机应用软件及气道管理数据系统，其在对上气道的解剖模拟坐标系建立过程中，结合了患者自身的上气道解剖特征，并定位了一些解剖特征点，这些解剖特征点均与困难气道的形成相关，同时利用图形编辑控制技术在控制电脑上实现了上气道模拟图形建立过程的可交互操作，并在喉镜检查时建立上气道解剖参数的回归方程，据此制定计算机图形控制规则，通过计算患者的声门视野实现患者是否是困难气道的预测，其后续的专利申请进一步将上述技术应用到气道管理导航中[25]。夏明等[26]提出了一种基于人工智能的困难气道评估方法，根据多个姿势下的面部图像提取特征信息，并将该信息通过经训练的困难气道分类器，从而对困难气道严重程度评分得到困难气道的评估结果，其申请的另一类是根据患者的语音数据提取声学、声纹或语音识别特征信息，通过训练好的困难气道分类器对提取的特征信息进行困难气道严重程度评分，得到最终的评估结果[27-30]。张加强等[31]提出了基于多通道融合的图像识别方法，其首先获取多幅人体口腔区域图像，再进行多通道融合处理，对融合后的图像进行一系列指标的判断以确定是否为困难气道。用于判断的指标包括气道（Mallampati）分级是否大于等于指定级别、张口度是否小于预定值、颈长是否小于设定值或者颈围是否小于设定值、头颈活动度是否小于特定角度以及甲颏间距是否小于指定距离等。李文献等[32]提出了基于人工智能的气道评估终端，突破了一直以来仅对静态图片的分析，通过对面部数据3D 重建进行面部评估，通过对口腔可视环境的数学化分析和机器学习进行口腔评估，对人体头部的整体动态捕捉来进行动态体格评估，对呼吸气流的频率分析和气流变化的机器学习进行肺功能的评估，基于咽喉部解剖结构图像数据的声门识别来进行声门评估，对评估数据结合基础信息进行综合判断来生成声道评估报告，实现了对气道评估判断标准的数字化分析，给出气道的综合评估结果。目前，借助计算机实现有关困难气道评估属于新兴领域，专利申请数量处于起步上升阶段，发展速度快，研究方向涵盖了测量数据的优化、多特征信息的引入、针对性的图像处理、三维信息的使用以及人工智能等方向。目前我国在该领域的申请主体是各大医院及其合作研发的科研院校，体现了临床需求主体与科研创新主体的合作模式是解决临床实际创新需求的一种高效合作的趋势。

3 困难气道评估决策支持系统的进展

由于困难气道评估对临床工作安全的重要性，从传统的评估指标到近年来借助计算机技术所研发的气道评估工具专利，气道评估工具开发的进步有赖于多元化的合作模式，而这种模式逐渐从单一方面对数据的处理过渡到双向反馈闭环的迭代模式。位于最前端的是麻醉医师日常接触的信息系统，以此作为载体，通过机器学习等人工智能、大数据分析等一系列核心技术的运用，加速了这种交互更新优化模式，可以使计算机在无需人工干预或辅助的条件下自动学习以及根据情况作出调整。

3.1 基于人工智能的临床决策系统

基于人工智能的临床决策支持系统，是能够自主学习与分析结构化和非结构化数据（如MRI 数据、重要器官支持数据、实验室数据、视频及影像等）的组合，从而产生临床决策支持的综合数据分析与决策系统[33]。术前筛选出潜在困难气道患者，有利于减少临床上非预料的困难气道，进而避免急症气道的出现，有利于优化围术期困难气道的处理流程，制订相应气道决策。传统气道评估多采用改良Mallampati 分级、Wilson 评分、Arne评分以及结合个别影像学指标开发出的Naguib 评估等，上述方法均是在较小人群样本的基础上采用Logistics 回归技术开发的。目前国内外均缺乏针对高风险人群建立困难气道发生风险的评估决策模型。近年来，数据挖掘方法日趋成熟，为医疗大数据的广泛应用奠定了基础，针对庞大复杂的数据集，源于人工智能的机器学习技术结合核心评估指标，可建立准确可靠、方便实用的困难气道评估决策支持系统。麻醉医师可以在术前准确、高效地评估患者气道情况，筛选出困难气道患者，对其进行个体化麻醉方案的建议，可显著减少非预料的困难气道出现，避免患者出现通气困难甚至窒息死亡的风险。

3.2 机器学习在数据集分析中的应用

机器学习包含建模过程，通过使用训练数据进行训练，进而处理后续数据以作出预测。根据困难气道预测结果的性质，需要选择有监督的分类学习算法。随着机器学习和知识推理的理念与方法应用到决策支持系统领域，医学相关的评估决策支持系统也取得了同步发展。目前机器学习在临床医学领域的应用越来越受到重视[30]，支持向量机、随机森林和XGboost 等方法被广泛用于系统的学习建模过程。支持向量机算法根据训练样本数据构造一个进行决策的超曲面，该曲面可将样本数据分隔成两类，通过未知样本与超曲面的位置关系确定其类别[35]；随机森林将每个决策树的结果进行总结，通过重复多次随机抽取样本，建立不同的决策树独立训练，然后对所有决策树的分类结果进行判定[36]；XGBoost 可进行大多数分类问题的训练，针对每一轮训练中准确度低的数据进行权重分配，最终突出了分类质量高的决策树权重，从而提高算法的准确性和泛化能力。相比传统的机器学习算法，XGBoost 支持并行运算，速度更快，不易受异常值的干扰，预测的准确率也更高[37]。

3.3 基于网络数据共享的多层模型构架及优化归纳

考虑到系统的易推广性以及便于维护等后期使用的要求，困难气道评估决策支持系统的建设可采用浏览器/服务器模型（B/S 体系结构）构建；系统框架的开发可采用模型-视图-控制器模式，有效减少数据描述与应用程序操作间的耦合度，提高各组件的复用性。模型层是应用程序中用于对接数据的部分，包括推理引擎接口和知识库、数据访问接口及其配套的数据库；控制层包括风险评估和预测的业务逻辑，参数登记管理和在院信息管理；视图层主要用于展示数据，包括界面配置文件、录入展示组件、数据交互模块。系统具备辅助登记、风险评估、辅助决策等功能。同时，系统可设置不同的权限，并提供数据导出和管理功能，以方便临床回顾性研究[36]。

传统模型的所有参数由知识库初始状态下的患者数据决定，误差不能随着样本的不断累积而减小。为解决此问题，确保模型提供决策支持且具有较高的预测准确性，可以在初始知识库的基础上，输入患者后续的评估指标参数、实际气道分级和气道工具进行自动学习和知识库更新，以确保不断优化的评估模型始终具有高灵敏度和高特异性，提供更有力的辅助决策。推理功能是以Web 服务的形式实现的，在服务器上部署的软件服务中封装推理引擎，向系统上层提供，以完成知识库自动学习和模型持续优化的实现。作为计算机辅助决策系统的重要组件，推理引擎用于在线优化模型以提供诊断结论。用户仅需要通过标准数据接口将患者数据传递到服务器端推理引擎，推理引擎根据最佳机器学习算法计算后，将诊断结果通过Web 网络返回到用户界面利用机器学习的方法筛选出有价值的困难气道预测指标，研究困难气道发生风险预测模型，进而建立具备持续在线优化性能的困难气道评估决策支持系统，预测结果可提出预警及最佳备选方案，为气道工具的选择提供决策指导，显著降低非预料的困难气道发生。各医院与服务器端的网络采用专用的数据共享网络，与公共互联网进行物理隔离，以保证信息传输安全。在服务器端与各医院的数据交互中还可以通过增加用户鉴权及身份认证环节进一步提高数据传输安全性。这种通过数据共享，网络智能数据分析的模式，将是未来构建困难气道评估决策系统的重要基础[36]。

4 总结与展望

目前针对困难气道的临床研究，尽管预测指标众多，但仍缺乏多中心、大样本、高质量的临床研究。未来尚需通过搭建全国范围内的困难气道患者信息化数据库，实现数据共享与信息整合来弥补在数据体量上的缺陷。一方面，从前端进行科学而广泛的数据收集，另一方面，在数据分析上，需要进一步结合目前先进的机器学习算法，实现对临床数据有针对性且切实有效分析，从而提高困难气道评估决策系统的准确性。针对有创新能力和科研基础的研究单位，医院及临床麻醉医生应该发挥对于临床创新点与精尖特色技术结合的敏锐度，深化这种具有实际使用需求的创新主体与具有较强科研能力的创新主体的合作，并加快在该领域的创新速度，拓展专利申请的广度，确实提升产业化效率。由于各个医院水平和医务人员经验差异，对困难气道的评估和决策缺乏统一的质量管控与预警。后期在全国网络信息平台进行推广，可以充分实现知识共享，帮助麻醉医师、急诊科医师提高困难气道识别的准确率，指导其高效安全地处理困难气道患者。困难气道评估决策支持系统的建设，有利于将优质医疗资源下沉，推进全国范围内医疗水平均质化健康发展。