困難氣道評估及決策支持系統的初步探索

羅瑋，韓永正，郭向陽

1.國家知識產權局專利局 專利審查協作北京中心，北京 100160；2.北京大學第三醫院 麻醉科，北京 100191

引言

在圍術期領域中，麻醉易產生一些不良后果，如氣道損傷、腦損傷甚至死亡，因此，氣道管理尤為重要[1]。目前，頸椎病患者的發病率呈逐年上升的趨勢，頸椎病患者因頸椎活動度受限，通常合并困難氣道，困難喉鏡暴露比例顯著升高[2-3]。Han 等[4]的前期研究顯示，擇期頸椎手術患者困難喉鏡暴露的發生率為17.1%，遠超過一般手術的5.8%[5]。導致困難氣道的具體原因并不明確，可能涉及患者口腔軟組織堆積、頸部活動度下降、咽喉軟組織堆積、會厭過長等因素。目前我國手術量激增，在舒適化醫療背景下，在醫院高效運轉的過程中，麻醉科已成為把控圍術期風險的最后一道關卡，并且隨著計算機和人工智能的發展，在困難氣道的判斷中引入計算機加以輔助，可以有效提高操作的準確性和效率，基于此，本文旨在綜述困難氣道的評估指標、困難氣道評估的專利技術、困難氣道評估決策支持系統及其實現，以期為建立困難氣道評估決策支持系統提供一定的理論依據。

1 困難氣道的評估指標

1.1 外觀指標

臨床上，困難氣道可以采用一些方便獲得的一些外觀指標進行評估，但敏感度較低，如Yildiz等[6]研究表明，僅利用張口度作為指標，敏感度為0.35；Merah 等[7]研究提示，僅采用甲頦距離指標，敏感度為0.15；Hilditch等[8]認為僅采用頭頸活動度作為指標，其可靠性較低，且由于改良Mallampati 分級能反映口咽部軟組織的情況，可以作為評估困難氣道重要的外觀指標。但有研究表明，采用Mallampati 分級來進行困難氣道的預測的敏感度僅為0.35[9]。Han 等[10]研究表明，男性、肥胖及年齡偏大的患者易出現困難喉鏡暴露，頸圍/張口度是外觀指標中較好的預測指標，優于Mallampati 分級、張口度、頸圍、甲頦距離、頸圍/甲頦間距。由于外觀評估指標只能反映患者口腔軟組織及頭頸活動度情況，對于咽喉部內在軟組織及骨性結構的異常不能做出評價，因而需要輔助影像學技術對氣道進行準確完善的評估。

1.2 X線指標

下頜內在空間和舌體大小可以通過下頜骨的輪廓予以反映，如果下頜后部深度和下頜長度的比值大于0.28，則對困難喉鏡暴露具有提示意義[11]；寰枕間距可以反映頭頸的活動能力，間距越大，頭頸活動度越大；上頜軸（平行硬腭）與咽軸（通過寰椎、樞椎最前緣的直線）之間的角度也可以作為指標，當兩者間的夾角＜90°時，屬于喉鏡暴露困難[12]。Han 等[4]前期針對X 線相關指標的研究提示，頜舌間距（舌骨高點到下頜下緣的垂直距離）是預測困難喉鏡暴露較好的指標，預測準確性可達83.2%，且此范圍內的組織為深部的舌體及下頜舌骨肌，因而推測，深部舌體及下頜舌骨肌在頜舌范圍內占比增大，可能導致患者出現困難喉鏡暴露。X 線可較好地反映骨性結構異常，但是對于軟組織異常導致的困難氣道不能做出有效評估。

1.3 CT指標

外觀評估視野只能深至懸雍垂周圍的口腔結構，而上氣道CT 掃描能夠將視野延伸至咽喉部聲門周圍，有利于術前篩選出外觀正常但內部解剖異常的困難氣道高危患者。有研究表明，運用CT 進行困難氣道的評估，預測準確性顯著高于改良Mallampati 分級[13]，但對于軟組織的評估價值低于核磁共振技術。

1.4 超聲指標

超聲可用來觀察舌體、會厭、舌骨、聲帶等上氣道解剖結構，近年來常應用于評價和預測困難氣道。通過超聲可以測量得到頸前軟組織的厚度，該數據可以作為判斷困難喉鏡暴露的指標[14]；Andruszkiewicz 等[15]研究結果提示，頦舌距離（下頦到舌骨距離）越短，越易發生困難喉鏡暴露，并且與舌體容積無關；Pinto 等[16]研究結果表明，皮膚到會厭的距離也可以作為困難喉鏡暴露的指標；Han 等[17]針對文獻已報道的5 個超聲預測指標，利用MRI 進行驗證，結果表明，皮膚到舌骨距離（P=0.18）、皮膚到會厭距離（P=0.72）、皮膚到甲狀軟骨距離（P=0.10）、皮膚到聲門距離（P=0.44）、皮膚到氣管前壁距離（P=0.92）均不能有效預測頸椎病患者的困難喉鏡暴露情況。臨床上麻醉醫師使用超聲進行困難氣道評估時，與患者體位、操作熟練程度、圖像鑒別能力等因素有關。

1.5 MRI指標

Goni-Zaballa 等[18]報道了1 例患有Klippel-Feil 綜合征的患者，當氣管插管失敗后，進行MRI 檢查，雖然其氣道的直徑是正常的，但由于其口咽部淋巴組織和舌扁桃體的肥大，使得咽腔體積縮小，所以在查明原因后，成功實施了氣管插管，這也說明對高危患者術前行MRI 檢查對圍術期氣道管理有重要意義。Han 等[4]利用MRI 分析咽喉部軟組織結構發現，會厭長度可作為困難氣道的有效預測指標（P＜0.01），但舌根到咽后壁距離（P=0.71）、會厭到咽喉壁距離（P=0.93）、懸雍垂到咽后壁的距離（P=0.29）、聲門到咽后壁距離（P=0.50）均不能預測困難喉鏡暴露。MRI 對于氣道軟組織的評估優勢明顯，但對于骨性異常結構的評價作用有限，因而臨床使用時需綜合考慮。

1.6 綜合評估指標

很多國家采用Wilson 風險評分作為預測困難氣管插管的評分工具，Wilson 風險評分主要包括5 個指標：體重90～110 kg 為1 分，＞110 kg 為2 分；頭頸活動度約90°為1 分，＜90°為2 分；張口度5 cm 為1 分，＜5 cm為2 分；下頜退縮程度中等為1 分，嚴重為2 分；門齒前突能力中等為1 分，嚴重為2 分。在預測困難氣管插管的準確性方面，Wilson 風險評分優于改良Mallampati分級以及甲頦間距，其受試者特征曲線下的面積為0.91[19]。1998 年，美國麻醉醫師El-Ganzouri 等[20]研究比較了一系列困難氣管插管相關變量后，總結了一種多元化風險指數評分法，該評分法由7 個項目組成：張口度＜4 cm 為1 分；甲頦間距6～6.5 cm 為1 分，＜6 cm 為2 分；徒手肌力評定（Manual Muscle Test，MMT）Ⅱ級為1 分，Ⅲ～Ⅳ級為2 分；頸部活動度80°～90°為1分，＜90°為2 分；下齒不能前移為1 分；體重90～110 kg 為1 分，＞110 kg 為2 分；有困難氣管插管史為2分，不確定是否有困難插管史為1 分。當該評分≥7 分時，可以采用電子氣管鏡進行清醒氣管插管；當該評分＜7 分時，則可以利用視頻喉鏡氣管插管，以此能夠將困難氣管插管的發生率降低至0.14%。多元化風險指數評分法可以較好地評估困難氣道患者。Baspinar 等[21]對200 例接受頭頸部手術患者進行下列體格檢查：下頜結構、張口度、下頜運動、牙齒結構、MMT、頭頸部運動、頸圍、甲頦和胸頦距離、寰枕關節活動度、上唇咬合試驗、Wilson 評分和Cormack-Lehane 分類進行評估，認為MMT（P=0.002）、Wilson 評分（P＜0.0001）、上唇咬合試驗（P＜0.0001）和張口度（P＜0.0001）與困難喉鏡暴露和困難插管有關。Roth 等[22]認為上唇咬合試驗用于診斷困難喉鏡暴露的敏感性最高（P＜0.001），改良的MMT 試驗對診斷困難氣管插管的敏感性最高（P＜0.001）。

2 困難氣道評估的專利技術

與其他形式的文獻相比較而言，專利文獻通常更具有新穎性和創造性，其中往往包含專利申請人不得不對外公開的技術信息，尤其是對于涉及實際應用的領域，通過充分檢索和深入分析相關專利文獻，可以獲取本領域更新、更全面的技術發展動態信息。因此通過對相關專利的了解可以更好地指導研究和應用。

以困難氣道評估為基本檢索要求，并結合分類號（A61B 涉及診斷及外科、G16H 涉及專門用于處置或處理醫療或健康數據的信息和通信技術）在中國專利全文數據庫檢索，相關數據的檢索截止日期為2022 年12 月10 日。本文針對基金項目研究的需要，對專利文獻進行了充分篩選，重點聚焦困難氣道評估相關的技術應用。倪紅偉等[23]提出了一種氣道測量的數據處理的方法，其結合了Mallampati 分級和超聲測量甲狀軟骨至會厭的距離兩種評估方法，減少了使用的指標數量。姚衛東等[24]提出了一種預測困難氣道的計算機應用軟件及氣道管理數據系統，其在對上氣道的解剖模擬坐標系建立過程中，結合了患者自身的上氣道解剖特征，并定位了一些解剖特征點，這些解剖特征點均與困難氣道的形成相關，同時利用圖形編輯控制技術在控制電腦上實現了上氣道模擬圖形建立過程的可交互操作，并在喉鏡檢查時建立上氣道解剖參數的回歸方程，據此制定計算機圖形控制規則，通過計算患者的聲門視野實現患者是否是困難氣道的預測，其后續的專利申請進一步將上述技術應用到氣道管理導航中[25]。夏明等[26]提出了一種基于人工智能的困難氣道評估方法，根據多個姿勢下的面部圖像提取特征信息，并將該信息通過經訓練的困難氣道分類器，從而對困難氣道嚴重程度評分得到困難氣道的評估結果，其申請的另一類是根據患者的語音數據提取聲學、聲紋或語音識別特征信息，通過訓練好的困難氣道分類器對提取的特征信息進行困難氣道嚴重程度評分，得到最終的評估結果[27-30]。張加強等[31]提出了基于多通道融合的圖像識別方法，其首先獲取多幅人體口腔區域圖像，再進行多通道融合處理，對融合后的圖像進行一系列指標的判斷以確定是否為困難氣道。用于判斷的指標包括氣道（Mallampati）分級是否大于等于指定級別、張口度是否小于預定值、頸長是否小于設定值或者頸圍是否小于設定值、頭頸活動度是否小于特定角度以及甲頦間距是否小于指定距離等。李文獻等[32]提出了基于人工智能的氣道評估終端，突破了一直以來僅對靜態圖片的分析，通過對面部數據3D 重建進行面部評估，通過對口腔可視環境的數學化分析和機器學習進行口腔評估，對人體頭部的整體動態捕捉來進行動態體格評估，對呼吸氣流的頻率分析和氣流變化的機器學習進行肺功能的評估，基于咽喉部解剖結構圖像數據的聲門識別來進行聲門評估，對評估數據結合基礎信息進行綜合判斷來生成聲道評估報告，實現了對氣道評估判斷標準的數字化分析，給出氣道的綜合評估結果。目前，借助計算機實現有關困難氣道評估屬于新興領域，專利申請數量處于起步上升階段，發展速度快，研究方向涵蓋了測量數據的優化、多特征信息的引入、針對性的圖像處理、三維信息的使用以及人工智能等方向。目前我國在該領域的申請主體是各大醫院及其合作研發的科研院校，體現了臨床需求主體與科研創新主體的合作模式是解決臨床實際創新需求的一種高效合作的趨勢。

3 困難氣道評估決策支持系統的進展

由于困難氣道評估對臨床工作安全的重要性，從傳統的評估指標到近年來借助計算機技術所研發的氣道評估工具專利，氣道評估工具開發的進步有賴于多元化的合作模式，而這種模式逐漸從單一方面對數據的處理過渡到雙向反饋閉環的迭代模式。位于最前端的是麻醉醫師日常接觸的信息系統，以此作為載體，通過機器學習等人工智能、大數據分析等一系列核心技術的運用，加速了這種交互更新優化模式，可以使計算機在無需人工干預或輔助的條件下自動學習以及根據情況作出調整。

3.1 基于人工智能的臨床決策系統

基于人工智能的臨床決策支持系統，是能夠自主學習與分析結構化和非結構化數據（如MRI 數據、重要器官支持數據、實驗室數據、視頻及影像等）的組合，從而產生臨床決策支持的綜合數據分析與決策系統[33]。術前篩選出潛在困難氣道患者，有利于減少臨床上非預料的困難氣道，進而避免急癥氣道的出現，有利于優化圍術期困難氣道的處理流程，制訂相應氣道決策。傳統氣道評估多采用改良Mallampati 分級、Wilson 評分、Arne評分以及結合個別影像學指標開發出的Naguib 評估等，上述方法均是在較小人群樣本的基礎上采用Logistics 回歸技術開發的。目前國內外均缺乏針對高風險人群建立困難氣道發生風險的評估決策模型。近年來，數據挖掘方法日趨成熟，為醫療大數據的廣泛應用奠定了基礎，針對龐大復雜的數據集，源于人工智能的機器學習技術結合核心評估指標，可建立準確可靠、方便實用的困難氣道評估決策支持系統。麻醉醫師可以在術前準確、高效地評估患者氣道情況，篩選出困難氣道患者，對其進行個體化麻醉方案的建議，可顯著減少非預料的困難氣道出現，避免患者出現通氣困難甚至窒息死亡的風險。

3.2 機器學習在數據集分析中的應用

機器學習包含建模過程，通過使用訓練數據進行訓練，進而處理后續數據以作出預測。根據困難氣道預測結果的性質，需要選擇有監督的分類學習算法。隨著機器學習和知識推理的理念與方法應用到決策支持系統領域，醫學相關的評估決策支持系統也取得了同步發展。目前機器學習在臨床醫學領域的應用越來越受到重視[30]，支持向量機、隨機森林和XGboost 等方法被廣泛用于系統的學習建模過程。支持向量機算法根據訓練樣本數據構造一個進行決策的超曲面，該曲面可將樣本數據分隔成兩類，通過未知樣本與超曲面的位置關系確定其類別[35]；隨機森林將每個決策樹的結果進行總結，通過重復多次隨機抽取樣本，建立不同的決策樹獨立訓練，然后對所有決策樹的分類結果進行判定[36]；XGBoost 可進行大多數分類問題的訓練，針對每一輪訓練中準確度低的數據進行權重分配，最終突出了分類質量高的決策樹權重，從而提高算法的準確性和泛化能力。相比傳統的機器學習算法，XGBoost 支持并行運算，速度更快，不易受異常值的干擾，預測的準確率也更高[37]。

3.3 基于網絡數據共享的多層模型構架及優化歸納

考慮到系統的易推廣性以及便于維護等后期使用的要求，困難氣道評估決策支持系統的建設可采用瀏覽器/服務器模型（B/S 體系結構）構建；系統框架的開發可采用模型-視圖-控制器模式，有效減少數據描述與應用程序操作間的耦合度，提高各組件的復用性。模型層是應用程序中用于對接數據的部分，包括推理引擎接口和知識庫、數據訪問接口及其配套的數據庫；控制層包括風險評估和預測的業務邏輯，參數登記管理和在院信息管理；視圖層主要用于展示數據，包括界面配置文件、錄入展示組件、數據交互模塊。系統具備輔助登記、風險評估、輔助決策等功能。同時，系統可設置不同的權限，并提供數據導出和管理功能，以方便臨床回顧性研究[36]。

傳統模型的所有參數由知識庫初始狀態下的患者數據決定，誤差不能隨著樣本的不斷累積而減小。為解決此問題，確保模型提供決策支持且具有較高的預測準確性，可以在初始知識庫的基礎上，輸入患者后續的評估指標參數、實際氣道分級和氣道工具進行自動學習和知識庫更新，以確保不斷優化的評估模型始終具有高靈敏度和高特異性，提供更有力的輔助決策。推理功能是以Web 服務的形式實現的，在服務器上部署的軟件服務中封裝推理引擎，向系統上層提供，以完成知識庫自動學習和模型持續優化的實現。作為計算機輔助決策系統的重要組件，推理引擎用于在線優化模型以提供診斷結論。用戶僅需要通過標準數據接口將患者數據傳遞到服務器端推理引擎，推理引擎根據最佳機器學習算法計算后，將診斷結果通過Web 網絡返回到用戶界面利用機器學習的方法篩選出有價值的困難氣道預測指標，研究困難氣道發生風險預測模型，進而建立具備持續在線優化性能的困難氣道評估決策支持系統，預測結果可提出預警及最佳備選方案，為氣道工具的選擇提供決策指導，顯著降低非預料的困難氣道發生。各醫院與服務器端的網絡采用專用的數據共享網絡，與公共互聯網進行物理隔離，以保證信息傳輸安全。在服務器端與各醫院的數據交互中還可以通過增加用戶鑒權及身份認證環節進一步提高數據傳輸安全性。這種通過數據共享，網絡智能數據分析的模式，將是未來構建困難氣道評估決策系統的重要基礎[36]。

4 總結與展望

目前針對困難氣道的臨床研究，盡管預測指標眾多，但仍缺乏多中心、大樣本、高質量的臨床研究。未來尚需通過搭建全國范圍內的困難氣道患者信息化數據庫，實現數據共享與信息整合來彌補在數據體量上的缺陷。一方面，從前端進行科學而廣泛的數據收集，另一方面，在數據分析上，需要進一步結合目前先進的機器學習算法，實現對臨床數據有針對性且切實有效分析，從而提高困難氣道評估決策系統的準確性。針對有創新能力和科研基礎的研究單位，醫院及臨床麻醉醫生應該發揮對于臨床創新點與精尖特色技術結合的敏銳度，深化這種具有實際使用需求的創新主體與具有較強科研能力的創新主體的合作，并加快在該領域的創新速度，拓展專利申請的廣度，確實提升產業化效率。由于各個醫院水平和醫務人員經驗差異，對困難氣道的評估和決策缺乏統一的質量管控與預警。后期在全國網絡信息平臺進行推廣，可以充分實現知識共享，幫助麻醉醫師、急診科醫師提高困難氣道識別的準確率，指導其高效安全地處理困難氣道患者。困難氣道評估決策支持系統的建設，有利于將優質醫療資源下沉，推進全國范圍內醫療水平均質化健康發展。