【摘 要】氣道管理是臨床麻醉學(xué)、急救醫(yī)學(xué)和重癥醫(yī)學(xué)領(lǐng)域的重要技術(shù)之一，妥善的氣道管理可有效減少患者術(shù)后肺部并發(fā)癥、降低患者的死亡風(fēng)險(xiǎn)。人工智能在麻醉學(xué)領(lǐng)域的應(yīng)用日臻成熟，已成為現(xiàn)代麻醉實(shí)踐的重要組成部分。根據(jù)醫(yī)學(xué)影像信息識(shí)別困難氣道的算法模型可為復(fù)雜氣道評(píng)估提供輔助決策。當(dāng)前麻醉機(jī)器人在氣道管理領(lǐng)域的技術(shù)革新進(jìn)展顯著，已發(fā)展出基于機(jī)器視覺技術(shù)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)的機(jī)器人輔助氣管插管系統(tǒng)。本文將重點(diǎn)介紹人工智能時(shí)代麻醉機(jī)器人在氣道管理中的應(yīng)用進(jìn)展。

【關(guān)鍵詞】氣管插管；機(jī)器人；人工智能；機(jī)器學(xué)習(xí)；深度學(xué)習(xí)

【中圖分類號(hào)】R614；R782.05 【文獻(xiàn)標(biāo)志碼】A【收稿日期】2024-04-23

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上資助項(xiàng)目（編號(hào)：82071189）；首都衛(wèi)生發(fā)展專項(xiàng)資助項(xiàng)目（編號(hào)：首發(fā)2024-2-40912）。

Optimization strategy and practice analysis of airway management based on artificial intelligence

Zhao Meiyu1，Wang Mingya1，Han Yongzheng1，Guo Xiangyang1，Jia Fei2

（1. Department of Anesthesiology， Peking University Third Hospital；2. China Academy of Information and Communications Technology）

【Abstract】Airway management plays an important role in clinical anesthesiology，emergency medicine，and critical care medicine. Proper airway management can effectively reduce postoperative pulmonary complications and lower the risk of death for patients. The application of artificial intelligence in the field of anesthesiology is becoming increasingly mature and has become an important compo‐nent of modern anesthesia practice. The algorithm model that identifies difficult airway by analyzing medical imaging information can provide decision support for assessing complex airway. The technological innovation of anesthesia robots in airway management has made significant progress，and a robot-assisted tracheal intubation system based on machine vision technology and deep neural net‐work technology has been developed. This review focuses on the application progress of anesthesia robots in airway management in the era of artificial intelligence.

【Key words】tracheal intubation；robot；artificial intelligence；machine learning；deep learning

氣道管理是呼吸支持治療的重要技術(shù)之一。在圍術(shù)期領(lǐng)域，氣道管理失敗是麻醉相關(guān)死亡原因的首要因素，因氣道處理失敗致死的病例數(shù)占麻醉相關(guān)死亡病例總數(shù)的40%[1-2]。氣道管理一直是麻醉醫(yī)師、急診醫(yī)師ICU醫(yī)師面臨的最具挑戰(zhàn)性的工作之一，氣管插管成功與否直接影響患者預(yù)后轉(zhuǎn)歸。英國(guó)1項(xiàng)前瞻性研究統(tǒng)計(jì)了1年內(nèi)英國(guó)各地手術(shù)室、重癥醫(yī)學(xué)科、急診科發(fā)生的氣道相關(guān)不良事件，全麻期間呼吸系統(tǒng)主要并發(fā)癥發(fā)生率為46.3%（95%CI=38.4%～ 54.2%）/百萬(wàn)例次[3]。不能及時(shí)完成氣管插管或氣管導(dǎo)管位置不正確可能會(huì)導(dǎo)致患者窒息、低氧血癥、缺氧性心臟驟停甚至死亡[4-6]。即便氣管插管成功，前述不良事件的發(fā)生概率也會(huì)隨著插管次數(shù)的增加而顯著攀升。首次氣管插管失敗導(dǎo)致的不良事件發(fā)生率為14.2%，第二次嘗試為47.2%，第三次嘗試為63.6%[7]。院前急救等場(chǎng)景下，常伴隨患者血流動(dòng)力學(xué)劇烈波動(dòng)、飽胃、面部/頸部創(chuàng)傷和頸部固定等多種復(fù)雜狀況，急救人員的氣道管理經(jīng)常面臨挑戰(zhàn)[8-9]。因此，在危重患者中實(shí)現(xiàn)快速和成功的氣管插管至關(guān)重要。

人工智能輔助臨床醫(yī)生行氣管插管是一種創(chuàng)新的方法。利用深度學(xué)習(xí)技術(shù)，可通過面部圖像、上氣道整體空間結(jié)構(gòu)特征等影像資料構(gòu)建模型算法，用于識(shí)別潛在的困難氣道高?；颊?。在此基礎(chǔ)上，利用機(jī)器人輔助技術(shù)，包括遙操作控制機(jī)器人、視覺反饋控制機(jī)器人、光/磁導(dǎo)航機(jī)器人等，實(shí)現(xiàn)氣管插管操作。本文就近年來人工智能在氣道管理中的應(yīng)用進(jìn)展進(jìn)行綜述。

1 構(gòu)建困難氣道預(yù)測(cè)模型

氣道評(píng)估是氣道管理的重要前提。傳統(tǒng)的術(shù)前氣道評(píng)估手段包括張口度、頭頸活動(dòng)度、甲頦距離、Mallampati分級(jí)等多個(gè)外觀評(píng)估指標(biāo)，以及醫(yī)學(xué)影像檢查（X線、CT、MRI、超聲）的輔助評(píng)估。未預(yù)料的困難氣道是麻醉相關(guān)死亡和嚴(yán)重并發(fā)癥的主要原因。盡管麻醉醫(yī)生常規(guī)進(jìn)行術(shù)前氣道評(píng)估，但75%～93%的氣管插管困難屬于非預(yù)料困難氣道，常規(guī)術(shù)前氣道評(píng)估方法難以準(zhǔn)確識(shí)別[10]。人工智能依靠強(qiáng)大的學(xué)習(xí)能力和數(shù)據(jù)分析能力，通過建立困難氣道預(yù)測(cè)模型，可極大提高氣道異常解剖結(jié)構(gòu)的識(shí)別效率和準(zhǔn)確率。

1.1 機(jī)器學(xué)習(xí)

充分顯示聲門入口是成功進(jìn)行氣管插管的關(guān)鍵。作為人工智能的重要分支，機(jī)器學(xué)習(xí)通過深入學(xué)習(xí)和分析數(shù)據(jù)，賦予機(jī)器自主識(shí)別和處理數(shù)據(jù)的能力。2016年Carlson JN等[11]比較了麻醉專家和4種不同機(jī)器學(xué)習(xí)算法（K最鄰近、支持向量機(jī)、決策樹和卷積神經(jīng)網(wǎng)絡(luò)）對(duì)聲門識(shí)別的準(zhǔn)確率，旨在構(gòu)建一個(gè)用于評(píng)估困難氣道的輔助工具，研究結(jié)果表明：機(jī)器學(xué)習(xí)算法識(shí)別聲門入口的準(zhǔn)確率超過80%，其表現(xiàn)可與富有經(jīng)驗(yàn)的麻醉專家媲美。隨著算法模型的進(jìn)一步優(yōu)化，結(jié)合機(jī)器學(xué)習(xí)算法的視頻喉鏡有可能為操作者提供實(shí)時(shí)的氣管插管路徑導(dǎo)航，以幫助指導(dǎo)成功完成氣管插管。

2024年Xia M等[12]采用機(jī)器學(xué)習(xí)中的輕量梯度提升機(jī)算法（LightGBM）建立了通過面部分析識(shí)別困難氣道的算法模型，與使用logistic回歸算法建立的傳統(tǒng)模型的預(yù)測(cè)性能進(jìn)行了比較，Delong測(cè)試結(jié)果表明，人工智能模型在預(yù)測(cè)困難的視頻喉鏡檢查方面表現(xiàn)更好，提供了更大的臨床凈收益。研究分別采用平視位、伸舌位、張口位和側(cè)臥位的面部圖像。通過使用語(yǔ)音提示、攝像頭和算法，人工智能模型可以提供比傳統(tǒng)床旁氣道評(píng)估更好的預(yù)測(cè)效果。這些數(shù)據(jù)可以用于制定氣道管理計(jì)劃，并減少麻醉醫(yī)生的工作量。

上述機(jī)器學(xué)習(xí)算法（K最近鄰、支持向量機(jī)、決策樹、卷積神經(jīng)網(wǎng)絡(luò)、LightGBM等）各有其特點(diǎn)。K最近鄰算法簡(jiǎn)單直觀，但在處理大型數(shù)據(jù)集時(shí)計(jì)算成本較高；支持向量機(jī)在處理高維數(shù)據(jù)時(shí)表現(xiàn)出色，但在處理非線性問題時(shí)可能需要核技巧來提高性能；決策樹易于理解和實(shí)現(xiàn)，但容易過擬合。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）在圖像識(shí)別任務(wù)中表現(xiàn)出色，但需要大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。

1.2 深度學(xué)習(xí)

喉鏡圖像的計(jì)算機(jī)輔助分析有可能增加主觀評(píng)估的客觀性。深度學(xué)習(xí)算法作為機(jī)器學(xué)習(xí)的一個(gè)分支，利用多層神經(jīng)網(wǎng)絡(luò)模擬人腦的學(xué)習(xí)過程，通過逐層傳遞和學(xué)習(xí)，能自動(dòng)提取數(shù)據(jù)特征，并基于這些特征進(jìn)行預(yù)測(cè)或分類，具有改進(jìn)圖像分析的潛力，已在多種環(huán)境中表現(xiàn)出優(yōu)異性能[13]。

1.2.1 CNN CNN是深度學(xué)習(xí)的代表算法之一，能從圖像中提取關(guān)鍵特征，并根據(jù)這些特征完成圖像分類、目標(biāo)檢測(cè)等視覺任務(wù)。近十余年，伴隨深度學(xué)習(xí)算法的發(fā)展，各種具有自動(dòng)面部分析功能的人工智能模型被用于預(yù)測(cè)困難氣道。2021年，Hayasaka T等[14]首次創(chuàng)建了一種能通過面部圖像預(yù)測(cè)氣管插管困難程度的人工智能模型，研究采用患者16個(gè)面部表情特征判定氣管插管難易程度，通過深度學(xué)習(xí)算法建立分類模型，并利用類別激活熱力圖（class activation map‐ping，CAM）對(duì)模型進(jìn)行可視化展示，模型預(yù)測(cè)靈敏度81.8%、特異度83.3%、準(zhǔn)確率80.5%，仰臥閉口位可較好判斷患者是否存在困難氣道。由于樣本量?。▋H202例患者納入分析），因此預(yù)測(cè)效果有限。

Cho HY等[15]開發(fā)和測(cè)試了一種使用頸椎側(cè)位X線預(yù)測(cè)直接喉鏡檢查下Cormack Lehane（CL）分級(jí)3級(jí)或4級(jí)聲門的深度學(xué)習(xí)模型?，F(xiàn)有研究表明上氣道結(jié)構(gòu)（如舌骨、會(huì)厭、杓狀軟骨和甲狀軟骨）之間的成角、頸椎活動(dòng)受限與氣管插管困難有關(guān)。舌骨位于尾側(cè)時(shí)，更多舌體占據(jù)下咽，直接導(dǎo)致喉鏡暴露聲門困難。頸椎活動(dòng)受限則與寰枕間隙和棘突相關(guān)。利用類激活映射圖對(duì)不同CL分級(jí)下的相應(yīng)氣道結(jié)構(gòu)做出顏色標(biāo)識(shí)，建立的模型可自動(dòng)評(píng)估頸椎側(cè)位X線片，預(yù)測(cè)CL分級(jí)3級(jí)或4級(jí)聲門。

1.2.2 殘差神經(jīng)網(wǎng)絡(luò)模型（ResNet） ResNet通過引入殘差學(xué)習(xí)和跳躍連接等機(jī)制，在解決深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中的梯度消失/爆炸問題、提高模型訓(xùn)練速度和性能、減少信息丟失以及增強(qiáng)模型泛化能力等方面表現(xiàn)出顯著優(yōu)勢(shì)，是深度卷積神經(jīng)網(wǎng)絡(luò)模型的一種延伸。

Wang GZ等[16]使用MixMatch半監(jiān)督深度學(xué)習(xí)方法與ResNet18架構(gòu)作為氣道分類的核心網(wǎng)絡(luò)開發(fā)了一種能夠通過面部圖像識(shí)別面罩通氣困難和氣管插管困難的全自動(dòng)半監(jiān)督深度學(xué)習(xí)模型。所選圖像突出了患者信息的6個(gè)關(guān)鍵部分：最大張口度，Mallampati分級(jí)，頸部長(zhǎng)度，頸部周長(zhǎng)，頭頸活動(dòng)度和甲頦間距。研究?jī)H采用30%樣本訓(xùn)練模型，其準(zhǔn)確性、敏感性、特異性、F1評(píng)分和AUC值便與專業(yè)麻醉醫(yī)生相近（分別為90.00% vs. 91.00%、89.58% vs. 91.67%、90.13% vs. 90.79%、81.13% vs. 83.26%和0.945 vs. 0.949 7），在性能和成本間實(shí)現(xiàn)了良好平衡。

2022年上海胸科醫(yī)院Li Y等[17]開發(fā)了基于VGG16和ResNET架構(gòu)的支氣管管腔識(shí)別診斷模型，并比較了在有和沒有人工智能系統(tǒng)輔助情況下，氣管鏡醫(yī)生對(duì)支氣管管腔判斷的準(zhǔn)確程度。將支氣管管腔視頻分割為31個(gè)不同的解剖位置，使用其中28 441張符合條件的支氣管管腔圖像訓(xùn)練模型。交叉驗(yàn)證集中，6個(gè)模型的最優(yōu)準(zhǔn)確率在91.83%～ 96.62%；除節(jié)段性支氣管外，其他支氣管識(shí)別的準(zhǔn)確率為82.69%。在人工智能輔助下，醫(yī)生識(shí)別管腔的準(zhǔn)確率明顯高于沒有人工智能輔助。

1.2.3 掩碼區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型（Mask R-CNN） 盡管人工智能算法經(jīng)常用于分析醫(yī)學(xué)圖像，但緊急氣管插管時(shí)喉鏡捕獲的圖像可能存在運(yùn)動(dòng)模糊、視覺模糊、血液、粘液和嘔吐物等復(fù)雜狀況。Choi SJ等[18]開發(fā)了一種能通過視頻喉鏡圖像快速分辨復(fù)雜狀況下口腔結(jié)構(gòu)的模型。臨床醫(yī)生手動(dòng)標(biāo)記54段插管視頻中的關(guān)鍵解剖結(jié)構(gòu)，包括舌、會(huì)厭、聲帶和角狀軟骨。采用DeepLabv3+、U-Net和經(jīng)過調(diào)整優(yōu)化的Mask R-CNN模型制備的EfficientNet-B5、EfficientNet-B5和R-CNN模型進(jìn)行測(cè)試，識(shí)別處理速度（幀/秒）分別為3、24和32。其中Mask R-CNN模型訓(xùn)練效果最佳，能幫助醫(yī)務(wù)人員在緊急情況下進(jìn)行氣管插管。

1.2.4 目標(biāo)檢測(cè)網(wǎng)絡(luò)模型（CenterNet） 呂志峰等[19]基于深度學(xué)習(xí)算法成功構(gòu)建可視喉鏡下模擬人聲門圖像模型。臨床醫(yī)生使用可視喉鏡暴露模擬人聲門，并采集不同角度、不同方位聲門圖像，隨機(jī)劃分為訓(xùn)練集和測(cè)試集，完成圖像標(biāo)注。使用CenterNet、YOLOv3、YOLOv4模型識(shí)別聲門，其中CenterNet模型識(shí)別精度最高。

上述模型都利用了神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法重現(xiàn)數(shù)據(jù)的復(fù)雜特征。CNN模型通過自動(dòng)提取圖像特征，在面部分析和困難氣道預(yù)測(cè)中表現(xiàn)出了較高的準(zhǔn)確率。ResNet通過引入殘差學(xué)習(xí)解決了深度學(xué)習(xí)中的梯度消失問題，提高了模型的深度和復(fù)雜度，使其在處理更復(fù)雜的圖層時(shí)仍然能夠保證性能的提升。Mask R-CNN在處理具有復(fù)雜背景和遮擋的醫(yī)學(xué)圖像時(shí)，通過實(shí)例分割精確地識(shí)別出關(guān)鍵的解剖結(jié)構(gòu)，這對(duì)于緊急情況下的氣管插管尤為重要。

在比較這些模型時(shí)，本研究需要考慮它們的準(zhǔn)確性、魯棒性、訓(xùn)練和推理時(shí)間以及對(duì)數(shù)據(jù)量的需求。比如盡管CNN在圖像識(shí)別上表現(xiàn)出色，但在樣本量較小的情況下，其性能可能受限。ResNet通過其殘差連接提高了網(wǎng)絡(luò)的深度，但可能會(huì)增加模型的計(jì)算復(fù)雜度。Mask R-CNN雖然在復(fù)雜圖像處理上表現(xiàn)出色，但其訓(xùn)練可能需要更多的時(shí)間和資源。

2 預(yù)測(cè)氣管插管的生理性反應(yīng)

自主神經(jīng)系統(tǒng)（ANS）在人體對(duì)各種內(nèi)外刺激的反應(yīng)中扮演重要角色，可以調(diào)節(jié)機(jī)體呼吸、循環(huán)、體溫及內(nèi)分泌功能。ANS功能障礙可能使麻醉手術(shù)患者的圍手術(shù)期管理復(fù)雜化，增加發(fā)病率和死亡率，對(duì)預(yù)后產(chǎn)生不利影響[20]。測(cè)量心率變異性（heart rate variability，HRV）是一種評(píng)價(jià)自主神經(jīng)功能狀態(tài)的簡(jiǎn)易方式，可根據(jù)心率變異性分析氣管插管過程產(chǎn)生的傷害性刺激[21]。HRV可以通過計(jì)算心電圖中R-R波的時(shí)間間隔來測(cè)量。其量化指標(biāo)主要參考時(shí)域、譜域或頻域以及非線性方法。通過對(duì)RR區(qū)間序列的分析，可以發(fā)現(xiàn)HRV包含高頻信號(hào)（0.15～0.40 Hz）、低頻信號(hào)（0.04～0.15 Hz）、極低頻（0.003 3～0.040 0 Hz）等復(fù)雜成分[22]。這種頻率范圍的差異使HRV分析能夠分離交感神經(jīng)和副交感神經(jīng)的影響。既往研究采用滑動(dòng)時(shí)窗法，通過提取清醒狀態(tài)、麻醉誘導(dǎo)后、氣管插管時(shí)的心電圖頻譜特征，基于長(zhǎng)短期記憶架構(gòu)建立能對(duì)不同應(yīng)激狀態(tài)進(jìn)行高精度分類的遞歸神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)氣管插管產(chǎn)生傷害性刺激的發(fā)生率，準(zhǔn)確率可達(dá)90%[23]。

灌注指數(shù)（perfusion index，PI）是另一種監(jiān)測(cè)氣管插管應(yīng)激反應(yīng)的無創(chuàng)定量指標(biāo)。Shah SB等[24]的研究對(duì)比了經(jīng)視頻喉鏡插管和經(jīng)口機(jī)器人腫瘤手術(shù)（transoral robotic surgery，TORS）時(shí)的應(yīng)激反應(yīng)。TORS是一種能夠通過模擬人類手術(shù)動(dòng)作，在口腔和咽喉等狹窄空間內(nèi)進(jìn)行精確操作的機(jī)器人手術(shù)系統(tǒng)，在打開患者口腔的過程中會(huì)產(chǎn)生類似于喉鏡檢查的血流動(dòng)力學(xué)改變和應(yīng)激反應(yīng)。研究共納入26例成年患者，經(jīng)視頻喉鏡插管時(shí)的PI顯著高于手術(shù)機(jī)器人打開患者口腔時(shí)的PI，表明氣管插管操作引起的應(yīng)激反應(yīng)更強(qiáng)烈。未來自主神經(jīng)功能測(cè)量可與深度學(xué)習(xí)算法融合，作為一種診斷和評(píng)估預(yù)后的氣道管理方式。

3 機(jī)器人輔助氣管插管

2010年，Tighe PJ等[25]描述了第1例使用多功能達(dá)芬奇外科系統(tǒng)和模擬人體模型進(jìn)行機(jī)器人輔助柔性纖支鏡插管的案例，表明機(jī)器人輔助氣管插管的可行性，但該系統(tǒng)運(yùn)行成本高昂，不適合廣泛應(yīng)用；2012年，Hemmerling TM等[26]設(shè)計(jì)和開發(fā)了以賓得視頻喉鏡為基礎(chǔ)的開普勒氣管插管系統(tǒng)，研究中前12次氣管插管91%的成功率在臨床非常具有應(yīng)用前景；2016年，Cheng XY等[27]設(shè)計(jì)制作了一種用于氣管插管的裝置Intubot，氣管導(dǎo)管被安裝在引導(dǎo)探針上，步進(jìn)電機(jī)控制導(dǎo)管前后移動(dòng)，伺服電機(jī)控制導(dǎo)管彎曲角度，基于ViolaJones目標(biāo)檢測(cè)算法的微型攝像機(jī)定位聲帶并引導(dǎo)氣管導(dǎo)管進(jìn)入聲門。

2018年海軍軍醫(yī)大學(xué)Wang XY等[28]在Kepler系統(tǒng)的理論基礎(chǔ)上，針對(duì)院前、戰(zhàn)地、地震等事故或?yàn)?zāi)難場(chǎng)景研發(fā)了一種無線網(wǎng)絡(luò)遙操作機(jī)器人氣管插管系統(tǒng)RRAIS。服務(wù)器和客戶端電腦通過無線局域網(wǎng)實(shí)現(xiàn)互聯(lián)。醫(yī)生根據(jù)客戶端反饋的內(nèi)窺鏡圖像操作飛行搖桿發(fā)送指令，控制機(jī)器人運(yùn)動(dòng)，并用實(shí)驗(yàn)動(dòng)物豬驗(yàn)證了該系統(tǒng)的可行性。與直接喉鏡相比，該機(jī)器人插管系統(tǒng)的成功率更高（首次成功率80% vs. 40%，總體成功率90% vs. 60%），但耗時(shí)更長(zhǎng)（75 s vs. 53 s，P< 0.01）。

2020年，Biro P等[29]探索使用自動(dòng)喉部成像機(jī)器人內(nèi)窺鏡（REALITI）用于氣管插管。該手持設(shè)備配有手動(dòng)和自動(dòng)兩種模式，使用基于Haar特征的級(jí)聯(lián)分類器檢測(cè)角狀軟骨、聲門、氣管3個(gè)關(guān)鍵解剖結(jié)構(gòu)，對(duì)每個(gè)特征使用500～700個(gè)正圖像和500～900個(gè)負(fù)圖像進(jìn)行識(shí)別訓(xùn)練。當(dāng)識(shí)別出關(guān)鍵解剖特征時(shí)，可以允許尖端自動(dòng)向聲門旋轉(zhuǎn)完成插管。研究表明，與手動(dòng)模式相比，該系統(tǒng)在自動(dòng)模式下可更快完成氣管插管（平均節(jié)省時(shí)間為5.5 s）。

2021年，王榮峰等[30]利用“非接觸性”磁場(chǎng)力的特點(diǎn)研發(fā)一套磁導(dǎo)航氣管插管裝置，由導(dǎo)航磁體和磁性引導(dǎo)條組成。該研究分為3組：5名麻醉醫(yī)生分別使用直視喉鏡和磁導(dǎo)航裝置、5名非麻醉醫(yī)生僅使用磁導(dǎo)航裝置，完成每人25次氣管插管操作，直視喉鏡下氣管插管時(shí)間顯著高于磁導(dǎo)航裝置用時(shí)；采用Likert等級(jí)對(duì)裝置的易操作性進(jìn)行主觀評(píng)分，組間差異無顯著統(tǒng)計(jì)學(xué)意義（P=0.110）。研究表明了磁導(dǎo)航技術(shù)用于氣管插管的可行性，且具有操作簡(jiǎn)單、快速、有效、學(xué)習(xí)曲線短等特點(diǎn)。

由于3D圖像捕捉、人工智能、用于圖像分析的機(jī)器學(xué)習(xí)和機(jī)器人控制系統(tǒng)等現(xiàn)有技術(shù)的結(jié)合，未來氣道管理可能會(huì)發(fā)生革命性的變化[31]。目前用于氣管插管的機(jī)器人主要有2種控制策略，即遠(yuǎn)程操作控制和視覺反饋控制。在遠(yuǎn)程操作控制策略下，機(jī)器人由外科醫(yī)生直接控制，完全執(zhí)行操作者的命令。該策略可以提高操作的直觀性和安全性，多用于各種手術(shù)機(jī)器人；視覺反饋控制允許探頭自動(dòng)跟蹤用戶在二維內(nèi)窺鏡圖像上定義的軌跡，通過運(yùn)動(dòng)學(xué)方程求解進(jìn)而優(yōu)化探頭在體內(nèi)的空間坐標(biāo)系，控制內(nèi)窺鏡二維圖像的方位、深度和位置，并二次規(guī)劃引導(dǎo)路徑。2024年Deng Z等[32]介紹了一種基于視覺反饋的遙操作輔助控制經(jīng)鼻氣管插管系統(tǒng)（RNIS），由內(nèi)窺鏡圖像導(dǎo)航、機(jī)器人共享遙操作、自主操作控制等功能模塊構(gòu)成，實(shí)現(xiàn)了機(jī)器人在人體腔道的環(huán)境感知能力和對(duì)柔性纖支鏡連續(xù)動(dòng)態(tài)的控制能力，并成功完成2例臨床試驗(yàn)。

4 展望與挑戰(zhàn)

人工智能為麻醉學(xué)的快速發(fā)展提供了堅(jiān)實(shí)基礎(chǔ)。與傳統(tǒng)方法相比，基于人工智能的氣道管理優(yōu)化策略具備以下優(yōu)勢(shì)：①人工智能通過建立困難氣道預(yù)測(cè)模型，可以極大提高氣道異常解剖結(jié)構(gòu)的識(shí)別效率和準(zhǔn)確率。傳統(tǒng)方法依賴于醫(yī)生的經(jīng)驗(yàn)和手動(dòng)評(píng)估，而人工智能可以分析大量的醫(yī)學(xué)影像數(shù)據(jù)，提供更準(zhǔn)確的預(yù)測(cè)。②人工智能算法和模型能夠提供決策支持系統(tǒng)，幫助醫(yī)生預(yù)測(cè)潛在的困難氣道，而傳統(tǒng)方法可能需要醫(yī)生基于有限的信息做出判斷。③人工智能領(lǐng)域的深度學(xué)習(xí)算法能夠通過分析面部圖像、上氣道空間結(jié)構(gòu)特征等，構(gòu)建用于識(shí)別潛在的困難氣道高?；颊吣Ｐ?，從而降低氣管插管失敗的風(fēng)險(xiǎn)。④通過優(yōu)化氣管插管過程，有助于減少患者術(shù)后肺部并發(fā)癥和降低死亡風(fēng)險(xiǎn)。⑤通過測(cè)量HRV和PI等生理參數(shù)，人工智能可以幫助評(píng)估氣管插管過程中的應(yīng)激反應(yīng)，從而優(yōu)化手術(shù)管理。⑥AI技術(shù)可以用于缺乏氣道管理經(jīng)驗(yàn)者的培訓(xùn)或遠(yuǎn)程醫(yī)療指導(dǎo)，提高醫(yī)療資源的利用效率。

目前在國(guó)內(nèi)申請(qǐng)的氣管插管機(jī)器人專利設(shè)計(jì)主要涉及遙操作、精準(zhǔn)定位、導(dǎo)航交互、光/磁導(dǎo)航及多模態(tài)傳感技術(shù)等功能模塊。人工智能中的混合現(xiàn)實(shí)技術(shù)、深度學(xué)習(xí)模型等優(yōu)勢(shì)理論在氣管插管機(jī)器人的應(yīng)用尚有待拓展，未來可對(duì)缺乏氣道管理經(jīng)驗(yàn)者進(jìn)行氣管插管培訓(xùn)或遠(yuǎn)程醫(yī)療指導(dǎo)，但需謹(jǐn)防神經(jīng)網(wǎng)絡(luò)出現(xiàn)運(yùn)算錯(cuò)誤及機(jī)器人系統(tǒng)失控風(fēng)險(xiǎn)[33]。

參 考 文 獻(xiàn)

[1] Russotto V，Myatra SN，Laffey JG，et al. Intubation practices and adverse peri-intubation events in critically ill patients from 29 countries[J]. JAMA，2021，325（12）：1164-1172.

[2] Apfelbaum JL，Hagberg CA，Connis RT，et al. 2022 American soci‐ety of anesthesiologists practice guidelines for management of the diffi‐cult airway[J]. Anesthesiology，2022，136（1）：31-81.

[3] Cook TM，Woodall N，F(xiàn)rerk C，et al. Major complications of airway management in the UK：results of the Fourth National Audit Project of the Royal College of Anaesthetists and the Difficult Airway Society. Part 1：anaesthesia[J]. Br J Anaesth，2011，106（5）：617-631.

[4] Simpson GD，Ross MJ，McKeown DW，et al. Tracheal intubation in the critically ill：a multi-centre national study of practice and complica‐tions[J]. Br J Anaesth，2012，108（5）：792-799.

[5] Natt BS，Malo J，Hypes CD，et al. Strategies to improve first at‐tempt success at intubation in critically ill patients[J]. Br J Anaesth，2016，117（Suppl 1）：i60-i68.

[6] Jung W，Kim J. Factors associated with first-pass success of emer‐gency endotracheal intubation[J]. Am J Emerg Med，2020，38（1）：109-113.

[7] Sakles JC，Chiu S，Mosier J，et al. The importance of first pass suc‐cess when performing orotracheal intubation in the emergency depart‐ment[J]. Acad Emerg Med，2013，20（1）：71-78.

[8] Higgs A，McGrath BA，Goddard C，et al. Guidelines for the man‐agement of tracheal intubation in critically ill adults[J]. Br J Anaesth，2018，120（2）：323-352.

[9] Trent SA，Kaji AH，Carlson JN，et al. Video laryngoscopy is associ‐ated with first-pass success in emergency department intubations for trauma patients：a propensity score matched analysis of the national emergency airway registry[J]. Ann Emerg Med，2021，78（6）：708-719.

[10] Tavolara TE，Gurcan MN，Segal S，et al. Identification of difficult to intubate patients from frontal face images using an ensemble of deep learning models[J]. Comput Biol Med，2021，136：104737.

[11] Carlson JN，Das S，de la Torre F，et al. A novel artificial intelli‐gence system for endotracheal intubation[J]. Prehosp Emerg Care，2016，20（5）：667-671.

[12] Xia M，Jin C，Zheng Y，et al. Deep learning-based facial analysis for predicting difficult videolaryngoscopy： a feasibility study [J]. Anaes‐thesia ，2024，79（4）：399-409.

[13] Parker F，Brodsky MB，Akst LM，et al. Machine learning in laryn‐goscopy analysis：a proof of concept observational study for the identifi‐cation of post-extubation ulcerations and granulomas[J]. Ann Otol Rhi‐nol Laryngol，2021，130（3）：286-291.

[14] Hayasaka T，Kawano K，Kurihara K，et al. Creation of an artificial intelligence model for intubation difficulty classification by deep learn‐ing （convolutional neural network） using face images：an observational study[J]. J Intensive Care，2021，9（1）：38.

[15] Cho HY，Lee K，Kong HJ，et al. Deep-learning model associating lateral cervical radiographic features with Cormack-Lehane grade 3 or 4 glottic view[J]. Anaesthesia，2023，78（1）：64-72.

[16] Wang GZ，Li CX，Tang FD，et al. A fully-automatic semisupervised deep learning model for difficult airway assessment[J]. Heli‐yon，2023，9（5）：e15629.

[17] Li Y，Zheng XX，Xie FF，et al. Development and validation of the artificial intelligence （AI）-based diagnostic model for bronchial lumen identification[J]. Transl Lung Cancer Res，2022，11（11）：2261-2274.

[18] Choi SJ，Kim DK，Kim BS，et al. Mask R-CNN based multiclass segmentation model for endotracheal intubation using video laryngo‐scope[J]. Digit Health，2023，9：20552076231211547.

[19] 呂志峰，方 潔，王洋，等. 基于深度學(xué)習(xí)算法可視喉鏡下模擬人聲門圖像識(shí)別模型的構(gòu)建[J]. 中華麻醉學(xué)雜志，2023，43（6）：723-727. Lv ZF，F(xiàn)ang J，Wang Y，et al. Construction of three image recognition models of manikin’s glottis using visual laryngoscopy based on deeplearning algorithm[J]. Chin J Anesthesiol，2023，43（6）：723-727.

[20] Mazzeo AT，La Monaca E，Di Leo R，et al. Heart rate variability：a diagnostic and prognostic tool in anesthesia and intensive care[J]. Acta Anaesthesiol Scand，2011，55（7）：797-811.

[21] Shaffer F，McCraty R，Zerr CL. A healthy heart is not a metro‐nome：an integrative review of the heart’s anatomy and heart rate vari‐ability[J]. Front Psychol，2014，5：1040.

[22] Gruson D，Bernardini S，Dabla PK，et al. Collaborative AI and Laboratory Medicine integration in precision cardiovascular medicine[J]. Clin Chim Acta，2020，509：67-71.

[23] Yin Q，Shen D，Tang Y，et al. Intelligent monitoring of noxious stimulation during anaesthesia based on heart rate variability analysis[J]. Comput Biol Med，2022，145：105408.

[24] Shah SB，Chawla R，Kaur C. Assessment of stress response due to C-Mac D-blade guided videolaryngoscopic endotracheal intubation and docking of da Vinci surgical robot using perfusion index in patients un‐dergoing transoral robotic oncosurgery[J]. J Clin Monit Comput，2023，37（4）：1011-1021.

[25] Tighe PJ，Badiyan SJ，Luria I，et al. Robot-assisted airway sup‐port：a simulated case[J]. Anesth Analg，2010，111（4）：929-931.

[26] Hemmerling TM，Taddei R，Wehbe M，et al. First robotic tracheal intubations in humans using the Kepler intubation system[J]. Br J An‐aesth，2012，108（6）：1011-1016.

[27] Cheng XY，Jiang GJ，Lee K，et al. IntuBot：design and prototyping of a robotic intubation device[C]//2018 IEEE International Conference on Robotics and Automation （ICRA）. Brisbane，QLD，Australia. IEEE，2018：1482-1487.

[28] Wang XY，Tao YF，Tao XD，et al. An original design of remote robot-assisted intubation system[J]. Sci Rep，2018，8（1）：13403.

[29] Biro P，Hofmann P，Gage D，et al. Automated tracheal intubation in an airway manikin using a robotic endoscope：a proof of concept study[J]. Anaesthesia，2020，75（7）：881-886.

[30] 王榮峰，張倩雲(yún)，丁泓帆，等. 基于磁導(dǎo)航技術(shù)的氣管插管裝置設(shè)計(jì)及可行性研究[J]. 中國(guó)醫(yī)療器械雜志，2021，45（1）：22-25. Wang RF，Zhang QY，Ding HF，et al. Design and feasibility study of tra‐cheal intubation device based on magnetic navigation technology[J]. Chin J Med Instrum，2021，45（1）：22-25.

[31] Dhananchey R，Henri Jean Alinier G，Bouras A，et al. Conceptu‐alization of artificial intelligence in airway management[J]. J Emerg Med Trauma Acute Care，2022，2022（1）：1-2.

[32] Deng Z，Zhang SZ，Guo YX，et al. Assisted teleoperation control of robotic endoscope with visual feedback for nasotracheal intubation[J]. Robot Auton Syst，2024，172：104586.

[33] 任偉東，呂 楠，李夢(mèng)杰，等. 人工智能在氣道管理中的應(yīng)用[J]. 臨床麻醉學(xué)雜志，2024，40（3）：304-309. Ren WD，Lyu N，Li MJ，et al. Application of artificial intelligence in air‐way management[J]. J Clin Anesthesiol，2024，40（3）：304-309.

（責(zé)任編輯：李青穎）

本文引用格式：

趙美玉，王明亞，韓永正，等. 基于人工智能的氣道管理優(yōu)化策略與實(shí)踐分析[J]. 重慶醫(yī)科大學(xué)學(xué)報(bào)，2025，50（1）：1-5.