羅瑋，韓永正，郭向陽

1.國家知識產(chǎn)權(quán)局專利局 專利審查協(xié)作北京中心，北京 100160；2.北京大學第三醫(yī)院 麻醉科，北京 100191

引言

在圍術(shù)期領(lǐng)域中，麻醉易產(chǎn)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(fā)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(shù)患者困難喉鏡暴露的發(fā)生率為17.1%，遠超過一般手術(shù)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(shù)量激增，在舒適化醫(yī)療背景下，在醫(yī)院高效運轉(zhuǎn)的過程中，麻醉科已成為把控圍術(shù)期風險的最后一道關(guān)卡，并且隨著計算機和人工智能的發(fā)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(shù)、困難氣道評估決策支持系統(tǒng)及其實現(xiàn)，以期為建立困難氣道評估決策支持系統(tǒng)提供一定的理論依據(jù)。

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(xiàn)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(yōu)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(nèi)在軟組織及骨性結(jié)構(gòu)的異常不能做出評價，因而需要輔助影像學技術(shù)對氣道進行準確完善的評估。

1.2 X線指標

下頜內(nèi)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(guān)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(nèi)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(nèi)占比增大，可能導致患者出現(xiàn)困難喉鏡暴露。X 線可較好地反映骨性結(jié)構(gòu)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(jié)構(gòu)，而上氣道CT 掃描能夠?qū)⒁曇把由熘裂屎聿柯曢T周圍，有利于術(shù)前篩選出外觀正常但內(nèi)部解剖異常的困難氣道高?；颊摺Ｓ醒芯勘砻?，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(shù)。

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(jié)構(gòu)，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(shù)據(jù)可以作為判斷困難喉鏡暴露的指標[14]；Andruszkiewicz 等[15]研究結(jié)果提示，頦舌距離（下頦到舌骨距離）越短，越易發(fā)生困難喉鏡暴露，并且與舌體容積無關(guān)；Pinto 等[16]研究結(jié)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(jié)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(yī)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(guān)。

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?；颊咝g(shù)前行MRI 檢查對圍術(shù)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(jié)構(gòu)發(fā)現(xiàn)，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(yōu)勢明顯，但對于骨性異常結(jié)構(gòu)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(yōu)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(yī)師El-Ganzouri 等[20]研究比較了一系列困難氣管插管相關(guān)變量后，總結(jié)了一種多元化風險指數(shù)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?qū)⒗щy氣管插管的發(fā)生率降低至0.14%。多元化風險指數(shù)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(shù)患者進行下列體格檢查：下頜結(jié)構(gòu)、張口度、下頜運動、牙齒結(jié)構(gòu)、MMT、頭頸部運動、頸圍、甲頦和胸頦距離、寰枕關(guān)節(jié)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(guān)。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(shù)

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(chuàng)造性，其中往往包含專利申請人不得不對外公開的技術(shù)信息，尤其是對于涉及實際應用的領(lǐng)域，通過充分檢索和深入分析相關(guān)專利文獻，可以獲取本領(lǐng)域更新、更全面的技術(shù)發(fā)展動態(tài)信息。因此通過對相關(guān)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(jié)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(yī)療或健康數(shù)據(jù)的信息和通信技術(shù)）在中國專利全文數(shù)據(jù)庫檢索，相關(guān)數(shù)據(jù)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(guān)的技術(shù)應用。倪紅偉等[23]提出了一種氣道測量的數(shù)據(jù)處理的方法，其結(jié)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(shù)量。姚衛(wèi)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(shù)據(jù)系統(tǒng)，其在對上氣道的解剖模擬坐標系建立過程中，結(jié)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(guān)，同時利用圖形編輯控制技術(shù)在控制電腦上實現(xiàn)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(shù)的回歸方程，據(jù)此制定計算機圖形控制規(guī)則，通過計算患者的聲門視野實現(xiàn)患者是否是困難氣道的預測，其后續(xù)的專利申請進一步將上述技術(shù)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(jù)多個姿勢下的面部圖像提取特征信息，并將該信息通過經(jīng)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(jié)果，其申請的另一類是根據(jù)患者的語音數(shù)據(jù)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(jié)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(qū)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(tài)圖片的分析，通過對面部數(shù)據(jù)3D 重建進行面部評估，通過對口腔可視環(huán)境的數(shù)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(tài)捕捉來進行動態(tài)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(jié)構(gòu)圖像數(shù)據(jù)的聲門識別來進行聲門評估，對評估數(shù)據(jù)結(jié)合基礎信息進行綜合判斷來生成聲道評估報告，實現(xiàn)了對氣道評估判斷標準的數(shù)字化分析，給出氣道的綜合評估結(jié)果。目前，借助計算機實現(xiàn)有關(guān)困難氣道評估屬于新興領(lǐng)域，專利申請數(shù)量處于起步上升階段，發(fā)展速度快，研究方向涵蓋了測量數(shù)據(jù)的優(yōu)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(lǐng)域的申請主體是各大醫(yī)院及其合作研發(fā)的科研院校，體現(xiàn)了臨床需求主體與科研創(chuàng)新主體的合作模式是解決臨床實際創(chuàng)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(tǒng)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(tǒng)的評估指標到近年來借助計算機技術(shù)所研發(fā)的氣道評估工具專利，氣道評估工具開發(fā)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(shù)據(jù)的處理過渡到雙向反饋閉環(huán)的迭代模式。位于最前端的是麻醉醫(yī)師日常接觸的信息系統(tǒng)，以此作為載體，通過機器學習等人工智能、大數(shù)據(jù)分析等一系列核心技術(shù)的運用，加速了這種交互更新優(yōu)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(jù)情況作出調(diào)整。

3.1 基于人工智能的臨床決策系統(tǒng)

基于人工智能的臨床決策支持系統(tǒng)，是能夠自主學習與分析結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)（如MRI 數(shù)據(jù)、重要器官支持數(shù)據(jù)、實驗室數(shù)據(jù)、視頻及影像等）的組合，從而產(chǎn)生臨床決策支持的綜合數(shù)據(jù)分析與決策系統(tǒng)[33]。術(shù)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(xiàn)，有利于優(yōu)化圍術(shù)期困難氣道的處理流程，制訂相應氣道決策。傳統(tǒng)氣道評估多采用改良Mallampati 分級、Wilson 評分、Arne評分以及結(jié)合個別影像學指標開發(fā)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(shù)開發(fā)的。目前國內(nèi)外均缺乏針對高風險人群建立困難氣道發(fā)生風險的評估決策模型。近年來，數(shù)據(jù)挖掘方法日趨成熟，為醫(yī)療大數(shù)據(jù)的廣泛應用奠定了基礎，針對龐大復雜的數(shù)據(jù)集，源于人工智能的機器學習技術(shù)結(jié)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(tǒng)。麻醉醫(yī)師可以在術(shù)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(xiàn)，避免患者出現(xiàn)通氣困難甚至窒息死亡的風險。

3.2 機器學習在數(shù)據(jù)集分析中的應用

機器學習包含建模過程，通過使用訓練數(shù)據(jù)進行訓練，進而處理后續(xù)數(shù)據(jù)以作出預測。根據(jù)困難氣道預測結(jié)果的性質(zhì)，需要選擇有監(jiān)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?jīng)Q策支持系統(tǒng)領(lǐng)域，醫(yī)學相關(guān)的評估決策支持系統(tǒng)也取得了同步發(fā)展。目前機器學習在臨床醫(yī)學領(lǐng)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(tǒng)的學習建模過程。支持向量機算法根據(jù)訓練樣本數(shù)據(jù)構(gòu)造一個進行決策的超曲面，該曲面可將樣本數(shù)據(jù)分隔成兩類，通過未知樣本與超曲面的位置關(guān)系確定其類別[35]；隨機森林將每個決策樹的結(jié)果進行總結(jié)，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(jié)果進行判定[36]；XGBoost 可進行大多數(shù)分類問題的訓練，針對每一輪訓練中準確度低的數(shù)據(jù)進行權(quán)重分配，最終突出了分類質(zhì)量高的決策樹權(quán)重，從而提高算法的準確性和泛化能力。相比傳統(tǒng)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(wǎng)絡數(shù)據(jù)共享的多層模型構(gòu)架及優(yōu)化歸納

考慮到系統(tǒng)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(tǒng)的建設可采用瀏覽器/服務器模型（B/S 體系結(jié)構(gòu)）構(gòu)建；系統(tǒng)框架的開發(fā)可采用模型-視圖-控制器模式，有效減少數(shù)據(jù)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(shù)據(jù)的部分，包括推理引擎接口和知識庫、數(shù)據(jù)訪問接口及其配套的數(shù)據(jù)庫；控制層包括風險評估和預測的業(yè)務邏輯，參數(shù)登記管理和在院信息管理；視圖層主要用于展示數(shù)據(jù)，包括界面配置文件、錄入展示組件、數(shù)據(jù)交互模塊。系統(tǒng)具備輔助登記、風險評估、輔助決策等功能。同時，系統(tǒng)可設置不同的權(quán)限，并提供數(shù)據(jù)導出和管理功能，以方便臨床回顧性研究[36]。

傳統(tǒng)模型的所有參數(shù)由知識庫初始狀態(tài)下的患者數(shù)據(jù)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(xù)的評估指標參數(shù)、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(yōu)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(xiàn)的，在服務器上部署的軟件服務中封裝推理引擎，向系統(tǒng)上層提供，以完成知識庫自動學習和模型持續(xù)優(yōu)化的實現(xiàn)。作為計算機輔助決策系統(tǒng)的重要組件，推理引擎用于在線優(yōu)化模型以提供診斷結(jié)論。用戶僅需要通過標準數(shù)據(jù)接口將患者數(shù)據(jù)傳遞到服務器端推理引擎，推理引擎根據(jù)最佳機器學習算法計算后，將診斷結(jié)果通過Web 網(wǎng)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(fā)生風險預測模型，進而建立具備持續(xù)在線優(yōu)化性能的困難氣道評估決策支持系統(tǒng)，預測結(jié)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(fā)生。各醫(yī)院與服務器端的網(wǎng)絡采用專用的數(shù)據(jù)共享網(wǎng)絡，與公共互聯(lián)網(wǎng)進行物理隔離，以保證信息傳輸安全。在服務器端與各醫(yī)院的數(shù)據(jù)交互中還可以通過增加用戶鑒權(quán)及身份認證環(huán)節(jié)進一步提高數(shù)據(jù)傳輸安全性。這種通過數(shù)據(jù)共享，網(wǎng)絡智能數(shù)據(jù)分析的模式，將是未來構(gòu)建困難氣道評估決策系統(tǒng)的重要基礎[36]。

4 總結(jié)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(zhì)量的臨床研究。未來尚需通過搭建全國范圍內(nèi)的困難氣道患者信息化數(shù)據(jù)庫，實現(xiàn)數(shù)據(jù)共享與信息整合來彌補在數(shù)據(jù)體量上的缺陷。一方面，從前端進行科學而廣泛的數(shù)據(jù)收集，另一方面，在數(shù)據(jù)分析上，需要進一步結(jié)合目前先進的機器學習算法，實現(xiàn)對臨床數(shù)據(jù)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(tǒng)的準確性。針對有創(chuàng)新能力和科研基礎的研究單位，醫(yī)院及臨床麻醉醫(yī)生應該發(fā)揮對于臨床創(chuàng)新點與精尖特色技術(shù)結(jié)合的敏銳度，深化這種具有實際使用需求的創(chuàng)新主體與具有較強科研能力的創(chuàng)新主體的合作，并加快在該領(lǐng)域的創(chuàng)新速度，拓展專利申請的廣度，確實提升產(chǎn)業(yè)化效率。由于各個醫(yī)院水平和醫(yī)務人員經(jīng)驗差異，對困難氣道的評估和決策缺乏統(tǒng)一的質(zhì)量管控與預警。后期在全國網(wǎng)絡信息平臺進行推廣，可以充分實現(xiàn)知識共享，幫助麻醉醫(yī)師、急診科醫(yī)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(tǒng)的建設，有利于將優(yōu)質(zhì)醫(yī)療資源下沉，推進全國范圍內(nèi)醫(yī)療水平均質(zhì)化健康發(fā)展。