利用可解释的多姿态共享编码器视觉变换器对困难气管插管进行术前预测：一项前瞻性观察研究

《BMC Anesthesiology》：Pre-operative prediction of difficult tracheal intubation using an explainable multi-pose shared encoder vision transformer: a prospective observational study

　　

摘要

背景

传统床边气道检测方法仍难以准确预测气管插管难度。有研究提出利用深度学习分析面部照片作为替代方法，同时越来越多的研究倡导采用多姿态采集方案；不过，是否增加姿态数量确实能提升预测准确性尚未得到验证。

方法

在这项前瞻性单中心观察性研究中，对250名接受全身麻醉并需经口气管插管的手术患者，分别从7种不同姿态下采集标准化术前面部照片。气管插管困难被定义为需要两次及以上尝试插管和/或使用其他气道装置。研究针对127种可能的姿态组合，使用多姿态共享编码器视觉Transformer模型，并通过分层五折交叉验证进行训练和评估，同时将其与传统床边检测方法进行比较。为量化选择偏差，姿态选择步骤被嵌入重采样流程中：仅使用训练数据集重复该步骤，然后在保留的数据集中进行评估。优选姿态配置的准确性则通过单独的保留数据集进行评估。

结果

250名患者中有70人（28.0%）出现气管插管困难。传统床边检测方法的区分能力较差：颈围≥400毫米时，接收者操作特征曲线下面积的最高值为0.66（95%置信区间为0.58至0.73），其余检测方法的置信区间均包含0.50这一数值。在所有127种组合中，区分能力与采集的姿态数量无关（斯皮尔曼相关系数为0.09，P值=0.34）：7种姿态模型（平均AUC为0.666）的性能并不优于平均单姿态模型（0.660）。一旦采集超过一种姿态，不同折叠组间的差异会显著减小（单姿态模型的AUC中位数标准差为0.170，多姿态组合为0.098，P值<0.001），此后差异不再进一步缩小。经过姿态数量分析后，基于区分能力、稳定性、解剖学互补性以及采集难度等因素，上唇咬合加侧位中立姿势被选为两种姿态组合中的最优候选方案。在该方案所在的21种两姿态组合中，它排名第一；在综合四项标准的排序中则位列第三，平均AUC为0.688（95%置信区间为0.594至0.781），综合外部数据集的敏感度为67.1%，特异性为71.1%；其置信区间与颈围指标的置信区间存在重叠。

结论

增加面部姿态数量并不能提升气管插管困难预测的准确性。第二个具有解剖学互补性的姿态虽能稳定原本不稳定的预测结果，但额外添加姿态并未带来区分能力或稳定性的提升。这种实用型两姿态候选方案的内部交叉验证性能较为一般，且并未显示出比颈围指标更优的效果。将姿态选择步骤纳入训练数据集后，预测的区分能力从0.688降至0.614，即AUC值高了0.074点，而预测概率所提供的信息也仅略高于群体患病率水平；因此初步估计存在偏高现象，目前尚未进行外部验证。

试验注册信息

ClinicalTrials.gov编号NCT06961240（注册时间为2025年4月29日）。