AI在气道管理中的应用综述
本综述通过2025年7月完成的系统性文献检索，探讨了人工智能（AI）在气道管理领域的应用。人工智能在通过面部识别、语音分析和多参数评估预测困难气道方面展现出潜力。与传统床边检查相比，人工智能模型表现出更高的阳性预测值，尽管预测仍存在局限性。低阳性预测值的根本挑战依然存在，但已有所缓解。对于视频喉镜检查，人工智能系统提供实时结构识别、步骤指导、验证气管导管位置，并可能减少并发症。人工智能还通过减轻决策偏差、提供智能警报以及确保遵循指南，在关键场景中提供认知支持。在教学领域，人工智能增强的虚拟现实模拟创造了逼真的实践环境，并根据学习者的需求量身定制了个体化的反馈。由AI算法引导的实验性机器人插管系统在受控环境中表现出与专家相当的性能，主要用于训练和远程应用。虽然取得了这些进展，但人工智能应补充而非取代人类的专业知识。重要挑战包括临床医生技能弱化的风险、算法透明度问题以及广泛实施前的验证需求。理想的方法是人机协作，其中人工智能弥补认知局限性，而医生则贡献临床判断、情境意识和同情心。随着人工智能的发展，必须同时制定适当的伦理框架和监管监督，以确保这些技术提高患者安全，同时保留医疗行为中的基本人文因素。
气道管理；人工智能；插管；机器学习；预测；机器人气道系统；电子喉镜；虚拟现实训练
•人工智能显示出通过面部识别、语音分析和多参数评估预测困难气道的前景。
•对于视频喉镜检查，人工智能系统提供实时结构识别、步骤指导、验证气管插管位置，并可能减少并发症。
•人工智能通过减少决策偏差、提供智能警报和确保遵循指南，在关键场景中提供认知支持。
•在教育领域，人工智能增强的虚拟现实模拟创建了逼真的实践环境，并根据学习者的需求量身定制了个体化的反馈。
•人工智能应该补充而不是取代人类的专业知识。
人工智能不会取代人类，但那些使用人工智能的人会取代那些不使用的人。
——Ginni Rometty，IBM前首席执行官
人工智能（AI）有很多定义，但最合适的定义之一可能是在IBM官方网站上提供的：人工智能是一种技术，它使计算机和机器能够模拟人类的学习、理解、解决问题、决策、创造力和自主性。这个定义表明，人工智能模仿自然智能，但运行速度更快，没有情绪，理论上减少了情绪和认知偏倚。然而，Yudkowsky表示：“到目前为止，人工智能的最大危险是人们过早地得出他们理解它的结论”。自20世纪80年代末以来，人工智能在麻醉中的应用得到了探索，研究范围不断扩大，包括神经网络、麻醉深度监测、事件预测和手术室物流。新冠肺炎疫情加速了人工智能在医疗保健中的应用，气道管理成为一个重要的应用领域。本综述的主要目的是概述与人工智能在气道管理中的临床应用相关的现有证据。我们的目标是评估调查的现状，对用于气道管理的人工智能模型进行分类，并找出现有文献中的空白，以指导未来的研究。
截至2025年7月20日，三位经验丰富的研究人员（LLV、AM和ECLG）在Medline和Scopus上进行了文献检索。我们结合了医学主题标题（MeSH）和自由文本关键字。布尔运算符（'AND'、'OR'）和截断（*）也被使用。使用的完整搜索策略如下：（“人工智能”[MeSH术语]或“机器学习”[MeSH术语]或”深度学习“[MeSH术语]或”神经网络（计算机）“[MeSH术语]或“计算机视觉”或”支持向量机“或”卷积神经网络“或”AI“或”ML“）和（“气道管理”[MeSH术语]或'气管插管、气管内插管'[MeSH术语]或'拔管'[MeSH术语]或”困难气道“或”视频喉镜检查“或”气道评估“或”通气“或”喉罩气道“）。该策略根据每个数据库的语法进行了调整。
我们纳入了原始研究文章，涉及在应用人工智能技术（机器学习、深度学习、神经网络、计算机视觉、支持向量机或相关算法）的任何临床环境（手术室、重症监护室、急诊室）中接受气道管理的人类参与者。截至2025年7月20日发表的观察性（前瞻性和回顾性队列研究、病例对照研究）和干预性（随机对照试验）研究都符合条件，但适用了无语言限制。
三位审稿人（MS、DSP和ML）根据资格标准独立筛选标题和摘要。任何阶段的分歧都通过共识解决。我们咨询了ChatGPT，以确定审查结构并确定需要关注的关键人工智能方面：用于预测（困难）气道管理的人工智能、用于视频喉镜检查和插管的辅助人工智能、基于人工智能的认知支持，以及人工智能和虚拟现实在训练中的作用。表1提供了这些领域当前人工智能应用的结构化总结，突出了关键性能指标、临床效益和实施挑战。
表1 ：人工智能在气道管理中的应用：当前证据总结。AGATI，人工智能自动声门活动跟踪；AI，人工智能；AR，增强现实；CNN，卷积神经网络；TT，气管插管；NPV，阴性预测值；PPV，阳性预测值；VR，虚拟现实。
人工智能在气道管理预测中的应用
用于操作前气道评估的纯数学和统计方法显示出较差的阳性和阴性预测值。最近的一篇述评表明，困难气道代表了一种涉及多种因素之间复杂相互作用的综合体，需要逐案评估。现代气道评估应使用多种测试，解决所有潜在的困难（通气、喉镜检查、插管、抢救性声门上气道和颈前入路），并纳入场景敏感性评估，考虑解剖测量、气道病史、患者的病理生理紊乱、临床场景、环境和临床团队。
人工智能是一种强大的气道评估工具，它比传统方法更快、更准确地从大型数据集中提取知识。机器学习可以分析大量信息并生成分析算法/模型来识别模式并执行改进任务，而不需要明确的指示。AI使用监督或无监督的机器学习，可以理解多个变量之间的关系，以提高预测的准确性。AI模型已在甲状腺、头颈部手术和颌面外科手术中进行了研究，包括肥胖患者、儿科患者和创伤患者。大多数分析的人工智能模型在精确度和准确性方面都优于临床评估。随着人工智能模型中包含的变量数量的增加，预测性能也会提高，类似于从临床经验中学习。仅使用两个或三个参数的模型在择期和紧急情况下的表现不如多参数模型。人工智能模型可以分析放射影像学数据以识别与困难气道相关的特征，提供气道分段并确认气管导管位置。Tavolara及其同事的Alandmark将深度学习模型应用于使用体表标志数据库的正面人脸图像分析进行困难气道识别。其他研究分析了有经验和缺乏经验的医务人员的面部图像预测气道评估，包括困难的面罩通气、困难的喉镜检查、困难的视频喉镜检查和睡眠呼吸暂停。与常规床边评估的5-20%相比，这些人工智能模型的阳性预测值为45-76%，同时保持了可比的阴性预测值（92-98%对94-99%），这代表了在正确识别气道困难患者同时最大限度地减少错误确认方面具有临床意义的改进。Xia及其同事报告说，人工智能在视频喉镜检查中优于常规床边评估，因为在视频喉镜检查中很容易看到口腔、喉部、咽部和气道结构。
声音模式和声学特征也被用于预测面罩通气困难、喉镜检查困难和未确诊的睡眠呼吸暂停综合征。某些声音模式与喉镜检查的困难有关，准确率为76.1%。同样，预测声音模式与面罩通气困难的曲线下面积（AUC）为74%。许多人工智能模型已经使用智能手机进行了测试，麻醉医生可以很容易地根据患者的主观面部评估来识别困难的气道。迄今为止，系统和叙述性综述表明，人工智能模型在识别困难气道方面表现出平均到良好的辨别能力。基于这些发现，我们设想了一个未来，即使用手持设备对患者进行视频/音频记录，以进行气道评估和管理。最近一项测试Chat-GPT-4制定围手术期麻醉计划能力的研究揭示了重要的人工智能局限性，该系统有时无法达到最低标准。最佳实践仍然是将人工智能预测模型和医生经验相结合来管理患者。
视频喉镜和插管中的人工智能
一旦制定了气道管理计划，就可以通过辅助AI来增强视频喉镜和插管。AI模型可以通过解剖结构识别（上气道、喉部、气管、支气管）、验证气管插管位置和机器人插管系统引导来支持喉镜检查和插管。第一个为解剖识别设计的人工智能模型被应用于支气管镜检查，以识别正常和病变结构，其性能可与最有经验的专家相媲美。当应用于视频喉镜，人工智能模型必须针对不同类型的视频喉镜镜片（形状、曲率、设计）进行专门测试。支气管镜和喉镜图像被整合到人工智能卷积神经网络模型中，以提供声带和气管的实时分类和识别。在实时反馈的情况下，表现最佳的模型显示特异性为0.971-0.985，灵敏度为0.865-0.892。使用开源模型“AGATI-人工智能自动声门动作跟踪”、卷积神经网络模型和各种其他AI算法描述了类似的结果。这些算法为喉镜检查提供了虚拟辅助，并提高了插管成功率，特别是对于经验不足的临床医生。然而，改善阳性预测值的临床价值必须与人工智能输出的潜在过度自信相权衡，这可能会增加风险或降低警惕性。
图1显示了来自作者机构的正在进行的一项集成AI支持的视频喉镜视图（LarynGuideTM软件，aiEndoscopic，瑞士苏黎世)研究。人工智能识别气道结构并提供实时信息的能力是有价值的，具有重大意义。人工智能可以在教学和培训、管理困难气道、整合多个数据集（CT扫描、MRI、术前内窥镜）和认知支持方面提供支持。新生儿电子喉镜和插管模型也已开发出来，但与成人模型相比，其识别结构的性能较低。然而，获得充分培训的机会很少，新生儿气道也很脆弱。新生儿领域对人工智能辅助的需求是巨大的。
人工智能在急诊视频喉镜检查中的应用
人工智能辅助通过提供实时、动态的认知支持，在插管过程中提供了巨大的潜力。这种能力在困难或紧急的气道管理中特别有价值，压力可能会增加认知偏差的风险。人工智能辅助还可以快速提供有关管道深度和位置的可靠信息。多项研究表明，其在通过分析胸部X线片和CT扫描来识别气道问题方面具有出色的性能。能够提供自动导管位置检查和识别食管插管的神经网络模型可以改进对食管内插管的探测，以减少误差。然而，最近一项评估人工智能区分正确和不正确插管位置的能力的研究显示，其灵敏度为95%，特异性仅为50%。随附的述评指出，当前的AI系统在教育和认知支持（提供警报、指南和知识总结）方面可能比在气道管理期间的实时临床决策方面更有价值。对于食管内插管检测，解释肺部滑动征的AI模型可能比喉镜成像分析更可靠。人工智能辅助药物输送和闭环系统可以通过基于生理参数监测调整诱导药物来减少高危患者插管前后的心血管并发症。最后，通过人工智能在喉镜和插管中的应用，可以增强智能报警，从而提高患者的安全性。
机器人插管中的人工能
微电机、电子和伺服辅助机构的并行发展使机器人原型在气道管理方面具有潜在的应用前景。已经开发了各种机器人插管系统，并在模拟气道场景中进行了测试。最初的测试是使用配备柔性支气管镜的DaVinci手术机器人进行的，然后是插管机器人。大多数机器人系统，特别是较新的版本，其插管时间和成功率与专家医生的表现相当。触觉反馈、压力和定位传感器的加入可以创建能够快速插管的机器人系统，同时减少潜在的气道创伤。
尽管技术复杂，但机器人插管在临床应用方面面临着巨大的障碍：高昂的成本、空间要求、接口复杂性，以及在关键情况下与人工智能驱动决策有关的未解决的责任问题。这些系统目前主要在培训和远程或危险环境中显示出价值（如远程指导或空气传播感染的场景），而不是在常规临床实践中。专家级性能的说法需要严格审查——受控模拟器研究在解剖学变化、生理不稳定和时间压力的紧急情况下预测性能不佳。实验室成功与临床实用性之间的差距仍然很大。
人工智能在气道管理培训中的应用
人工智能已成为培训医疗专业人员进行气道管理的宝贵工具，提供了创新的方法来增强技能获取和决策。通过先进的模拟、虚拟现实和个体化反馈系统，人工智能使学员能够在安全可控的环境中练习复杂的程序，提高他们的信心和能力。此外，人工智能驱动的训练平台可以适应个人学习需求，确定需要改进的领域，并提供有针对性的指导，从而加速学习曲线。随着技术的不断进步，基于人工智能的培训计划有望通过为各级临床医生提供更现实、更易获得和更有效的培训体验来改变气道管理教学。
研究表明，电子游戏的使用与喉镜/插管技能的提高之间存在关联，这表明神经和行为启动有助于运动技能的发展。几项研究对虚拟现实在喉镜检查和气道管理训练中的应用进行了研究，包括支气管镜和模拟。人工智能辅助认知支持提高了技术和非技术气道管理技能，而没有患者风险，同时增强了特定任务的神经通路。虚拟现实也被用于非专业人员和医疗专业人员的心肺复苏培训，尽管效果不佳。高保真虚拟现实系统可以通过实现扩展培训、模拟罕见情况和降低与患者相关的培训风险来改变气道管理教学。
人工智能在气道管理中的未来
技术发展提供了新的气道管理工具、设备和技术；改变了“困难”气道的定义；并提高了患者的安全性。大量证据表明，人为因素、认知偏差和非技术问题仍然是导致气道管理相关并发症的主要原因。人工智能应用程序可以支持技术技能（通过虚拟/增强现实和3D打印模拟器）和非技术技能（通过改进的通信、指南获取、数据解释和临床决策支持）的发展。然而，大量的担忧削弱了这种乐观情绪，值得仔细考虑。过度依赖人工智能可能会使临床医生失去技能——这种现象是自动化导致的手动和认知技能的削弱，使从业者在技术失败时毫无准备。这种担忧超出了个人能力：广泛采用人工智能可能会减少专业角色，减少临床经验机会，并破坏有效临床教学所需的体验式学习基础。人工智能和机器人插管系统可能会通过减少实践机会来加速这些效果。许多深度学习算法的“黑箱”性质带来了一个关键的透明度问题，因为输出来自临床医生和开发人员都不完全理解的过程，这在出现错误时引发了问责问题。数据隐私、算法偏倚和知情同意方案仍未得到解决。
此外，所讨论的大多数人工智能模型仍然是实验性的，或者只在受控环境中进行了测试。很少有人在临床结果或现实世界的安全指标方面有明确的改善。实验室性能和床边实施之间的差距很大，而且特征很差。商业系统通常缺乏标准化的验证指标，在衡量实际患者结果或长期技能保留的严格比较研究中，它们相对于传统方法的优越性仍未得到证实。在气道管理方面，Heidegger及其同事的一篇优秀评论提出了几个观点，描述了人工智能在气道管理中的当前作用。
尽管人工智能模型在预测困难气道方面优于临床检查，但这些改进必须与基本的预测局限性相结合。Yentis证明了传统方法产生的阳性预测值很低，Roth及其同事的Cochrane综述证实了床边试验的有限鉴别能力。人工智能并没有从根本上解决低阳性预测值的问题；它适度地提高了这些值，同时保持了较高的阴性预测值。实际情况是，人工智能改变了风险与收益的平衡：接受更多的假阳性预测（需要不必要的预先准备）以减少假阴性预测（未曾预料的困难气道）。这种权衡与强调准备过度精确的现代安全文化相一致。
此外，即使是完美的预测本身也无法预防气道管理不善或不良后果。人工智能的价值不仅在于预测的准确性，还在于其支持整个气道管理生态系统的潜力：预测性准备、步骤指导、执行过程中的认知支持以及用于系统改进的事后分析。人工智能模型可以整合和解释庞大的数据集，前提是数据可用且结构正确。临床场景中的情境因素，包括情绪和关系因素，可能无法转化为人工智能可以解释的数据，导致系统输出不足。实施人工智能需要谨慎、负责和新的伦理框架。例如，“算法临床责任”可以定义人工智能系统和医务人员在临床决策中的共同责任。监管和法律保障必须与人工智能加速融入临床实践同步发展。此外，医务人员应该了解人工智能模型是如何创建的，它们的局限性，以及临床医生如何利用它们来为我们的患者谋福利。
最佳目标是谨慎的、基于证据的人机协作，人工智能补充而不是取代临床医生的专业知识。然而，人工智能可能会减少对人类临床医生的需求，削弱对教学至关重要的体验式学习机会，并在算法出现故障或误解临床背景时引入新的失败模式。患者既受益于准确的预测，也受益于同理心的人际关系——人工智能只提供前者。认识到这些挑战，麻醉研究委员会指导委员会最近成立了一个专家工作组，在探索实施需求、局限性和障碍的同时，确定当前和未来人工智能在麻醉中的应用。该工作组强调，AI开发人员必须继续专注于以患者为中心的解决方案，以支持医务人员并改善医疗保健系统。
原文地址：doi:10.1016/j.bja.225.12.052.
声明：
本平台只做内容的收集及分享，版权归原发布机构所有，均通过公开合法渠道获得，且仅用于业内交流和学习，无商业利益。如涉及侵权，请联系我们删除；如对内容存疑，请与撰写、发布机构联系