气道管理及其相关呼吸治疗是全麻过程中确保患者安全的基本前提。全麻下患者因肌松药的作用而处于无自主呼吸状态，气道管理失败可能会导致严重的并发症，如低氧血症、不可逆的脑损伤，甚至死亡。因此，优化气道管理是麻醉过程中的关键环节。根据美国2000年至2012年的手术结案诉讼索赔分析以及英国皇家麻醉师学院和困难气道学会的第四次国家审计项目的研究结果，任何气道问题都有可能导致严重的后果，其中包括但不限于死亡、严重脑损伤等情况，相较于美国1992年至1999年的手术结案诉讼索赔分析高出了5.5倍。报道还强调，造成这些严重气道并发症的主要原因包括患者本身气道困难（占77%）以及麻醉医师的判断失误（占59%）。这些诉讼及索赔数据表明，在接受择期手术麻醉过程中，与气道管理相关的并发症仍然是导致死亡或永久性脑损伤的主要原因。
近年来，得益于计算机硬件条件和算法的进步以及大型数据集的更新，人工智能（artificial intelligence, AI）技术出现了蓬勃的发展，并被广泛研究应用至麻醉学领域，有望为麻醉中气道管理和呼吸治疗领域带来全新变革。本文将围绕AI在气道管理和呼吸治疗中的应用研究进展进行综述。
AI是一种构建可以模仿人类智能的计算机系统的科学，AI的发展可追溯到20世纪50年代，艾伦·图灵提出了著名的图灵测试，讨论机器是否能够表现出类似于人类的智能。美国计算机科学家约翰·麦卡锡于1956年在达特茅斯会议上提出了AI的概念。但在1970年代，由于计算能力的限制和研究进展缓慢，AI研究进入了所谓的“AI寒冬”。资金短缺和公众信心下降使得AI研究停滞不前。随着计算能力的提升和数据量的激增，机器学习尤其是深度学习技术在21世纪迅速崛起。深度学习通过多层神经网络模拟人脑的工作原理，使AI在图像识别、语音识别等领域取得了突破性进展。2012年，谷歌的深度学习网络在ImageNet图像识别挑战中表现出色，标志着深度学习时代的到来。2022年，OpenAI发布生成式大模型ChatGPT，展现出了令人惊叹的智能涌现能力。2023年，基于Transformer架构的大模型在自然语言处理、图像生成等领域取得了显著进展（如ChatGPT‑4）。这些大模型具备强大的泛化能力和跨领域应用能力，使得AI开始渗透到更广泛的行业和应用场景。
AI可分为机器学习、深度学习和自然语言处理等不同的计算机技术类别。机器学习技术可以分为有监督学习和无监督学习，目前在很多使用大数据的研究中被广泛应用。有监督学习模型（如Logistic回归和决策树）利用有标签的数据进行学习，可用于构建分类和预测模型。而无监督学习模型（如主成分分析）则会从数据中的模式和关联中得出推论，可用于完成聚类任务。
既往研究表明，采用机器学习技术可以成功识别动脉压波形，从而在术中低血压发生前15 min提供有效的预测。该研究结果显示，其灵敏度为88%［95%置信区间（confidence interval, CI）85%~90%］，特异度为87%（95%CI 85%~90%），而曲线下面积（area under the curve, AUC）为0.95（95%CI 0.94~0.95）。深度学习是机器学习的一个分支，它利用多层连接的神经网络模仿人脑结构，逐步提取从原始输入中获得的更高级别的特征。这些多层网络通过权重和偏差进行数据的向后传播和向前传播，以完成各种识别或预测任务。如今，AI的应用与发展已经变得日趋成熟，临床医师可以从多个来源获取大量的结构化或非结构化数据用以开发模型。Ghorbani等利用图像识别和深度学习技术实现了准确识别超声心动图图像中的心脏结构，AI可以精确识别及检测起搏器导联线、左心房扩大、左心室肥厚、左心室收缩末期和舒张末期容积以及射血分数。AI的发展为医学影像分析提供了更为精确和自动化的手段，有望在医疗工作中发挥重要作用。
AI也可以协助开发具有自主功能的机械装置或机器人系统，为药物输送、精密机械任务和决策支持系统提供支持，进而执行高度复杂的任务。具有自主功能的智能系统对于临床工作来说越来越重要，尤其是在劳动力老龄化的情况下，这样的智能系统可以大幅提高临床效率、弥补劳动力短缺以及资源的优化。2015年，美国强生公司的自动麻醉机“Sedasys”获得美国食品和药物管理局批准，Sedasys系统可以在经过设置后自动对进行胃结肠镜等内镜手术的患者实施麻醉，不再需要传统的麻醉医师参与麻醉镇静过程。
2.1 AI应用于困难气道临床评估和预测方面的研究进展
Barclay‑Steuart等回顾性分析了4 021例患者的喉镜检查视频，并采用机器学习算法，构建了困难气道的风险评估模型。该研究发现前庭褶皱区域、声门上区域、杓状肌区域和声门区域的视野和咽部分泌物潴留与困难气道相关。Jin等基于临床大数据开发了一种适用于中国人群的气道评估模型，模型最终的AUC为0.829。
通过识别X线片中的气道结构，也有助于预测困难气道。一项研究纳入了5 939例甲状腺手术患者术前的头颈部X线片影像，开发并测试了一种基于卷积神经网络的深度学习模型，该模型可以准确预测患者是否会发生喉镜显露困难，最终的AUC为0.965。很多研究也使用X线片影像在术前预测合适的气管导管尺寸以及导管插入深度。Lakhani使用卷积神经网络开发了辅助气管导管定位的预测模型，该模型最终在不同的数据集上进行了测试，最终的AUC为0.81~0.99。
通过CT图像中鼻腔直径与舌表面积也可以预测困难气道。Grimes等发现，CT图像在预测鼻腔插管困难方面具有71.4%的阳性预测值。AI技术也可用于分析磁共振成像（magnetic resonance imaging, MRI）图像进而评估困难气道，但MRI扫描时间长，且医疗成本高，一般不作为首选。Münster等发现，喉镜显露困难与MRI图像中声带与颈椎的解剖位置之间存在相关性。
特定的面部特征与困难气道相关，通过AI算法可分析人脸面部特征进而评估气道。Suzuki等手动标记了多个面部特征点，发现患者耳屏至颏部连线与下颌线所成的夹角与困难插管显著相关。2015年，Cuendet等对990例患者的4张面部图像进行分析，并基于随机森林算法构建了气道评估模型，模型的AUC为77.9%。这项研究首次在气道评估领域实现了全自动人脸图像识别技术，有望简化气道评估流程。但传统的图像识别技术对于图像质量要求很高，该研究特制了照相设备并固定拍摄距离和角度，这限制了其大规模的临床应用。2021年，依靠卷积神经网络的深度学习算法，有研究从大型名人面部图像数据库中学习多个面部区域特征，建立了困难插管预测模型，其AUC为71%。Hayasaka等分析了202例患者的16张照片，开发了一个基于卷积神经网络的气道评估模型，其AUC为86.4%。2023年，Xia等对5 849例患者的7张面部图像进行了分析，训练了基于卷积神经网络的深度学习模型，该模型对困难气道具有较好的预测性能，其AUC为77.9%，灵敏度为75.7%，特异度为72.1%，显著优于目前常用的床旁检查和综合评分（如El‑Ganzouri风险指数以及Wilson评分）。
国际上多位学者通过分析患者的语音信息预测困难气道获得了较高的准确性，值得进一步探索。不少声学参数与上气道的长度、内径、形状等内在结构密切相关。目前研究发现，通过语音特征（5个元音、5个共振峰频率）构建困难气道评估模型在预测喉镜显露困难和面罩通气困难中具有一定价值。研究也发现，在亚洲人群中，一些声学特征可预测喉镜显露困难和面罩通气困难，其中包括共振峰频率（formant, F）中的F1~F4和带宽（bandwidth, BW）中的BW1~BW4，AUC分别为0.709和0.779。
虚拟喉镜是一种非侵入性、可以代替纤维支气管镜的诊断技术。依靠软件各种成像技术（如CT和MRI）的数据重建的三维内部解剖结构，虚拟喉镜可以将气道可视化，反映感染、炎症及肿瘤患者气道和声门下腔的内部和外部视图，提高麻醉医师对气道评估的准确性。
2.2 AI应用于困难气道临床评估和预测方面的未来展望
目前我们发现，AI在气道评估领域的研究仍面临一些挑战和局限。首先，尽管许多基于AI的研究已将多种数据源，如影像学图像（X线片、CT等）、面部图像及语音信息纳入分析范畴，但这些研究大多仅集中在单一领域进行深入分析（有些研究专注于CT图像分析，而另一些则仅限于面部图像或语音信号处理）。这种单一领域的数据分析方法可能导致评估结果的片面性，无法全面整合来自不同数据源的患者信息，从而限制了对困难气道的精确预测。此外，当前的研究在大数据样本支持方面仍存在不足。许多AI模型由于缺乏大规模、多样化的数据集，导致其泛化能力和适用性受到限制。这不仅影响了模型的可靠性，也阻碍了其在实际临床环境中的广泛应用。大数据样本的不足还使得AI系统难以捕捉到患者间的多样性和复杂性，从而影响其在不同临床场景中的表现。
尽管如此，AI在困难气道评估领域的应用前景仍十分广阔。首先，AI能够通过对大量患者数据进行分析，精确识别可能存在的困难气道。通过机器学习算法，AI可以从影像学、病史、体征等多方面综合评估，构建多模态的气道评估模型，从而精准预测可能存在的困难气道。其次，虽然目前研究结果表明，当前一些AI气道评估工具的预测性能较为受限，但其中大部分的研究结果均优于常规气道评估工具（如El‑Ganzouri风险指数以及Wilson评分等）。而且，随着数据的不断积累，AI系统可以持续优化其算法，逐步提高评估的准确性和可靠性。通过整合新的医学研究成果和临床数据，AI能够保持与时俱进，提供最新、最有效的评估和管理方案。第三，在资源有限的地区或紧急情况下，AI可以通过远程医疗平台帮助当地医护人员进行困难气道的评估和管理。AI可以实时分析患者数据，并与远程专家团队进行协作，提供最优的治疗建议。最后，在未来AI也许可以生成虚拟患者案例（如通过虚拟喉镜技术），模拟不同难度的气道管理场景，帮助医护人员进行实战演练。此外，AI还能根据学习者的操作表现，提供个性化反馈和改进建议，提升培训效果。
3.1 AI应用于气管插管方面的研究进展
目前，很多研究使用AI技术识别气道结构，协助麻醉医师在气管插管过程中进行定位工作。Wang等在纤维支气管镜的基础上，引入深度卷积神经网络，开发了一种应用程序，这种应用程序可以在视频中识别内收肌反射事件，从而进一步帮助麻醉医师识别声门。Hamad等提出一种基于深度学习的全自动视频分割系统，用于分割纤维支气管镜视频中的声带图像。Adamian等使用机器学习模型实现了实时检测、分类和标记声带以及气管的相关解剖结构。
除了开发目标分类识别的算法之外，AI在协助开发气管插管工具方面也有很多研究进展。2012年，Hemmerling等发明了远程操控的气管插管设备——开普勒气管插管系统，是第一个用于气管插管的机器人系统。目前已在气道模型和小样本临床试验中得到验证，在气道模拟人中首次插管成功率为100%，平均插管时间为46~51 s，在临床研究中首次插管成功率为91.67%，平均插管时间为57 s。全磁导航气管插管技术可利用体外磁体引导体内相应磁体向预设目标区域移动。在气管导管引导条尖端置入磁体，其尖端在磁场环境下可灵活变向，于颈前区加载体外导航磁体，可以把引导条尖端吸向前方进入气管。该装置可以减少医务人员与患者呼吸道直接接触，降低感染风险。Biro等研发了基于喉部图像识别技术的自动化气管插管装置，该装置具有实时图像识别、远端自动定位功能。Wu等研发了一种基于AI图像识别系统的气管插管装置，该装置可以精准检测气管插管相关的解剖结构，包括嘴唇、声带以及会厌等。Xia等将可视化技术、气体监测技术和AI算法相结合，构建了一种新型的多模态气管插管智能导航装置，该装置尤其适用于困难气道的清醒插管，减少插管时间和反复尝试次数，提高困难气道插管的成功率，从而实现高效、准确的插管操作。
3.2 AI应用于气管插管方面的未来展望
我们发现，当前AI气管插管领域的研究仍面临一些挑战和局限。现有研究表明，虽然气管插管设备在目标识别、导航技术和远程操作方面进行了多种创新，并取得局部突破，但至今尚未研发出全自动化气管插管设备。目前的插管设备通常只在特定领域或操作步骤中实现了自动化，整个插管过程仍依赖于手动操作完成多个关键步骤。未来的研究方向应集中在以下几个方面，以推动全自动化气管插管设备的发展：① 全流程自动化设计，需要打破当前各阶段自动化之间的孤立状态，通过整合现有技术成果，研发能够覆盖插管全过程的全自动化设备；② 多学科技术融合，应加强各学科领域的技术融合，包括AI技术、机器人技术、传感器技术和医学影像处理等。通过跨学科协同创新，开发出更智能、更精确的插管设备，实现从目标识别到实际操作的无缝衔接；③ 临床验证与大数据支持，在研发过程中，需要大量临床试验和大数据支持，以验证自动化设备在不同临床场景中的有效性和安全性。
4.1 AI应用于呼吸机管理方面的研究进展
早在20世纪80年代，就有学者提出辅助机械通气进行呼吸机管理的智能决策支持系统。1984年，Fagan等开发了第一个机械通气的管理装置，该装置可以基于患者的诊断、血气分析及血流动力学结果进行呼吸机管理，从而提供呼吸机脱机的预测。1985年，Miller也采用了类似的模式，开发了一个目标导向的呼吸机管理程序，该程序同样可以基于患者的诊断、血气分析及血流动力学结果提供呼吸机参数设置建议。1988年，Hernandez等开发了一个呼吸机管理的闭环系统，该系统可以自动调整间歇指令通气，帮助患者的呼吸机脱机。1989年，Sittig等设计了一个计算机化患者咨询系统，用于指导急性呼吸窘迫综合征患者的呼吸治疗。
1991年，Arrøe提出用于治疗早产儿的计算机化专家系统，该系统最多可同时处理6个婴儿，并对动脉血氧分压及动脉血二氧化碳分压进行连续评估，从而对可能的临床并发症提供预警。同年，Strickland JH和Hasson开发了一个自动化呼吸机管理系统，首次将笔记本电脑与呼吸机和监护仪相连接。该系统每5 min检查1次患者的血氧饱和度、呼吸频率和潮气量，若这些数据都在系统设置的正常范围内，则以2次/min的速度降低同步间歇指令通气模式下的呼吸频率。
1992年，Dojat等提出呼吸管理的闭环管理系统可用于在压力支持呼吸模式下进行呼吸管理，该系统可实时解释临床数据，并不断调整参数对患者进行呼吸管理。2006年，Lellouche等针对Dojat等提出的闭环管理系统进一步开展了一项多中心随机对照研究，将医师决策下的呼吸机脱机患者与计算机辅助决策下的呼吸机脱机患者进行比较，结果显示，与医师决策下的脱机过程相比，使用特定计算机辅助决策系统可减少机械通气持续时间和重症监护治疗病房（intensive care unit, ICU）住院时间。
1999年，Nemoto等首次使用模糊逻辑算法成功开发了一种自动控制程序，让患者在压力控制模式下进行呼吸机脱机。该程序基于患者的心率、潮气量、呼吸频率和动脉血氧饱和度，可以确定患者合适的机械通气压力，旨在实现呼吸机脱机的闭环控制。
2007年，Tehrani开发了名为Flex的计算机系统，该系统可用于多种通气模式，并进行呼吸机脱机的自动控制。Flex系统在设计时将以下内容作为调整目标：① 将动脉血气调节在正常范围内；② 优化呼吸管理，减少呼吸做功；③ 减少呼吸机的脱机时间。
近些年，多种呼吸机闭环管理系统上市。Evita 4（Draeger医疗公司，德国）可以在压力控制和压力支持模式下自动控制所有呼吸参数，以减少机械通气的呼吸负荷。Galileo（Hamilton医疗公司，瑞士）可以提供一种名为自适应支持通气的闭环通气控制模式。SmartCareTM（Draeger医疗公司，德国）也称为“Neoganesh”系统，是第一个用于呼吸机脱机的商用自动化系统。SmartCareTM会根据患者的呼吸频率以及潮气量持续调整压力支持水平，从而个性化定制患者的脱机方案。后续有研究表明，使用SmartCareTM显著缩短了机械通气时长、气管插管时长、ICU住院时长，也显著减少了机械通气时间超过7 d和21 d的患者比例。但是，该研究也强调，当前的研究证据质量尚有不足，仍需更大规模的研究进一步确认当前的结论。
另外，AI技术也被应用于监测及预测机械通气时的人机对抗现象。有研究对几万至几百万个呼吸周期进行了分析，预测了不同的人机对抗现象，其中包括双重触发和呼吸叠加不同步、流量受限以及无效触发等多种人机对抗现象。利用机器学习对人机对抗的早期检测可以减少患者在机械通气时所面临的很多复杂问题，包括机械通气时间延长、ICU住院时间延长以及病死率上升。研究表明，AI技术在预测人机对抗方面预测准确率高达90%以上，这表明AI技术有望实现更加精准的机械通气管理，从而降低患者在机械通气过程中的并发症风险，改善治疗效果。
4.2 AI应用于呼吸机管理方面的未来展望
总体而言，AI在机械通气领域的应用仍处于初步阶段。然而，AI在这一领域展现出巨大潜力，特别是在优化通气设置方面，以及为气管插管和拔管的最佳时机提供建议。尽管如此，这些呼吸机闭环管理系统完成后，必须继续进行前瞻性验证，以确保其临床有效性；同时，麻醉医师要时刻确保最终决策权在自己手中，不能盲目听从AI的意见，麻醉医师应根据自身专业知识和经验，对AI的建议进行评估和验证。另一方面。在开发算法时，确保代码的公开透明至关重要，特别是在可能的情况下应开放用于开发的临床数据。此外，研究人员还应将算法鲁棒性的评估纳入分析和报告的标准程序，以确保其公平性和广泛适用性。未来AI可通过分析患者的实时生理数据（如血氧饱和度、呼气末二氧化碳、肺顺应性等）为每位患者定制个性化的通气设置。AI算法能够根据患者的病情变化动态调整呼吸机参数，提供更精准的机械通气支持。这种个性化的通气策略有望提高治疗效果，减少呼吸机相关并发症。
AI技术在气道管理和呼吸治疗中的应用虽然有助于提高效率和准确性，但仍存在一些局限性。首先，AI模型依赖于高质量的数据，而数据偏倚和不完整可能导致模型在某些患者群体中表现不佳。例如，如果训练数据集中某些人群（如少数民族和不同年龄段、性别）的数据不足或代表性不强，AI模型可能在这些群体中的预测准确性会显著下降。其次，许多AI模型，特别是基于深度学习的模型，通常被视为“黑箱”。这些模型的内部决策过程复杂且难以解释，导致医护人员难以理解AI系统是如何得出某个决策的。这种不透明性可能导致临床医师对AI系统的依赖不足，或者在过度依赖AI的情况下做出错误的临床判断，影响医疗决策的独立性和质量。再者，AI在气道管理中的应用还涉及伦理和安全问题。AI系统的决策可能直接影响患者的生命安全，这要求AI系统必须经过严格的伦理审查和多层次的安全验证。此外，AI系统也面临网络安全威胁的风险，如数据泄露或系统被恶意攻击，都可能导致严重的医疗事故。尽管AI技术在气道管理中面临这些挑战，通过以下措施可以逐步克服：改进AI模型的可解释性，让模型的决策过程更加透明，增强临床医务人员的信任感；加强数据质量管理，确保数据集的多样性和代表性，减少数据偏倚；制定严格的伦理和安全标准，确保AI系统在临床应用中的安全性和有效性。这些措施将有助于推动AI技术在气道管理和呼吸治疗中的更广泛和更安全的应用。
综上所述，AI在辅助气道管理和呼吸治疗中发挥着重要作用，所有AI相关的临床辅助决策系统或程序均需经过严格的测试、验证后才能在临床上应用。准确且可靠的AI算法依赖于高质量的数据、不断的训练过程以及持续性的模型更新和改进。此外，AI技术仅作为重要辅助工具，最终决定和临床判断应始终由具有丰富临床经验的临床医师做出。
