【麻海新知】人工智能在气道管理中的应用：叙述性综述
时间：2026-05-09 21:36:36 热度：37.1℃ 作者：网络
深度解析医学证据，lxfs.net为你支撑决策
人工智能（AI）技术的迅猛发展正在深刻重塑医疗实践，其在气道管理领域的应用潜力同样备受瞩目。本研究旨在全面探讨并梳理人工智能在气道管理各个关键环节中的应用现状与未来前景。在研究实施方面，研究者基于2025年7月完成的结构化文献检索，开展了一项详尽的叙述性综述（narrative review）。
本研究希望多维度地探索AI技术在气道管理中的预期干预模式及其潜在影响，具体方向包括：探索通过面部识别、语音分析和多参数评估来预测困难气道的可行性；考察AI驱动系统在可视喉镜操作中提供实时解剖结构识别、流程引导和导管位置确认的潜力；探讨在紧急高压场景下，AI如何通过减少决策偏差、提供智能预警和引导指南依从性来为医师提供认知支持；以及评估AI增强的虚拟现实（VR）模拟系统在临床教育与个性化培训中的应用价值。此外，研究还将前瞻性地关注处于实验阶段的AI引导机器人插管系统的发展，并深入剖析这些新兴技术在走向临床应用时必须面对的关键挑战——例如临床技能退化的风险、算法“黑匣子”属性导致的透明度受限问题，以及未来理想的人机协作模式、伦理界限和监管框架的构建。通过对上述领域的系统梳理，本研究致力于为未来气道管理的智能化演进提供理论参考与探索脉络。研究结果最终发表在2026年5月的Br J Anaesth杂志。
编辑要点
• 人工智能(artificial intelligence, AI)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前景。
• 对于可视喉镜检查，人工智能（AI）驱动的系统可提供实时结构识别、操作引导、气管导管位置确认，并可能减少并发症。
• 在危急情况下，人工智能（AI）通过减轻决策偏倚、提供智能报警和确保指南依从性来提供认知支持。
• 在教育领域，人工智能（AI）增强的虚拟现实（virtual reality, VR）模拟系统创造了逼真的练习环境，并根据学习者的需求提供个性化反馈。
• 人工智能（AI）应补充而非取代人类的专业知识。
人工智能（AI）不会取代人类，但使用人工智能（AI）的人将取代那些不使用的人。
——前IBM首席执行官吉尼·罗梅蒂（Ginni Rometty）
什么是人工智能？
现有人工智能（AI）的定义很多，但最贴切的定义之一可能是IBM官方网站上提供的：人工智能（AI）是一种使计算机和机器能够模拟人类学习、理解、解决问题、决策、创造力和自主性的技术。这一概念表明，人工智能（AI）模仿自然智能，但运行速度更快且不受情感影响，理论上减少了情感和认知偏倚。然而，尤德科夫斯基（Yudkowsky）指出：“到目前为止，人工智能（AI）最大的危险在于人们过早地认为自己已经了解了它”。自20世纪80年代末以来，人工智能（AI）在麻醉领域的应用不断被探索，研究范围扩大到包括神经网络、麻醉深度监测、事件预测和手术室后勤管理。新型冠状病毒肺炎（COVID-19）大流行加速了人工智能（AI）在医疗领域的应用，气道管理逐渐成为一个重要的应用领域。本叙述性综述的主要目的是概述与人工智能（AI）在气道管理中临床应用相关的现有证据。研究者旨在评估当前研究的现状，对用于气道管理的人工智能（AI）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。
方法
三名经验丰富的研究人员（LLV、AM和ECLG）对Medline和Scopus数据库进行了文献检索，检索时间截至2025年7月20日。研究者结合了医学主题词（medical subject headings, MESH）和自由文本关键字。检索中还使用了布尔逻辑运算符（‘AND’、‘OR’）和截断符（*）。所使用的完整检索策略如下：（‘artificial intelligence’ [MeSH Terms] OR ‘machine learning’ [MeSH Terms] OR ‘deep learning’ [MeSH Terms] OR ‘neural networks (computer)’ [MeSH Terms] OR ‘computer vision’ OR ‘support vector machine’ OR ‘convolutional neural network’ OR ‘AI’ OR ‘ML’）AND（‘airway management’ [MeSH Terms] OR ‘intubation, intratracheal’ [MeSH Terms] OR ‘extubation’ [MeSH Terms] OR ‘difficult airway’ OR ‘video laryngoscopy’ OR ‘airway assessment’ OR ‘ventilation’ OR ‘laryngeal mask airway’）。该策略根据每个数据库的语法进行了调整。
研究者纳入了涉及在任何临床环境（手术室、重症监护病房、急诊科）中接受气道管理，并应用了人工智能（AI）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）的人类受试者的原始研究文章。截至2025年7月20日发表的观察性研究（前瞻性和回顾性队列研究、病例对照研究）和干预性研究（随机对照试验）均符合纳入标准，且未施加语言限制。
三名审阅者（MS、DSP和ML）根据纳入标准独立筛选了标题和摘要。任何阶段的分歧均通过共识解决。研究者咨询了ChatGPT来确定综述结构，并确定需要重点关注的关键人工智能（AI）方面：用于预测（困难）气道管理的人工智能（AI）、用于可视喉镜和气管插管的辅助人工智能（AI）、基于人工智能（AI）的认知支持，以及人工智能（AI）和虚拟现实（VR）在培训中的作用。Table 1提供了当前人工智能（AI）在这些领域中应用的结构化总结，突出了关键性能指标、临床益处和实施挑战。
预测气道管理中的人工智能
术前气道评估的纯数学和统计学方法表现出较差的阳性预测值和阴性预测值。近期的一篇社论结果表明，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征，需要进行个体化的逐案评估。现代气道评估应使用多项测试，应对所有潜在的困难（通气、喉镜检查、气管插管、声门上气道救援和颈前通路），并结合特定情境的评估，同时考虑解剖学测量、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（AI）是一种强大的气道评估工具，它能比传统方法更快、更准确地从大型数据集中提取知识。机器学习（machine learning, ML）可以分析大量信息并生成算法或模型，以识别模式并执行预测任务，而无需明确的指令。人工智能（AI）利用监督或无监督机器学习，可以理解多个变量之间的关系，从而提高预测的准确性。人工智能（AI）模型已在甲状腺、头颈部操作和颌面外科手术中得到研究，包括肥胖患者、儿科患者和创伤患者。在精确度和准确性方面，大多数分析的人工智能（AI）模型优于临床评估。随着人工智能（AI）模型中包含的变量数量增加，预测性能也会提高，这与从临床经验中学习类似。在择期和急诊环境中，仅使用2或3个参数的模型表现均差于多参数模型。人工智能（AI）模型可以分析放射学影像数据，以识别与困难气道相关的特征，提供气道分割并确认气管导管位置。塔沃拉拉（Tavolara）等发表的一篇里程碑式论文应用了深度学习（deep learning, DL）模型，通过结合名人肖像数据库的正面面部图像分析来识别困难气道。其他研究分析了基于面部图像的预测性气道评估，包括在经验丰富和经验不足的医务人员中评估困难面罩通气、困难喉镜检查、困难可视喉镜检查和睡眠呼吸暂停。相较于传统床旁评估20%的阳性预测值，这些人工智能（AI）模型达到了82%的阳性预测值，同时保持了相当的阴性预测值（84%相较于86%），这代表在正确识别困难气道患者同时最小化虚假安心感方面取得了具有临床意义的改进。夏（Xia）等报告称，在可视喉镜检查中，人工智能（AI）优于传统的床旁评估，因为在可视喉镜检查期间，口腔、喉部、咽部和气道结构清晰可见。
Table 1 人工智能在气道管理中的应用：当前证据总结。AGATI, 人工智能自动声门动作追踪; AI, 人工智能; AR, 增强现实; CNN, 卷积神经网络; TT, 气管导管; NPV, 阴性预测值; PPV, 阳性预测值; VR, 虚拟现实.
语音模式和声学特征也已被用于预测困难面罩通气、困难喉镜检查和未确诊的睡眠呼吸暂停综合征。某些语音模式与困难喉镜检查相关，准确率为85%。同样，使用语音模式预测困难面罩通气的曲线下面积（area under the curve, AUC）为0.85。
许多人工智能（AI）模型已使用智能手机进行了测试，麻醉科医师可以方便地使用智能手机，基于患者的主观面部评估来识别困难气道。迄今为止，系统评价和叙述性综述结果表明，人工智能（AI）模型在识别困难气道方面表现出中等到良好的区分能力。基于这些发现，研究者设想未来可以使用手持设备对患者进行视频或音频记录，以用于气道评估和管理。近期一项测试Chat-GPT-4制定围手术期麻醉计划能力的研究揭示了人工智能（AI）的重要局限性，该系统偶尔无法满足最低标准。最佳实践仍然是将人工智能（AI）预测模型与医师的经验相结合来照顾患者。
可视喉镜和气管插管中的人工智能
一旦制定了气道管理计划，可视喉镜检查和气管插管就可以通过辅助人工智能（AI）得到增强。人工智能（AI）模型可以通过解剖结构识别（上气道、喉、气管、支气管）、气管导管位置确认和机器人插管系统引导来支持喉镜检查和气管插管。
首批设计用于解剖结构识别的人工智能（AI）模型被应用于支气管镜检查，以识别正常和病理结构，其性能与最有经验的专家相当。当应用于可视喉镜检查时，人工智能（AI）模型必须针对不同类型的可视喉镜镜片（形状、曲率、设计）进行专门测试。支气管镜检查和喉镜检查图像被纳入人工智能（AI）卷积神经网络（convolutional neural network, CNN）模型，以提供声带和气管的实时分类和识别。表现最佳的模型显示特异度为0.971~0.985，敏感度为71%~100%，并具有实时反馈。类似的结果也在开源模型“AGATI-人工智能自动声门动作追踪（automated glottic action tracking by artificial intelligence）”、卷积神经网络模型以及各种其他人工智能（AI）算法中被报告。这些算法在喉镜检查期间提供虚拟辅助，并提高气管插管成功率，特别是对于经验较少的临床医师。然而，阳性预测值提高的临床价值必须与对人工智能（AI）输出过度自信的潜在风险进行权衡，这种过度自信可能会反常地增加风险或降低警惕性。
Fig 1. 从连接到配备用于结构识别和辅助信息的高级人工智能（AI）模型的笔记本电脑的可视喉镜获取的气道图像（详见正文）。该系统可提供实时解剖标记、动作建议和调整、正确定位的确认以及离线性能数据分析。AI, 人工智能。
Figure 1展示了研究者所在机构正在进行的一项研究中集成了人工智能（AI）支持的可视喉镜检查视图(LarynGuideTM software, aiEndoscopic, Zurich, Switzerland; https://www.aiendoscopic.com/projects/ larynguide)。人工智能（AI）识别气道结构并提供实时信息的能力是有价值的，并具有重大意义。人工智能（AI）可能在教学和培训、管理困难气道、整合多个数据集（计算机断层扫描（computed tomography, CT）、磁共振成像（magnetic resonance imaging, MRI）、术前内窥镜检查）以及认知支持方面提供支持。
用于新生儿可视喉镜检查和气管插管的模型也已被开发出来，但与成人模型相比，在识别结构方面的性能较低。然而，获得充分培训的机会很少，而且新生儿的气道很脆弱。新生儿领域对人工智能（AI）辅助的需求巨大。
紧急情况下可视喉镜检查中的人工智能
人工智能（AI）辅助通过提供实时的、动态的认知支持，在气管插管过程中具有巨大潜力。这种能力在困难气道或紧急气道管理中尤为宝贵，因为在这些情况下压力会增加认知偏倚的风险。人工智能（AI）辅助还可以迅速提供关于导管深度和位置的可靠信息。多项研究表明，其在分析胸部X光片和计算机断层扫描（computed tomography, CT）影像以识别气道问题方面表现出色。
通过能够提供自动导管位置检查和食管内气管插管识别的神经网络模型，食管内气管插管的检测能力有望得到提升，从而减少错误。然而，近期一项评估人工智能（AI）区分导管位置是否正确能力的研究表明，其敏感度高达100%，但特异度仅为20%。随附的社论指出，当前的人工智能（AI）系统可能在教育和认知支持（提供警报、指南和智能总结）方面比在气道管理期间进行实时临床决策更有价值。对于食管内气管插管的检测，解释肺滑行的AI模型可能比喉镜影像分析更可靠。在评估和监测生理参数的基础上，
人工智能（AI）辅助的药物输注和闭环系统可能通过调整诱导药物来减少高危患者围插管期的心血管并发症。最后，通过在喉镜检查和气管插管中应用人工智能（AI），智能报警功能可能得到增强，从而提高患者的安全性。
机器人插管中的人工智能
微电机、电子和伺服辅助机制的平行发展推动了在气道管理中具有潜在应用价值的机器人原型的诞生。各种机器人插管系统已被开发出来并在模拟气道场景中进行了测试。最初的测试使用了配备有软性支气管镜的达芬奇（DaVinci）手术机器人进行，随后出现了插管机器人。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科医师的操作相当。加入触觉反馈、压力和定位传感器可能会创造出能够执行快速插管同时减少潜在气道损伤的机器人系统。
尽管技术复杂，但机器人插管在临床应用上面临着难以克服的障碍：高昂的成本、空间要求、接口复杂性，以及在危急情况下关于人工智能（AI）驱动决策未解决的责任问题。目前，这些系统主要在培训、远程或危险环境（如远程指导或空气传染场景）中展示其价值，而非在常规临床实践中。声称达到专家级水平的主张需要严格审查——在受控的模拟器研究中表现良好，但在存在解剖变异、生理不稳定和时间压力的紧急场景中，预测性能很差。实验室成功与临床实用性之间的差距依然巨大。
气道管理培训中的人工智能
人工智能（AI）已成为医疗专业人员气道管理培训中的宝贵工具，它提供了创新的方法来增强技能获取和决策能力。通过高级模拟、虚拟现实（virtual reality, VR）和个性化反馈系统，人工智能（AI）使受训者能够在安全、受控的环境中练习复杂的操作，从而提高他们的信心和能力。此外，人工智能（AI）驱动的培训平台可以适应个性化的学习需求，识别需要改进的领域，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（AI）的培训计划有望通过为各级临床医师提供更真实、更易获取和更有效的培训体验，从而彻底改变气道管理的教育。多项研究表明，使用电子游戏与喉镜/插管技能的提高存在关联，这表明神经和行为的启动有助于运动技能的发展。
多项研究探讨了虚拟现实在喉镜检查和气道管理培训中的应用，包括支气管镜检查和模拟训练。人工智能（AI）辅助的认知支持不仅在没有患者风险的情况下提高了技术和非技术性气道管理技能，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，尽管已证实的益处较少。高保真虚拟现实系统可以通过延长培训时间、模拟罕见场景和减少与患者相关的培训风险，彻底改变气道管理的教育。
人工智能在气道管理中的未来
技术的发展为气道管理提供了新的工具、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、认知偏倚和非技术性问题仍然是与气道管理相关并发症的主要原因。
人工智能（AI）应用可以支持技术技能的培养（通过虚拟/增强现实和3D打印模拟器）以及非技术技能的发展（通过改善沟通、获取指南、数据解释和临床决策支持）。然而，重大的担忧削弱了这种乐观情绪，并值得仔细考虑。过度依赖人工智能（AI）存在导致临床医师技能退化的风险——即自动化导致手动和认知技能受损，在技术发生故障时使从业者措手不及。这种担忧超出了个人能力的范畴：人工智能（AI）的广泛采用可能会削弱专业角色，减少临床经验机会，并破坏有效临床教学所需的经验学习基础。人工智能（AI）和机器人插管系统可能通过减少动手实践的机会而特别加速这些影响。许多深度学习算法的“黑匣子”性质存在关键的透明度问题，因为其输出源自临床医师或开发者都无法完全理解的过程，在发生错误时引发了责任归属的质疑。数据隐私、算法偏倚和知情同意的方案仍未解决。
此外，讨论的大多数人工智能（AI）模型仍处于实验阶段，或仅在受控环境中进行了测试。很少有研究能够明确证明其在临床结局或真实世界安全指标方面的改善。实验室表现与床旁实施之间的差距巨大且缺乏定性。商业系统通常缺乏标准化的验证指标，且在测量实际患者结局或长期技能保留的严格对比研究中，它们相对于传统方法的优越性仍未被证实。在气道管理方面，海德格尔（Heidegger）及其同事发表的一篇出色的社论提出了几点意见，描绘了人工智能（AI）目前在气道管理中的角色。
虽然人工智能（AI）模型在预测困难气道方面优于临床检查，但必须结合基本的预测限制来看待这些改进。颜提斯（Yentis）证明了传统方法产生的阳性预测值较差，而罗斯（Roth）及其同事的Cochrane综述也证实了床旁测试的判别能力有限。人工智能（AI）并未从根本上解决阳性预测值低的问题；它在适度提高这些值的同时，保持了较高的阴性预测值。实际的影响是，人工智能（AI）改变了风险收益平衡：接受更多的假阳性预测（需要不必要的高级准备）以减少假阴性预测（未准备的困难气道）。这种权衡与强调准备而非精确度的现代安全文化相一致。
此外，即使是完美的预测本身也不能防止不良的气道管理或不良结局。人工智能（AI）的价值不仅在于预测的准确性，还在于它支持整个气道管理生态系统的潜力：预测性准备、操作引导、执行过程中的认知支持以及用于系统改进的事件后分析。如果数据可用且结构合理，人工智能（AI）模型可以整合和解释庞大的数据集。临床场景中的背景因素，包括情感和人际关系元素，可能无法转化为人工智能（AI）可以解释的数据，从而导致系统输出不足。
人工智能（AI）的实施需要审慎、责任和新的伦理框架。例如，“算法临床问责制（Algorithmic Clinical Accountability）”可以明确人工智能（AI）系统与医疗提供者在临床决策中的共同责任。随着人工智能（AI）加速融入临床实践，监管和法律保障措施必须同步发展。此外，医疗提供者应接受关于人工智能（AI）模型如何创建、其局限性以及临床医师如何利用它们为患者带来优势的教育。
最佳目标是进行谨慎的、基于证据的人机协作，让人工智能（AI）补充而非取代临床医师的专业知识。然而，人工智能（AI）可能会减少对人类临床医师的需求，削弱对教学至关重要的经验学习机会，并在算法发生故障或误解临床背景时引入新的失败模式。准确的预测和充满同理心的人际联系都让患者受益——而人工智能（AI）只能提供前者。认识到这些挑战，麻醉研究委员会（Anesthesia Research Council）指导委员会最近成立了一个专家工作组，以界定当前和未来人工智能（AI）在麻醉领域的整合，同时探索实施需求、局限性和障碍。该工作组强调，人工智能（AI）开发者必须始终专注于以患者为中心的解决方案，以支持医疗提供者并改善医疗系统。
原文：
Massimiliano Sorbello, Luigi La Via, Daniele S Paternò, Simona Tutino, Emilia C Lo Giudice, Mario Lentini, Antonino Maniaci, Federico Pappalardo. Artificial intelligence in airway management: a narrative review. Br J Anaesth. 2026 May;136(5):1606-1615. Doi: 10.1016/j.bja.2025.12.052.
