Zor havayolu riski olan hastaların preoperatif tespiti için birçok prediktif klinik test birlikte kullanılmaktadır. Bu çalışmada, çeşitli klinik testler ve antropometrik ölçümler kullanarak farklı yapay zeka algoritmaları ile zor entübasyonu öngörmeyi ve ayrıca yapay zeka ile Cormack ve Lehane (CL) sınıflandırmasının doğruluk performansını değerlendirmeyi amaçladık. Bu çalışma 2016-2019 yılları arasında tek kör prospektif gözlemsel bir çalışma olarak yürütülmüştür. American Society of Anesthesiologists fiziksel durumu I-III olan, elektif cerrahi planlanan ve endotrakeal entübasyon gerektiren toplam 1486 hasta dahil edildi. Hastaların demografik değişkenleri, klinik testleri ve antropometrik ölçümleri kaydedildi. Zor entübasyon, kolay ve zor entübasyon kriterlerine göre 4 dereceli CL sistemi kullanılarak değerlendirildi. 16 farklı yapay zeka algoritması kullanılarak zor entübasyon tahmin edilmeye çalışılmıştır. Yapay zeka algoritmaları arasında en yüksek başarı oranı RandomForest yöntemi ile elde edilmiştir. Bu yöntemle zor entübasyon %92.85 duyarlılık, %96.94 özgüllük, %93.69 pozitif prediktif değer ve %96.52 negatif prediktif değer ile öngörülmüştür. CL sınıflandırma doğruluk performansı da %95,60 olarak belirlenmiştir. Yapay zeka, zor entübasyonu tahmin etmede oldukça başarılı olmuştur. Ayrıca kolay ve zor entübe hastaların CL sınıflandırmaları yapay zeka algoritmaları ile başarılı bir şekilde tahmin edilmiştir. Laringeal görünüm için 6 dereceli modifiye CL sınıflandırmasının kullanılması, daha güçlü zor entübasyon tahmini sağlayabilir. Zor entübasyon tanımını destekleyen bireysel farklılıklar ve klinik özellikler eklenerek yapay zeka eğitiminde daha güvenli ve daha güçlü bir tahmin elde edilebilir.
Çalışmanın detayları Duzce Medical Journal adlı dergide yayınlanmıştır. Çalışmaya aşağıdaki bağlantılardan ulaşılabilir.
