metricas
covid
Buscar en
Revista Española de Anestesiología y Reanimación (English Edition)
Toda la web
Inicio Revista Española de Anestesiología y Reanimación (English Edition) Machine learning models based on ultrasound and physical examination for airway ...
Journal Information
Vol. 71. Issue 8.
Pages 563-569 (October 2024)
Share
Share
Download PDF
More article options
Vol. 71. Issue 8.
Pages 563-569 (October 2024)
Original article
Machine learning models based on ultrasound and physical examination for airway assessment
Modelos de aprendizaje automático basados en ecografía y exploración física para la evaluación de la vía aérea
L. Madrid-Vázqueza,
Corresponding author
lucasmadrid93@gmail.com

Corresponding author.
, R. Casans-Francésb,*, M.A. Gómez-Ríosc, M.L. Cabrera-Sucrea, P.P. Granachera, L.E. Muñoz-Alamedaa
a Servicio de Anestesiología y Reanimación, Hospital Fundación Jiménez Díaz, Madrid, Spain
b Servicio de Anestesiología y Reanimación, Hospital Universitario Infanta Elena, Valdemoro, Madrid, Spain
c Servicio de Anestesiología y Reanimación, Complejo Hospitalario Universitario de A Coruña, A Coruña, Spain
Article information
Abstract
Full Text
Bibliography
Download PDF
Statistics
Figures (2)
Tables (2)
Table 1. Patient demographics, airway assessment, and ultrasound measurements. Results shown as n (percentage) or median (interquartile range) depending on whether they are discrete or continuous, using the Pearson or Wilcoxon test, respectively, to determine significance. Values of p<0.05 are significant.
Table 2. Sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and area under the ROC curve (AUC-ROC) of each machine learning model. The “Classic Model” combines age, Mallampati class, thyromental distance and bite test. The “Combined Model” includes all the foregoing parameters plus the sum of A+B+C, giving an ultrasound model with the highest AUC-ROC. Data are shown with a 95% confidence interval.
Show moreShow less
Additional material (1)
Abstract
Purpose

To demonstrate the utility of machine learning models for predicting difficult airways using clinical and ultrasound parameters.

Methods

This is a prospective non-consecutive cohort of patients undergoing elective surgery. We collected as predictor variables age, sex, BMI, OSA, Mallampatti, thyromental distance, bite test, cervical circumference, cervical ultrasound measurements, and Cormack-Lehanne class after laryngoscopy. We univariate analyzed the relationship of the predictor variables with the Cormack-Lehanne class to design machine learning models by applying the random forest technique with each predictor variable separately and in combination. We found each design's AUC-ROC, sensitivity, specificity, and positive and negative predictive values.

Results

We recruited 400 patients. Cormack-Lehanne patientsIII had higher age, BMI, cervical circumference, Mallampati class membershipIII, and bite testII and their ultrasound measurements were significantly higher. Machine learning models based on physical examination obtained better AUC-ROC values than ultrasound measurements but without reaching statistical significance. The combination of physical variables that we call the “Classic Model” achieved the highest AUC-ROC value among all the models [0.75 (0.67−0.83)], this difference being statistically significant compared to the rest of the ultrasound models.

Conclusions

The use of machine learning models for diagnosing VAD is a real possibility, although it is still in a very preliminary stage of development.

Clinical registry

ClinicalTrials.gov: NCT04816435.

Keywords:
Ultrasound
Machine learning
Difficult airway
Resumen
Objetivo

Demostrar la utilidad de modelos de aprendizaje automático para la predicción de vía aérea difícil mediante el uso de parámetros clínicos y ecográficos.

Métodos

Se trata de una cohorte prospectiva no consecutiva de pacientes sometidos a cirugía electiva. Se recogieron la edad, el sexo, el IMC, la presencia de SAOS, el grado en la escala Mallampati, la distancia tiromentoniana, la clase en el test de la mordida, la circunferencia cervical, las mediciones ecográficas cervicales y el grado en la clasificación de Cormack-Lehanne tras laringoscopia directa. Se analizó de forma univariante la relación de las variables predictivas con la clasificación Cormack-Lehanne para diseñar modelos de aprendizaje automático aplicando la técnica de random forest. Para cada diseño se calculó: AUC-ROC, sensibilidad, especificidad y valores predictivos positivos y negativos.

Resultados

Se reclutaron 400 pacientes. En el análisis se evidenció que aquellos pacientes Cormack-LehanneIII tenían mayor edad, IMC, circunferencia cervical, mayor clase en el test Mallampati y de la mordida. Además las mediciones ecográficas fueron significativamente mayores en los pacientes Cormack-LehaneIII. Se objetivó que los modelos de aprendizaje automático basados en la exploración física obtuvieron mejores valores de AUC-ROC que los basados en mediciones ecográficas, sin alcanzar significación estadística. La combinación de variables físicas al que se denominó “Modelo Clásico” alcanzó el mayor valor de AUC-ROC de entre todos los modelos [0.75 (0.67−0.83)] siendo esta diferencia estadísticamente significativa frente al resto de modelos ecográficos.

Conclusiones

La utilización de modelos de aprendizaje automático para el diagnóstico de VAD es una posibilidad real, aunque todavía está en una fase muy preliminar de desarrollo.

Registroclínico

ClinicalTrials.gov: NCT04816435.

Palabras clave:
Ecografía
Aprendizaje automático
Vía aérea difícil

Article

These are the options to access the full texts of the publication Revista Española de Anestesiología y Reanimación (English Edition)
Subscriber
Subscriber

If you already have your login data, please click here .

If you have forgotten your password you can you can recover it by clicking here and selecting the option “I have forgotten my password”
Subscribe
Subscribe to

Revista Española de Anestesiología y Reanimación (English Edition)

Purchase
Purchase article

Purchasing article the PDF version will be downloaded

Price 19.34 €

Purchase now
Contact
Phone for subscriptions and reporting of errors
From Monday to Friday from 9 a.m. to 6 p.m. (GMT + 1) except for the months of July and August which will be from 9 a.m. to 3 p.m.
Calls from Spain
932 415 960
Calls from outside Spain
+34 932 415 960
E-mail
Article options
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos

Quizás le interese:
10.1016/j.redare.2024.101642
No mostrar más