【神麻人智】人工智能在气道管理中的应用 ： 一篇叙述性综述
时间：2026-05-05 17:10:07 热度：37.1℃ 作者：网络
摘要
本文基于截止2025 年 7 月结构化文献检索，探讨人工智能（AI）在气道管理领域的应用价值。人工智能可通过面部识别、语音分析和多参数评估等方式预测困难气道，其模型的阳性预测值较传统床旁检查有所提升，但预测效果仍非尽善尽美，低阳性预测值这一核心难题虽有所缓解，但仍未彻底解决。在视频喉镜操作中，人工智能驱动的系统可实现解剖结构实时识别、操作流程指导、气管导管置入位置验证，或能减少相关并发症的发生。在危急临床场景中，当人为操作因应激因素受影响时，人工智能可通过减少决策偏倚、发出智能警报、保障临床指南的执行，为临床决策提供认知支持。在医学教育领域，人工智能增强的虚拟现实模拟技术可构建高仿真的实操环境，并根据学习者的个性化需求提供反馈。在受控环境下，由人工智能算法引导的实验性机器人气管插管系统，其操作表现可与专业医师媲美，目前该技术主要应用于教学和远程医疗场景。尽管人工智能在气道管理中的应用取得上述进展，但该技术仍应作为临床医师专业能力的补充，而非替代。人工智能的临床应用仍面临诸多关键挑战，包括临床医师操作技能退化的风险、部分算法的 “黑箱” 特性导致的透明度不足，以及大规模临床应用前需开展的充分验证研究。理想的应用模式为人机协作：人工智能弥补人类的认知局限，而临床医师则发挥其临床判断、临床情境感知与人文共情能力。随着人工智能技术的持续发展，需同步构建完善的伦理框架与监管体系，确保该技术在提升患者安全的同时保留医疗服务中不可或缺的人文核心。
关键词：气道管理；人工智能；气管插管；机器学习；预测；机器人气道系统；视频喉镜；虚拟现实培训
要点
·人工智能可通过面部识别、语音分析和多参数评估实现困难气道预测，具有良好应用前景。
·视频喉镜操作中，人工智能驱动的系统可完成解剖结构实时识别、操作流程指导、气管导管置入位置验证，或能减少并发症发生。
·危急场景下，人工智能可通过减少决策偏倚、发出智能警报、保障指南执行，为临床提供认知支持。
·医学教育中，人工智能增强的虚拟现实模拟技术可构建高仿真实操环境，并为学习者提供个性化反馈。
·人工智能应作为临床医师专业能力的补充，而非替代。
人工智能的定义
人工智能的定义繁多，其中IBM 官方网站给出的定义被认为是最贴合的表述之一：人工智能是指使计算机和机器能够模拟人类学习、理解、问题解决、决策制定、创新创造与自主行为的技术。该定义表明，人工智能可模拟人类自然智能，且运算速度更快、不受情绪干扰，理论上能减少情绪与认知偏倚的影响 。然而，尤德科夫斯基曾指出：“到目前为止，人工智能最大的危险在于，人们过早地认为自己已经理解了它。”
自20 世纪 80 年代末起，学者们便开始探索人工智能在麻醉学领域的应用，相关研究逐步拓展至神经网络、麻醉深度监测、不良事件预测及手术室流程管理等方向。新型冠状病毒肺炎疫情的暴发加速了人工智能在医疗健康领域的应用，气道管理也成为该技术的重要应用场景。本叙述性综述的主要目的是梳理人工智能在气道管理临床应用中的现有证据，评估相关研究的现状，对气道管理领域的人工智能模型进行分类，并找出现有文献中的研究空白，为未来研究提供方向。
研究方法
2025 年 7 月 20 日前，由三名资深研究者（LLV、AM、ECLG）在医学文献数据库（Medline）和斯高帕斯数据库（Scopus）中开展文献检索。检索过程结合了医学主题词（MeSH）与自由文本关键词，同时使用布尔运算符（“与”“或”）和截词符（*）。完整的检索策略如下：（“人工智能”[医学主题词] 或 “机器学习”[医学主题词] 或 “深度学习”[医学主题词] 或 “计算机神经网络”[医学主题词] 或 “计算机视觉” 或 “支持向量机” 或 “卷积神经网络” 或 “AI” 或 “ML”）且（“气道管理”[医学主题词] 或 “气管内插管”[医学主题词] 或 “拔管”[医学主题词] 或 “困难气道” 或 “视频喉镜” 或 “气道评估” 或 “通气” 或 “喉罩气道”），并根据各数据库的检索语法对该策略进行适配调整。
本研究纳入标准为：在任意临床场景（手术室、重症监护室、急诊科）中，对接受气道管理的人类研究对象应用人工智能技术（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）的原创研究论文；纳入2025 年 7 月 20 日前发表的观察性研究（前瞻性和回顾性队列研究、病例对照研究）与干预性研究（随机对照试验），且无语言限制。
由三名评价者根据纳入与排除标准独立对文献标题和摘要进行筛选，各阶段的意见分歧均通过共识协商解决。本研究借助ChatGPT 确定综述结构，并明确需要重点关注的人工智能研究方向，包括：用于困难气道管理预测的人工智能、视频喉镜与气管插管的辅助人工智能、基于人工智能的临床认知支持，以及人工智能与虚拟现实在气道管理培训中的应用。表 1 对上述领域中人工智能的当前应用情况进行了结构化总结，重点阐述了关键性能指标、临床获益及应用挑战。
表1：当前关于人工智能在气道管理中的应用的研究成果总结
人工智能在气道管理预测中的应用
纯数学与统计学方法用于术前气道评估时，其阳性预测值与阴性预测值均较差。近期一篇述评指出，困难气道属于一种综合征，由多种因素复杂相互作用所致，需结合病例进行个体化评估。现代气道评估应采用多项检查联合的方式，全面评估各类潜在的气道管理难点（通气、喉镜操作、气管插管、声门上气道补救通气、环甲膜穿刺/ 切开），并开展结合临床情境的评估，综合考虑解剖学测量指标、气道疾病史、患者的病理生理紊乱状态、临床场景、医疗环境及医护团队水平等因素。
人工智能能够从大型数据集中提取信息，其速度与准确性均优于传统方法，是气道评估的有力工具。机器学习可分析海量信息并生成算法/ 模型，无需显性指令即可实现模式识别和预测任务。通过有监督或无监督机器学习，人工智能能够挖掘多个变量间的关联关系，从而提升预测的准确性。目前，人工智能模型已在甲状腺手术、头颈部手术、颌面外科手术中得到研究，研究对象包括肥胖患者、儿科患者和创伤患者。多数研究表明，所分析的人工智能模型在预测精准度和准确性上均优于临床评估。与临床经验的积累规律相似，纳入人工智能模型的变量越多，其预测性能越强。在择期和急诊临床场景中，仅纳入 2~3 个参数的模型，其表现均逊于多参数模型。
人工智能模型可分析放射影像学数据，识别与困难气道相关的影像学特征，完成气道结构分割并验证气管导管的置入位置。塔沃拉等学者发表的一篇里程碑式论文中，研究团队以名人面部肖像数据库为基础，将深度学习模型应用于面部正面图像分析，实现了困难气道的识别。其他研究则基于面部图像开展气道预测评估，研究方向包括困难面罩通气、困难喉镜操作、困难视频喉镜操作和睡眠呼吸暂停，研究对象涵盖经验丰富和缺乏经验的医务人员。研究显示，这些人工智能模型的阳性预测值可达45%~76%，而传统床旁检查仅为 5%~20%，且两者的阴性预测值相近（人工智能模型 92%~98% vs 传统床旁检查 94%~99%）。这一结果表明，人工智能在准确识别困难气道患者、减少临床误判方面取得了具有临床意义的提升。夏等学者指出，在视频喉镜操作中，人工智能的表现优于传统床旁检查，原因是视频喉镜可清晰显示口腔、喉、咽及气道的解剖结构。研究者利用语音模式和声学特征预测困难面罩通气、困难喉镜操作及未确诊的睡眠呼吸暂停综合征。研究发现，特定语音模式与困难喉镜操作相关，其预测准确率可达 76.1%；同理，基于语音模式预测困难面罩通气的曲线下面积（AUC）为 74%。
已有多项研究通过智能手机对人工智能模型进行验证，麻醉医师可借助智能手机，通过对患者进行主观性面部评估，实现困难气道的快速识别。迄今为止，系统综述和叙述性综述的结果均表明，人工智能模型对困难气道的识别具有中至良好的鉴别能力。基于上述研究结果，研究者展望未来可开发手持设备，通过采集患者的视频/ 音频信息，完成气道评估与管理。近期一项研究测试ChatGPT-4 制定围手术期麻醉方案的能力，结果揭示了人工智能的重要局限性- 该系统的表现有时无法达到最低临床标准⁶⁶。因此，临床最佳实践仍需结合人工智能预测模型与医师的临床经验。
人工智能在视频喉镜与气管插管中的应用
在制定气道管理方案后，辅助人工智能技术可优化视频喉镜操作与气管插管流程。人工智能模型可通过解剖结构识别（上气道、喉、气管、支气管）、气管导管位置验证、机器人气管插管系统引导等方式，为喉镜操作和气管插管提供支持。
首个用于解剖结构识别的人工智能模型应用于支气管镜检查，可识别正常与病理性解剖结构，其表现与资深专家相当。将该技术应用于视频喉镜操作时，需针对不同类型视频喉镜镜片的形状、曲度和设计特点，对人工智能模型进行专项验证⁷³。研究者将支气管镜和喉镜图像纳入人工智能卷积神经网络模型，实现了声带和气管的实时分类与识别，性能最优的模型其特异度达 0.971~0.985，灵敏度达 0.865~0.892，且可提供实时反馈。开源模型 “AGATI—— 人工智能自动化声门活动追踪系统”、卷积神经网络模型及其他各类人工智能算法也取得了相似的研究结果。这些算法可为喉镜操作提供虚拟辅助，提升气管插管的成功率，对经验不足的临床医师尤为有益。但需注意，在肯定人工智能阳性预测值提升的临床价值时，也应警惕临床医师对人工智能输出结果的过度信任 —— 这一现象可能反而增加临床风险，或降低医师的操作警惕性。
图1：通过连接了装有先进人工智能算法的笔记本电脑的视频喉镜所获取气道图像。
图1 展示了本机构一项正在进行的研究中，整合人工智能支持的视频喉镜操作视野（瑞士苏黎世 aiEndoscopic 公司 LarynGuide™软件。人工智能能够识别气道解剖结构并提供实时信息，具有重要的临床价值和应用意义，可应用于气道管理的教学培训、困难气道处理、多源数据整合（计算机断层扫描、磁共振成像、术前内镜检查）及临床认知支持等方面。
目前已有研究者开发了适用于新生儿视频喉镜操作和气管插管的人工智能模型，但其解剖结构识别性能较成人模型偏低。然而，新生儿气道管理的优质培训机会稀缺，且新生儿气道组织脆弱，因此该领域对人工智能辅助技术的需求极为迫切。
人工智能在急诊视频喉镜操作中的应用
在气管插管操作中，人工智能辅助技术可提供实时、动态的认知支持，具有重要的临床应用潜力。在困难或急诊气道管理中，应激因素易导致临床医师出现决策偏倚，此时人工智能的认知支持价值尤为突出。同时，人工智能还可快速提供气管导管置入深度与位置的可靠信息。多项研究表明，人工智能分析胸部X 线片和计算机断层扫描图像以识别气道问题的表现优异。
神经网络模型可实现气管导管位置的自动化核查和食管插管的自动识别，或能提升食管插管的检出率，减少操作失误。但近期一项评估人工智能鉴别气管导管置入正误能力的研究显示，该技术的灵敏度达95%，而特异度仅为 50%。相关述评指出，当前的人工智能系统在气道管理中，更适用于医学教育和临床认知支持（如发出警报、提供指南、生成智能总结），而非实时临床决策。在食管插管检测方面，基于肺滑动征分析的人工智能模型，其可靠性可能优于喉镜图像分析模型。人工智能辅助的药物输注和闭环系统可通过监测生理参数并调整诱导药物剂量，降低高风险患者气管插管围手术期的心血管并发症发生率。最后，将人工智能应用于喉镜操作和气管插管中的智能警报系统，或能进一步提升患者安全。
人工智能在机器人气管插管中的应用
微电机、电子技术和伺服辅助机制的同步发展，推动了机器人原型机的研发，为其在气道管理中的应用奠定了基础。目前研究者已开发出多种机器人气管插管系统，并在模拟气道场景中完成了测试。初期测试借助配备柔性支气管镜的达芬奇手术机器人开展，后续研发出专用的气管插管机器人。多数机器人系统（尤其是新一代产品）的插管时间和成功率，均可与专业医师的操作表现媲美。在机器人系统中融入触觉反馈、压力和定位传感器，或能实现快速气管插管，同时减少气道损伤的潜在风险。
尽管机器人气管插管技术的科技含量较高，但其临床转化仍面临巨大障碍，包括高昂的成本、场地要求、操作界面复杂，以及危急场景下人工智能驱动决策的责任界定问题尚未解决。目前，该系统的价值主要体现在教学培训和远程/ 危险临床场景中（如远程指导、空气传播传染病防控场景），尚未应用于常规临床实践。对于该技术 “达到专家水平” 的相关论断，需进行审慎验证 —— 受控模拟环境中的研究结果，难以预测其在存在解剖变异、生理状态不稳定和时间紧迫的急诊场景中的表现，实验室研究与临床实际应用之间仍存在巨大差距。
人工智能在气道管理培训中的应用
人工智能已成为医疗人员气道管理培训的重要工具，为技能习得和决策能力培养提供了创新方法。通过先进的模拟技术、虚拟现实和个性化反馈系统，人工智能可让受训者在安全、可控的环境中练习复杂操作，提升其操作信心和专业能力。此外，人工智能驱动的培训平台可根据学习者的个性化需求进行适配，识别其能力短板并提供针对性指导，从而加快学习进度。随着技术的不断发展，基于人工智能的培训项目将通过为各层级临床医师提供更逼真、易获取、高效的培训体验，推动气道管理医学教育的变革。
研究表明，电子游戏的使用与喉镜操作/ 气管插管技能的提升相关，提示神经和行为启动效应有助于运动技能的培养。多项研究探讨了虚拟现实在喉镜操作和气道管理培训中的应用，研究领域包括支气管镜检查和模拟操作。人工智能辅助的认知支持可在不涉及患者安全风险的前提下，提升受训者气道管理的技术和非技术能力，同时强化与特定操作相关的神经通路。虚拟现实技术也已应用于普通民众和医疗人员的心肺复苏培训，但其获益证据相对不足。高保真虚拟现实系统可延长培训时间、模拟罕见临床场景、降低与患者相关的培训风险，或能推动气道管理医学教育的转型。
人工智能在气道管理领域的未来发展
技术的发展为气道管理带来了新的工具、设备和方法，重新定义了“困难” 气道的概念，并提升了患者安全水平。大量证据表明，人为因素、认知偏倚和非技术问题，仍是气道管理相关并发症的主要诱因。
人工智能应用可从两方面为气道管理提供支持：一是通过虚拟现实/ 增强现实和 3D 打印模拟器提升技术操作能力；二是通过优化沟通、便捷获取指南、辅助数据解读和临床决策支持，提升非技术能力。但在保持乐观的同时，也需审慎看待相关问题并进行深入思考。过度依赖人工智能可能导致临床医师操作技能退化 -自动化技术会削弱医师的手动操作和认知能力，使其在技术故障时陷入应对困境。这一问题不仅影响医师个人能力，大规模应用人工智能还可能弱化医疗职业角色、减少临床经验积累机会，破坏临床教学所需的经验学习基础。人工智能和机器人气管插管系统的应用，可能因减少医师的实操机会而进一步加剧上述问题。许多深度学习算法具有“黑箱” 特性，其输出结果源于临床医师和开发者均无法完全理解的运算过程，这一问题导致算法的透明度严重不足，也使得技术失误时的责任界定成为难题。
本文所探讨的多数人工智能模型仍处于实验阶段，或仅在受控环境中完成测试，鲜有研究证实其能显著改善临床结局或提升真实临床场景中的安全指标。实验室研究表现与临床床旁应用之间存在巨大差距，且相关研究对该差距的描述尚不充分。商业人工智能系统往往缺乏标准化的验证指标，在衡量患者实际结局或长期技能保持的严格对比研究中，尚未证实其优于传统方法。海德格尔等学者发表的一篇优秀述评，针对人工智能在气道管理中的当前应用价值提出了多个关键观点。
尽管在困难气道预测中，人工智能模型的表现优于临床体格检查，但需结合预测技术的本质局限性客观看待这一提升。延蒂斯的研究表明，传统方法的阳性预测值较差，罗斯等学者的Cochrane 综述也证实，床旁检查的鉴别能力有限。人工智能并未从根本上解决低阳性预测值的问题，仅在保持高阴性预测值的同时，实现了阳性预测值的小幅提升。这一结果的临床实际意义在于，人工智能改变了风险 - 获益平衡：通过接受更多的假阳性预测结果（需进行不必要的高级气道准备），减少假阴性预测结果（对困难气道未做准备）。这一权衡与现代医疗安全理念相契合，即相较于预测精准度，更强调临床准备的充分性。
此外，即便实现完美的预测，也无法单独避免不良的气道管理操作或不良临床结局。人工智能的价值不仅在于预测准确性，更在于其对整个气道管理体系的支持潜力，包括预测性准备、操作流程指导、操作过程中的认知支持，以及通过术后事件分析推动体系优化。只要数据可获取且结构合理，人工智能模型就能整合并解读海量数据集。但临床场景中的情境因素（包括情感和人际关系因素）难以转化为人工智能可解读的数据，可能导致系统输出结果不足。
人工智能的临床应用需秉持审慎、负责的原则，并构建新的伦理框架。例如，可通过“算法临床责任制” 明确人工智能系统与医疗提供者在临床决策中的共同责任。随着人工智能与临床实践的融合不断加快，相关监管和法律保障体系也需同步发展。此外，需对医疗提供者开展相关教育，使其了解人工智能模型的构建原理、局限性，以及如何利用该技术为患者谋取最大获益。
人工智能临床应用的最优目标，是构建基于证据、审慎推进的人机协作模式，让人工智能成为临床医师专业能力的补充，而非替代。但人工智能的应用可能降低对人类临床医师的需求，减少临床教学所需的经验学习机会，且当算法出现故障或误判临床情境时，可能引发新的不良事件。患者既能从精准的预测中获益，也需要富有共情的人文关怀—— 而人工智能仅能实现前者。基于对上述挑战的认知，麻醉学研究理事会指导委员会近期成立了专家工作组，旨在明确人工智能在麻醉学领域当前和未来的应用方向，同时探讨其应用需求、局限性和障碍。该工作组强调，人工智能开发者应始终聚焦于以患者为中心的解决方案，为医疗提供者提供支持，推动医疗体系的优化。
原始文献：
Sorbello M, La Via L, Paternò DS, et al. 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.
