作者：刘小茜，
气道管理是临床麻醉的重要组成部分，困难气道风险极高，尤其是未预料的困难气道风险更高。因此，合理评估气道、提前预估困难气道能极大地减少风险。传统的术前气道评估方法包括困难气道的病史采集和床旁测试，在预测面罩通气困难、声门暴露困难和气管插管困难等方面的敏感性和特异性都有提升的空间。因此，本篇综述旨在总结近年来气道评估的新方法及临床应用效果，为降低困难气道风险提供参考。
1.传统方法
单一评估指标：临床上常用的气道评估指标包括张口度、甲颏距离、颈部活动度、颈围、改良Mallampati 分级、甲颏高度、身高甲颏距离比、颈围甲颏距离比、上唇咬合试验等，然而困难气道影响因素众多，单一预测指标的敏感性和特异性都有提升的空间。
多指标综合评估：单一的评估指标预测困难气道的准确性较低，多种指标综合评分可以提高气道评估的预测价值。常用的综合评分方法有Wilson评分和LEMON 评分等。目前研究又提出了一些新的综合评分方法，包括VIDIAC 评分、MACOCHA 评分和DIFFMASK 评分。
1） VIDIAC 评分。Kohse 等提出了VIDIAC 评分，用于预测可视喉镜下困难气管插管发生的概率。其主要包括3 个指标：喉镜片挑起会厌异常(会厌不能移动为1 分，需要增加会厌抬高程度为1分，直接从下方抬起会厌为1 分)，从喉镜屏幕中看到声带的程度(声带清晰可见，-1 分；声带部分可见，0 分；声带不可见，1 分)，杓状软骨区组织肿大为1 分。评分范围为-1~5 分，-1 或0 分提示发生困难气道的概率为12%~27%，1 分提示发生困难气道的概率为50%，2 分提示发生困难气道的概率为73%，3 分及以上提示发生困难气道的概率≥88%。该研究结果表明，VIDIAC 评分预测困难气道的能力优于Cormack-Lehane 分级，该研究的局限在于只在接受耳鼻喉或口腔颌面外科手术的患者中进行，未来还需进一步研究其是否适用于其他手术的患者。
2） MACOCHA 评分。ICU 内的气管插管比手术室的择期插管更具挑战性。De Jong 等首次开发和验证了在ICU 内预测插管困难的MACOCHA 评分，包括患者特征(改良Mallampati 评分Ⅲ级或Ⅳ级为5 分、
3） DIFFMASK 评分。Lundstrøm 等对46 804例患者进行了一项队列研究，开发和评估了用于预测麻醉期间困难面罩通气的DIFFMASK 评分。该评分包括10 个指标，分别为：年龄(15~44 岁，0 分；45~59 岁，2 分；>60 岁，3 分)，性别(女性，0 分；男性，1 分)，BMI(<25 kg/ m2，0 分；25 ~ 35 kg/ m2，2分；>35 kg/ m2，3 分)，既往有或可能有气管插管困难病史为1 分，甲颏距离( >6.5 cm，0 分；6 ~ 6.5cm，1 分；<6 cm，2 分)，改良Mallampati 分级(Ⅰ级或Ⅱ级，0 分；Ⅲ级，1 分；Ⅳ级，2 分)，蓄络腮胡为2分，打鼾史为1 分，睡眠呼吸暂停史为1 分，颈部放疗变化为2 分。其评分范围为0~18 分，总分≥5 分为预测困难面罩通气的最佳临界值， 敏感性为85%，特异性为59%，表明其对于困难面罩通气的预测具有较高的价值。
床旁内镜困难气道管理指南建议将床旁
Guo 等通过鼻内窥镜检查观察到的声门下气管环的数量来预测困难气管插管，研究共纳入994 例患者， 术前均接受Mallampati 分级、Wilson 风险总和评分和鼻内窥镜检查，并记录患者术中插管困难情况，结果表明，与Mallampati 评分或Wilson 风险总和评分比较，鼻内窥镜下观察到的气管环数量预测困难气管插管具有更高价值，敏感性为84.21%，特异性为98.95%。
Barclay-Steuart 等开发和验证了鼻内窥镜评估困难气道的多变量预测模型，并与Mallampati 评分比较，结果表明，鼻内窥镜检查可提高Mallampati评分预测困难气道的准确性。该研究提出简化鼻内窥镜评分，该评分包括8 个指标：前庭皱襞病变为1 分，声门上区病变为2 分，杓状软骨病变为1 分，咽部分泌物滞留为4 分，声门视野受损≥50%声门面积为5 分，男性为1 分，年龄(50~59 岁为2 分，60~ 69 岁为4 分，70 ~ 79 岁为6 分)， BMI ≥35kg/ m2 为1 分。评分范围为0 ~ 21 分，以敏感性>60%(≥7 分)作为筛选临界值，特异性>80%(≥9分)作为诊断临界值，得分7~8 分提示发生困难气道的风险增加，≥9 分提示发生困难气道的风险高。
Gemma 等研究表明，在伸舌时进行鼻内窥镜检查可改善喉部视图，与改良Cormack-Lehane 分级相结合可提高预测困难气管插管的能力。Sasu等使用简化气道风险指数(simplified airway riskindex， SARI)、临床因素和鼻内窥镜检查结果拟合3种多变量混合逻辑回归模型来预测困难的视频喉镜检查，结果表明，鼻内窥镜与SARI 相结合可提高预测困难气道的能力。
2.超声影像
超声评估指标：影像学检查在评估困难气道方面的诊断价值优于改良Mallampati 评分。与X 线片、CT 和MRI 比较，超声具有实时成像、操作简便、经济实惠、可重复和对人体无辐射的优点，因此可以作为影像学预测困难气道的优先选择。
超声测量舌厚度、舌体积和舌纵截面积：使用凸阵超声探头可以在颏下正中矢状面测量舌体厚度，舌体厚度>6.1 cm，舌厚与甲颏距离之比>0.87已被证明是困难气管插管的独立预测因素。Wang 等研究表明，舌厚度在声门暴露困难(>67mm，48 分)和气管插管困难(>62 mm，89 分)预测中都具有较高的列线图得分。郑镇伟等研究表明，超声测量舌正中矢状位截面积和舌体积可以预测气管插管困难和喉镜暴露声门困难。Parameswari等发现超声测量舌体积<100 cm3 基本上可以排除喉镜暴露声门困难，阴性预测值为94.6%。
超声测量颈前软组织厚度：超声测量颈前软组织厚度包括皮肤到会厌的距离、皮肤到声带前连合的距离、皮肤到声带的距离、皮肤到甲状腺软骨的距离以及皮肤到甲状舌骨膜的距离等，其中超声测量皮肤至会厌的距离测量数据最多，并且已在许多不同的种族和患者群体中进行了研究。
Fernandez-Vaquero 等研究表明，皮肤到会厌的距离≥2.48 cm 的是喉镜检查困难的最佳预测因子，敏感性为91.3%，特异性为96.9%。Carsetti 等进行的一项Meta 分析表明，超声测量皮肤到会厌的距离预测喉镜显露困难的敏感性为82%，特异性为79%。Ni 等研究表明，皮肤到会厌的距离≥2.36cm 是困难Cormack-Lehane 分级的最佳预测指标，敏感性为81.8%，特异性为85.6%。
Falcetta 等评估了皮肤到会厌的距离与皮肤至甲状舌骨膜以及皮肤至声带的距离的比较，发现皮肤到会厌的距离≥2.54 cm 是喉镜暴露困难的最佳预测指标，敏感性为82%，特异性为91%。
基于影像学的三维重建评估指标：通过影像学检查结果模拟重建患者的气道及其周围结构，可以帮助麻醉科医师最大限度地了解患者气道及其周围组织的解剖异常，预测困难气道的发生。耿清胜等模拟气管插管
刘锦星等研究利用CT 三维重建口咽部肿瘤患者的气道结构，根据其计算患者的舌体容积和口咽腔容积，结果表明，CT 三维重建在预测口咽部肿瘤患者气管插管困难方面具有价值，舌体容积与口咽腔容积的比值>0.5 可以预测插管困难。Ahmad 等研究表明，通过三维重建气道，模拟传统光学内镜生成虚拟内窥镜，可以清楚地观察到患者的气道异常情况，并且与患者的真实内镜检查结果高度一致，提示三维重建气道可以评估患者的气道风险，帮助麻醉科医师选择更安全的建立气道的方式。
王佳怡等研究通过CT 三维重建比较肥胖阻塞性睡眠暂停低通气综合征患者与正常成人上气道差异，并用以预测困难气道，结果表明，与非困难气道患者比较，困难气道患者上气道总体积、软腭后区体积及会厌后区体积均明显减小，提示三维CT 重建测量可明确上气道狭窄部位、严重程度，用于评估困难气道。闫思宇等在1 例甲状腺巨大肿物患者术前应用CT 三维重建，准确鉴别出患者并不存在困难气道，进而优化了麻醉诱导方案并顺利完成常规诱导插管。
人工智能识别近年来，人工智能技术不断发展并应用于各个领域。人工智能可以模拟和复制人类的学习、推理、决策和感知能力，其通过使用算法和数学模型来处理大量数据并执行复杂任务。人工智能应用于医学领域可以提高医疗卫生服务的效率，优化医疗资源，增加个体化治疗方案，并在总体上提高医疗质量。人工智能在气道管理方面主要包括机器学习、深度学习、人工神经网络、卷积神经网络几种算法。
面部图像：Cuendet 等使用深度学习算法来分析和处理患者不同体位面部照片(包括正面中立位、侧面中立位、张口、伸舌)，并提取面部关键特征，结合气管插管的实际结果，建立了一个用于预测困难气管插管的全自动非侵入性面部分析模型。人工智能人脸识别技术基本可以替代有丰富经验的麻醉科医师进行困难气道评估，但由于其气管插管困难的患者样本量小以及受限于当时的人工智能算法和算力，因此具有一定的局限性，但是仍值得进一步深入研究。
Hayasaka 等研究拍摄成年患者16 张不同体位的面部图像， 结合患者的Cormack-Lehane 分级，通过卷积神经网络创建了1个用于困难气管插管分类的评价模型，结果表明，对插管困难进行分类的最佳人工智能模型是患者在平卧闭口侧面位时生成的，其准确性为80.5%，敏感性为81.8%，特异性为83.3%，提示该模型对预测困难气管插管有较高的价值。
Wang 等纳入1 000 例行择期手术的患者，从9 个特定角度捕获图像，使用半监督深度学习方法建立困难气道预测模型，其准确性，敏感性和特异性分别为90.00%、89.58%、90.13%，提示基于人工智能的图像分析系统可以用作识别困难气道的有效工具，且这种新颖的半监督方法需要更少的时间和资源，并且在保持足够准确性的同时又具有成本效益。
Pei 等利用三维面部扫描技术和机器学习来预测面罩通气困难，所得模型的敏感性、特异性和曲线下面积分别为82.9%、73.3% 和0.825。Xia 等纳入5 849 例患者，使用神经网络创建了一个基于面部特征(抬头、舌头伸展、嘴巴张开和侧身位置的照片)预测困难的视频喉镜检查的模型，其敏感性、特异性和曲线下面积分别为75.7%、72.1%和0.779。
声学特征：语音信号可以反映气道的解剖结构和功能，气道的解剖结构改变也会导致某些声学参数的改变。共振峰频率和频带的宽度(带宽)描述了声音在气道内的共振，其与气道的顺应性、形态和直径相关。de Carvalho 等研究在术前记录患者的五个元音音节(a、e、i、o、u)，并分析其共振峰频率(f1—f5)，运用逻辑回归方法构建患者语音共振峰预测困难喉镜显露的模型，其敏感性为75.0%，特异性为66.9%。该课题组构建了语音共振峰预测困难面罩通气的模型，其敏感性为80.0%，特异性为82.2%。并且当这两种模型与改良Mallampati 评分相结合时可以实现更好的预测性能。
Cao 等在中国人群中也做了相似的研究，术前收集包含12 个音节(元音：a、o、e、i、u、ü；辅音：ci、chi、le、qi、ke、en)在内的语音样本，提取每个音节的共振峰频率(f1—f4)和带宽(bw1—bw4)，采用逻辑回归分析声学参数与困难面罩通气之间的关系，结果表明，20 个选定的语音参数构建的逐步回归模型的敏感性和特异性分别为71.0%和75.0%。Xia等研究构建了患者的共振峰频率和带宽预测困难喉镜检查的模型， 其敏感性和特异性分别为86.7%和63.0%。上述研究表明，声学特征在预测全身麻醉患者困难喉镜检查和困难面罩通气方面具有一定价值。
3.小结
困难气道的评估方法在不断创新发展，将新的评估方法与传统评估方法结合起来有助于提高气道预测的准确性，减少未预料的困难气道的发生，保障患者的安全。但是，寻找一个困难气道评估方法的金标准仍然任重而道远。未来，气道评估技术不断完善发展，将辅助麻醉科医师制定更加安全的气道管理计划。
来源：刘小茜，王彬.气道评估方法的研究进展[J].临床麻醉学杂志，2025，41(02)：189-193.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
