Disma N ， Asai T ， Cools E ， et al . Airway management in neonates and infants：European society of anaesthesiology and intensive care and British journal of anaesthesia joint guidelines [J ] . Eur J Anaesthesiol ， 2024 ， 41 （ 1 ）： 3 - 23 ．

Marchis IF ， Negrut MF ， Blebea CM ， et al . Trends in preoperative airway assessment [J ] . Diagnostics（Basel） ， 2024 ， 14 （ 6 ）： 610 ．

Theodosiou AA ， Read RC . Artificial intelligence，machine learning and deep learning：Potential resources for the infection clinician [J ] . J Infect ， 2023 ， 87 （ 4 ）： 287 - 294 ．

Rathore AS ， Nikita S ， Thakur G ， et al . Artificial intelligence and machine learning applications in biopharmaceutical manufacturing [J ] . Trends Biotechnol ， 2023 ， 41 （ 4 ）： 497 - 510 ．

Barat M ， Gaillard M ， Cottereau AS ， et al . Artificial intelligence in adrenal imaging：a critical review of current applications [J ] . Diagn Interv Imaging ， 2023 ， 104 （ 1 ）： 37 - 42 ．

Wu JZ ， Yao Y ， Zhang GC ， et al . Difficult airway assessment based on multi-view metric learning [J ] . Bioengineering（Basel） ， 2024 ， 11 （ 7 ）： 703 ．

Law JA ， Broemling N ， Cooper RM ， et al . The difficult airway with recommendations for management：part 1：difficult tracheal intubation encountered in an unconscious/induced patient [J ] . Can J Anaesth ， 2013 ， 60 （ 11 ）： 1089 - 1118 ．

Frerk C ， Mitchell VS ， McNarry AF ， et al . Difficult airway society 2015 guidelines for management of unanticipated difficult intubation in adults [J ] . Br J Anaesth ， 2015 ， 115 （ 6 ）： 827 - 848 ．

Langeron O ， Bourgain JL ， Laccoureye O ， et al . Difficult airway algorithms and management：question 5. société française d’Anesthésie et de réanimation [J ] . Ann Fr Anesth Reanim ， 2008 ， 27 （ 1 ）： 41 - 45 ．

Cook TM ， Woodall N ， Frerk C ， et al . Major complications of airway management in the UK：results of the fourth national audit project of the royal college of anaesthetists and the difficult airway society. part 1：anaesthesia [J ] . Br J Anaesth ， 2011 ， 106 （ 5 ）： 617 - 631 ．

Griesdale DEG ， Bosma TL ， Kurth T ， et al . Complications of endotracheal intubation in the critically ill [J ] . Intensive Care Med ， 2008 ， 34 （ 10 ）： 1835 - 1842 ．

Jaber S ， Amraoui J ， Lefrant JY ， et al . Clinical practice and risk factors for immediate complications of endotracheal intubation in the intensive care unit：a prospective，multiple-center study [J ] . Crit Care Med ， 2006 ， 34 （ 9 ）： 2355 - 2361 ．

Schwartz DE ， Matthay MA ， Cohen NH . Death and other complications of emergency airway management in critically ill adults：a prospective investigation of 297 tracheal intubations [J ] . Anesthesiology ， 1995 ， 82 （ 2 ）： 367 - 376 ．

Apfelbaum JL ， Hagberg CA ， Caplan RA ， et al . Practice guidelines for management of the difficult airway：an updated report by the American Society of Anesthesiologists Task Force on Management of the Difficult Airway [J ] . Anesthesiology ， 2013 ， 118 （ 2 ）： 251 - 270 ．

Mallampati SR . Clinical sign to predict difficult tracheal intubation （hypothesis） [J ] . Can Anaesth Soc J ， 1983 ， 30 （ 3 Pt 1 ）： 316 - 317 ．

Samsoon GL ， Young JR . Difficult tracheal intubation：a retrospective study [J ] . Anaesthesia ， 1987 ， 42 （ 5 ）： 487 - 490 ．

Gadepalli C ， Stepien KM ， Tol G . Hyo-mental angle and distance：an important adjunct in airway assessment of adult mucopolysaccharidosis [J ] . J Clin Med ， 2021 ， 10 （ 21 ）： 4924 ．

Kheirabadi D ， Honarmand A ， Rasouli MR ， et al . Comparison of airway assessment tests for prediction of difficult intubation in obese patients：importance of thyromental height and upper lip bite test [J ] . Minerva Anestesiol ， 2022 ， 88 （ 3 ）： 114 - 120 ．

Gonzalez H ， Minville V ， Delanoue K ， et al . The importance of increased neck circumference to intubation difficulties in obese patients [J ] . Anesth Analg ， 2008 ， 106 （ 4 ）： 1132 - 1136 ．

Liu YR ， He YW ， Wang X ， et al . Advances in airway management in recent 10 years from 2013 to 2023 [J ] . Anesthesiol Perioper Sci ， 2023 ， 1 （ 4 ）： 27 ．

Tavolara TE ， Gurcan MN ， Segal S ， et al . Identification of difficult to intubate patients from frontal face images using an ensemble of deep learning models [J ] . Comput Biol Med ， 2021 ， 136 ： 104737 ．

赵美玉 ， 王明亚 ， 韩永正 ， 等 . 基于人工智能的气道管理优化策略与实践分析 [J ] . 重庆医科大学学报 ， 2025 ， 50 （ 1 ）： 1 - 5 .

Zhao MY ， Wang MY ， Han YZ ， et al . Optimization strategy and practice analysis of airway management based on artificial intelligence [J ] . J Chongqing Med Univ ， 2025 ， 50 （ 1 ）： 1 - 5 .

Kim JH ， Kim H ， Jang JS ， et al . Development and validation of a difficult laryngoscopy prediction model using machine learning of neck circumference and thyromental height [J ] . BMC Anesthesiol ， 2021 ， 21 （ 1 ）： 125 ．

Sezari P ， Kohzadi Z ， Dabbagh A ， et al . Unravelling intubation challenges：a machine learning approach incorporating multiple predictive parameters [J ] . BMC Anesthesiol ， 2024 ， 24 （ 1 ）： 453 ．

Cuendet GL ， Schoettker P ， Yüce A ， et al . Facial image analysis for fully automatic prediction of difficult endotracheal intubation [J ] . IEEE Trans Biomed Eng ， 2016 ， 63 （ 2 ）： 328 - 339 ．

Hayasaka T ， Kawano K ， Kurihara K ， et al . Creation of an artificial intelligence model for intubation difficulty classification by deep learning（convolutional neural network） using face images：an observational study [J ] . J Intensive Care ， 2021 ， 9 （ 1 ）： 38 ．

Xia M ， Jin C ， Zheng Y ， et al . Deep learning-based facial analysis for predicting difficult videolaryngoscopy：a feasibility study [J ] . Anaesthesia ， 2024 ， 79 （ 4 ）： 399 - 409 ．

Ren ZY ， Dinh VS ， Wong PM ， et al . G2LCPS：End-to-end semi-supervised landmark prediction with global-to-local cross pseudo supervision for airway difficulty assessment [J ] . Comput Biol Med ， 2024 ， 183 ： 109246 ．

García-García F ， Lee DJ ， Mendoza-Garcés FJ ， et al . Reliable prediction of difficult airway for tracheal intubation from patient preoperative photographs by machine learning methods [J ] . Comput Methods Programs Biomed ， 2024 ， 248 ： 108118 ．

Barclay-Steuart A ， Großhennig HL ， Sasu P ， et al . Transnasal videoendoscopy for preoperative airway risk stratification：development and validation of a multivariable risk prediction model [J ] . Anesth Analg ， 2023 ， 136 （ 6 ）： 1164 - 1173 ．

Meitzen SE ， Benumof JL . Video laryngoscopy：positives，negatives，and defining the difficult intubation [J ] . Anesth Analg ， 2019 ， 128 （ 3 ）： 399 - 401 ．

Apfelbaum JL ， Hagberg CA ， Connis RT ， et al . 2022 American society of anesthesiologists practice guidelines for management of the difficult airway [J ] . Anesthesiology ， 2022 ， 136 （ 1 ）： 31 - 81 ．

Roth D ， Pace NL ， Lee A ， et al . Bedside tests for predicting difficult airways：an abridged Cochrane diagnostic test accuracy systematic review [J ] . Anaesthesia ， 2019 ， 74 （ 7 ）： 915 - 928 ．

Howell MD ， Corrado GS ， DeSalvo KB . Three epochs of artificial intelligence in health care [J ] . JAMA ， 2024 ， 331 （ 3 ）： 242 - 244 ．

Guo WJ ， Liu J ， Dong F ， et al . Review of machine learning and deep learning models for toxicity prediction [J ] . Exp Biol Med （Maywood） ， 2023 ， 248 （ 21 ）： 1952 - 1973 ．

Mao HM ， Tsuchida S ， Terada T ， et al . Estimating scalp moisture in a hat using wearable sensors [J ] . Sensors（Basel） ， 2023 ， 23 （ 10 ）： 4965 ．

Berg B ， Gorosito MA ， Fjeld O ， et al . Machine learning models for predicting disability and pain following lumbar disc herniation surgery [J ] . JAMA Netw Open ， 2024 ， 7 （ 2 ）： e2355024 ．

Yamanaka S ， Goto T ， Morikawa K ， et al . Machine learning approaches for predicting difficult airway and first-pass success in the emergency department：multicenter prospective observational study [J ] . Interact J Med Res ， 2022 ， 11 （ 1 ）： e28366 ．

Wei W ， Li YX ， Huang T . Using machine learning methods to study colorectal cancer tumor micro-environment and its biomarkers [J ] . Int J Mol Sci ， 2023 ， 24 （ 13 ）： 11133 ．

Seven İ ， Bayram D ， Arslan H ， et al . Predicting hepatocellular carcinoma survival with artificial intelligence [J ] . Sci Rep ， 2025 ， 15 （ 1 ）： 6226 ．

Chaves T ， Santos Xavier J ， Gonçalves Dos Santos A ， et al . Innovative infrastructure to access Brazilian fungal diversity using deep learning [J ] . Peer J ， 2024 ， 12 ： e17686 ．

Hansel J ， Rogers AM ， Lewis SR ， et al . Videolaryngoscopy versus direct laryngoscopy for adults undergoing tracheal intubation [J ] . Cochrane Database Syst Rev ， 2022 ， 4 （ 4 ）： CD011136 ．

Cho HY ， Lee K ， Kong HJ ， et al . Deep-learning model associating lateral cervical radiographic features with Cormack-Lehane grade 3 or 4 glottic view [J ] . Anaesthesia ， 2023 ， 78 （ 1 ）： 64 - 72 ．

Fan ZY ， Jiang JM ， Xiao C ， et al . Construction and validation of prognostic models in critically Ill patients with sepsis-associated acute kidney injury：interpretable machine learning approach [J ] . J Transl Med ， 2023 ， 21 （ 1 ）： 406 ．

Guan CF ， Ma FX ， Chang SJ ， et al . Interpretable machine learning models for predicting venous thromboembolism in the intensive care unit：an analysis based on data from 207 centers [J ] . Crit Care ， 2023 ， 27 （ 1 ）： 406 ．

Zhou CM ， Xue Q ， Ye HT ， et al . Constructing a prediction model for difficult intubation of obese patients based on machine learning [J ] . J Clin Anesth ， 2021 ， 72 ： 110278 ．

Lonsdale H ， Gray GM ， Ahumada LM ， et al . Machine vision and image analysis in anesthesia：narrative review and future prospects [J ] . Anesth Analg ， 2023 ， 137 （ 4 ）： 830 - 840 ．

Marcus E ， Teuwen J . Artificial intelligence and explanation：How，why，and when to explain black boxes [J ] . Eur J Radiol ， 2024 ， 173 ： 111393 ．

Smith LA ， Oakden-Rayner L ， Bird A ， et al . Machine learning and deep learning predictive models for long-term prognosis in patients with chronic obstructive pulmonary disease：a systematic review and meta-analysis [J ] . Lancet Digit Health ， 2023 ， 5 （ 12 ）： 872 - 881 ．