机器学习揭示临床因素对哮喘急性发作严重度的预测价值有限

本研究针对哮喘急性发作严重程度预测因子不明确的问题，利用机器学习方法评估了急诊环境下临床因素对发作严重度的预测价值。通过对644次发作事件的回顾性分析发现，肺功能、胸部影像学浸润灶、C反应蛋白(CRP)水平、中性粒细胞计数和茶碱维持治疗与严重度最相关，而嗜酸性粒细胞计数、年龄等常见因素预测价值有限。预测模型对住院和ICU入院的AUC分别为0.632和0.695，表明临床因素的预测能力有限，为开发更精准的哮喘管理策略提供了重要依据。

　　

哮喘作为一种慢性气道炎症性疾病，其急性发作不仅严重影响患者生活质量，还可能导致肺功能加速下降。虽然哮喘发作的风险预测因素已较为明确，但关于发作严重程度的预测因子却鲜为人知。在临床实践中，医生们面临着一个关键挑战：如何准确预测患者此次发作的严重程度，从而制定个性化的治疗方案并优化医疗资源配置？

目前已知的哮喘发作风险因素包括既往发作史、吸烟、女性性别、哮喘控制不佳以及血液或痰液中嗜酸性粒细胞水平升高等。然而，这些因素是否同样适用于预测发作的严重程度，仍然是一个未解之谜。更令人困惑的是，尽管针对特定炎症通路的靶向治疗在预防发作方面显示出良好效果，但急性发作期的治疗仍然主要基于症状严重程度，而非潜在的炎症机制。这种"一刀切"的治疗方式可能无法满足不同表型患者的实际需求。

为了解开这个临床难题，来自荷兰阿姆斯特丹大学医学中心的研究团队开展了一项创新性研究。他们意识到，传统的统计方法可能无法充分处理现实世界中复杂的高维数据，而机器学习技术恰恰擅长从多变量数据中识别出最有价值的预测因子。于是，他们决定将线性混合模型与最小绝对收缩和选择算子(LASSO)回归相结合，以期更准确地评估各种临床因素对哮喘发作严重程度的预测价值。

这项回顾性队列研究纳入了2013年至2020年间就诊于阿姆斯特丹大学医学中心急诊科的367名成年患者的644次哮喘发作事件。研究团队收集了包括人口统计学特征、临床指标、实验室检查结果、影像学发现等在内的丰富数据，旨在全面评估这些因素与五个严重程度指标之间的关系：住院需求、ICU入住需求、住院时间、氧合效率(SpO₂/FiO₂)和国家早期预警评分(NEWS)。

研究方法上，团队主要运用了线性混合模型(LMM)分析变量关联性，并采用五折交叉验证的LASSO回归进行预测建模，同时通过受试者工作特征(ROC)曲线评估模型性能。研究队列来自阿姆斯特丹UMC急诊科的回顾性医疗记录。

研究结果呈现出一些令人意外的发现。在单因素分析中，需要住院治疗的发作更常见于近期有急诊就诊或住院史的患者，但这些历史因素在多变量分析中并未显示出独立的预测价值。更重要的是，基线肺功能较差（表现为较低的FEV₁%预计值和FEV₁/FVC比值）与更严重的发作显著相关。

与住院相关的因素

研究发现，需要住院的患者具有更多的近期急诊就诊和住院史，肺功能基线更差，且胸部影像学上更常出现浸润灶。然而，病毒或细菌感染率在住院与非住院患者间并无显著差异。

与ICU入住相关的因素

需要ICU治疗的患者表现为更高的中性粒细胞和白细胞计数、更短的症状持续时间、更频繁的鼻病毒感染，以及更差的氧合指标和更高的NEWS评分。

与五种严重度指标的关联

多变量分析显示，影像学浸润灶、肺功能指标、CRP水平和中性粒细胞计数是最一致的严重度预测因子，而嗜酸性粒细胞计数、年龄、合并症等因素均无显著预测价值。

预测模型的表现进一步证实了临床因素的有限预测价值。对于住院预测，模型在训练队列中的AUC为0.692，而在验证队列中降至0.632；对于ICU入住预测，虽然训练队列的AUC高达0.917，但验证队列中仅为0.695。所选变量仅能解释NEWS评分18.8%的变异、氧合效率15.2%的变异和住院时间9.0%的变异。

最令人惊讶的发现之一是茶碱维持治疗与更严重的发作之间的关联。使用茶碱的患者表现出更高的NEWS评分、更差的氧合效率、更高的ICU入住率和机械通气需求。尽管这些患者体重指数较高，但其他基线特征相似，提示茶碱使用者可能代表了一个更难治的哮喘亚组。

研究结论强调，虽然肺功能指标和急性感染标志物（如影像学浸润灶、CRP升高和中性粒细胞增多）与哮喘发作严重度最相关，但临床和人口学变量的预测价值相当有限。这一发现挑战了当前临床实践中依赖历史因素和嗜酸性粒细胞指标来评估发作严重度的做法。

讨论部分深入分析了这些发现的临床意义。研究表明，既往发作史虽然是复发的重要风险因素，但并不能独立预测发作的严重程度。更重要的是，血液嗜酸性粒细胞计数在预测发作严重度方面缺乏价值，这可能反映了在急性发作期，非2型炎症通路（如中性粒细胞性炎症）可能发挥着更为主导的作用。

这项研究的优势在于使用了真实世界的高维数据、先进的机器学习技术，并考虑了患者内变异。然而，其回顾性设计导致部分数据缺失，特别是关于炎症通路和生物标志物动态变化的信息不足。此外，研究中已有9.9%的患者使用生物制剂治疗，茶碱使用逐渐减少，这些治疗模式的变迁可能影响结果的普遍适用性。

该研究发表在《Scientific Reports》杂志上，为哮喘急性发作管理提供了重要见解。研究表明，当前基于临床常规指标的预测模型性能有限，强调需要寻找新的生物标志物和患者特异性特征来改进风险分层。未来研究应该纳入纵向肺功能监测和多组学生物标志物分析，结合更先进的机器学习技术，以期更深入地理解哮喘发作严重度的复杂机制，最终实现更个性化、更有效的哮喘管理策略。

这项研究不仅揭示了临床因素在预测哮喘发作严重度方面的局限性，也为未来研究指明了方向：我们需要超越传统的临床指标，探索炎症通路动态变化、微生物组特征和宿主免疫反应等更深层次的生物标志物，才能真正实现哮喘发作的精准管理和个性化治疗。