编辑推荐：
本文系统回顾了 2000 年 1 月至 2025 年 1 月期间相关研究，发现机器学习（ML）技术在儿童哮喘急性发作管理方面潜力巨大，可用于风险因素评估、诊断预测、医疗资源优化分配等，但仍面临数据质量、算法优化等挑战，值得关注。
### 机器学习助力儿童哮喘管理的研究进展
儿童哮喘是全球常见的慢性呼吸道疾病，其急性发作严重影响患儿健康和生活质量。近年来，机器学习（Machine Learning，ML）技术在医疗领域应用广泛，在儿童哮喘急性发作管理方面也展现出巨大潜力。本研究对 ML 在儿童哮喘急性发作管理中的应用进行系统综述，旨在为临床决策、政策制定和健康教育提供科学依据。
研究方法
- 文献检索策略：依据系统评价和荟萃分析的首选报告项目（PRISMA）标准，在 PubMed、EBSCO、Elsevier 和 Web of Science 数据库中，检索 2000 年 1 月至 2025 年 1 月发表的英文文献。检索词围绕 “哮喘”“哮喘急性发作 / 发作 / 恶化”“机器学习 / 深度学习” 及其相关衍生词和同义词展开，同时查阅纳入文献的参考文献，以补充遗漏的相关研究。
- 纳入与排除标准：纳入标准包括研究对象为 18 岁以下儿童和 / 或青少年，且患有哮喘急性发作；研究涉及 ML 在哮喘急性发作中的应用；研究类型为观察性研究（回顾性、前瞻性、队列研究、病例对照研究等）和随机对照试验（Randomized Controlled Trials，RCT）。排除书籍、学位论文、会议摘要、评论、专利、系统综述、非全文文章等。
- 筛选与数据提取：由两位作者独立筛选文献的标题、摘要和引文，根据纳入标准评估其 eligibility。对于存在分歧的文献，通过讨论或咨询第三位作者解决。数据由一位作者提取，另外两位作者进行核对，提取内容包括研究的基本信息、ML 算法、哮喘急性发作的定义、研究结果等。
- 质量评估：运用有效公共卫生实践项目（Effective Public Health Practice Project，EPHPP）质量评估工具，对纳入研究的潜在偏倚和整体质量进行评估，评估内容主要涉及选择偏倚、研究设计、数据收集方法、失访和退出等方面，根据评估结果将研究分为强、中、弱三个等级。
研究结果
- 研究选择：从四个数据库中初步检索到 675 篇文献，去除 335 篇重复文献后，经标题和摘要筛选，剩余 340 篇。进一步全文筛选，确定 16 篇符合要求的文献，再通过查阅参考文献补充 7 篇，最终共纳入 23 篇研究。
- 研究特征：这些研究的发表年份在 2006 - 2024 年之间，美国的研究最多，有 14 项；研究设计多样，包括前瞻性研究、回顾性研究和 RCT；研究对象的年龄范围跨度较大，样本量从 14 到 54981 不等。
- 哮喘急性发作的定义和结局：多数研究对哮喘急性发作的定义不统一，有的依据急诊就诊和住院情况，有的使用国际疾病分类编码等。研究结局主要与急诊就诊、住院、呼气峰流速（Peak Expiratory Flow Rate，PEFR）值、哮喘控制恶化、抗生素使用及辅助治疗等相关。
- ML 模型相关特征：23 项研究共使用了 59 种不同的 ML 算法，其中贝叶斯网络（Bayesian Networks，BN）、随机森林（Random Forests，RF）、决策树（Decision Trees，DT）、神经网络（Neural Networks，NN）和支持向量机（Support Vector Machines，SVM）较为常用。在模型性能评估方面，多数模型的特异性、曲线下面积（Area Under the Curve，AUC）和阴性预测值（Negative Predictive Value，NPV）较高，部分模型的准确性集中在 70% 左右。算法验证方法多样，以交叉验证和分割样本验证较为常见。多数研究使用 ML 模型进行分类任务，少数涉及聚类和关联分析任务。输入模型的变量包括数值变量和分类变量，部分研究还运用可解释人工智能（Explainable Artificial Intelligence，XAI）技术提高模型的可解释性。
- ML 算法在儿童哮喘急性发作中的应用
- 风险因素评估：8 项研究利用 ML 评估儿童哮喘急性发作的风险因素，涉及基因组数据、环境因素和社会经济地位等方面。例如，通过随机森林分类器和关联规则挖掘技术分析遗传多态性和空气污染物对哮喘急性发作的影响，运用深度学习算法预测发作风险并评估室内颗粒物浓度对 PEFR 的影响。
- 诊断和预测：9 项研究应用 ML 对儿童哮喘急性发作进行诊断和预测，借助临床数据、患者特征、挥发性有机化合物（Volatile Organic Compounds，VOCs）和炎症标志物等，取得了较高的准确性。如开发贝叶斯网络诊断患者病情并预测停药后的发作情况，利用 AI 辅助听诊器检测哮喘急性发作。
- 医疗资源优化分配：3 项研究探索了 ML 在优化儿童哮喘急性发作医疗资源分配中的应用，包括预测住院需求、分析住院模式等，自动机器学习算法（automated Machine Learning，autoML）在其中表现出优于传统 ML 的性能。
- 综合哮喘管理：3 项研究将 ML 应用于儿童哮喘急性发作的综合管理，如结合 ML 算法提前预测哮喘控制恶化，评估人工智能辅助临床决策支持系统（Artificial Intelligence-assisted Clinical Decision Support，AI-CDS）在临床实践中的效果。
- 质量评估结果：EPHPP 质量评估显示，5 项研究为强等级，15 项为中等级，3 项为弱等级。
讨论
- 研究发现：本系统综述涵盖了 2000 - 2025 年的研究，更全面地展示了 ML 在儿童哮喘急性发作管理中的应用。多数 ML 应用为预测模型，对预防干预和靶向治疗具有重要意义。不同研究对儿童哮喘急性发作的定义差异较大，可能影响研究结果的可比性和诊断准确性，因此需要统一标准。儿童哮喘的发病机制复杂，与成人哮喘研究重点不同，儿童哮喘研究更关注与生长发育相关的因素，如家族史和遗传易感性，且对模型的可解释性要求更高。模型性能评估应综合多种指标，单一指标可能存在误导性，不同指标适用于不同的研究目的和数据集特点。
- 启示和建议：在儿童哮喘急性发作的诊断中，可参考《全球哮喘管理和预防战略（2024 年更新）》，结合临床症状、病史、体格检查和肺功能测试等进行综合诊断，并根据当地标准进行规范。在临床使用 ML 模型辅助决策时，可借助 LIME、SHapley Additive explanation（SHAP）等工具解释模型结果，也可选择可解释性较好的 ML 算法。评估模型性能时，应综合关注准确性、AUC、敏感性、特异性、阳性预测值（Positive Predictive Value，PPV）和 NPV 等指标，以全面反映模型在实际应用中的表现。
- 研究的优势和局限性：本研究的优势在于全面的检索策略、严格的系统综述方法和多作者的独立评估。然而，研究也存在局限性，如排除了非英文研究，可能限制结果的普遍性；哮喘急性发作定义不统一，难以进行比较；研究样本、参与者和结局的异质性较大，无法进行荟萃分析。
- 未来研究方向：未来研究应注重提高数据质量和多样性，纳入更多儿童哮喘的遗传信息、环境因素和生活习惯数据。推动算法创新，尤其是深度学习算法的发展，实现更个性化的治疗。整合可穿戴设备和智能设备的实时监测系统，加强哮喘发作的检测和预防。加强医学、数据科学和工程等多学科的合作，共同解决复杂问题，开发更有效的哮喘管理工具。
结论
本系统综述表明，ML 在儿童哮喘急性发作管理中具有巨大潜力，可用于风险识别、诊断和个性化护理。但在临床实践中，仍需解决数据质量、算法优化和跨学科合作等问题。未来应重点关注模型的稳健性、数据安全性和临床测试，推动该领域的进一步发展。
