编辑推荐：
为解决现有儿童哮喘预测工具在临床应用中准确性不足、可扩展性差的问题，研究人员基于电子健康记录（EHR）对儿科哮喘风险评分（PARS）进行外部验证与更新，开发被动数字标记（PDM）。结果显示 PDM 预测准确性更高（AUC=0.79），为早期诊断提供新工具。
哮喘是儿童常见的慢性呼吸系统疾病，其诊断和治疗一直是儿科领域的重要挑战。尤其在学龄前儿童中，由于缺乏客观诊断标准、肺功能检测实施困难以及喘息模式的多变性，哮喘的漏诊和误诊问题尤为突出。据统计，美国 12 名学龄儿童中就有 1 人被诊断为哮喘，且三分之二的诊断是在症状出现两年或更久后才做出，即使这些症状已记录在电子健康记录（EHR）中。现有的儿童哮喘预测工具，如儿科哮喘风险评分（PARS），虽有一定的预后准确性，但大多基于研究环境中的自我报告数据，存在回忆偏倚，且需要手动计算风险评分，难以在繁忙的临床环境中推广应用。因此，开发一种基于临床实际数据、可自动生成风险评估的工具，对于实现儿童哮喘的早期识别和干预具有重要意义。
为解决这一问题，美国印第安纳大学的研究人员开展了一项基于 EHR 的回顾性队列研究，旨在外部验证并更新 PARS，将其转化为被动数字标记（PDM），以提高儿童哮喘风险预测的准确性和临床实用性。该研究成果发表在《eClinicalMedicine》上。
研究人员利用印第安纳患者护理网络（INPC）的 EHR 数据，纳入 2010-2017 年出生的 69,106 名儿童，通过 Logistic 回归和 Cox 比例风险模型，结合自然语言处理（NLP）和机器学习（ML）算法，从结构化和非结构化 EHR 数据中提取预测因子，包括 PARS 相关变量（如种族、父母哮喘史、湿疹、喘息等）、性别、种族、呼吸道疾病鉴别诊断（如肺炎、细支气管炎）以及社会决定因素健康（SDOH）指标等。通过 LASSO 算法进行变量选择，并构建 PDM 模型，最终通过自举法（bootstrapping）进行内部验证。
研究结果
1. 研究队列特征
研究队列中，52.3% 为男性，66.1% 为白人，7.7%（5290 例）在 4-11 岁期间被诊断为哮喘。学龄前哮喘诊断、湿疹、父母哮喘史、喘息等 PARS 相关因素与哮喘发病率显著相关。例如，有学龄前哮喘诊断的儿童，其 4 岁后哮喘发病风险是无该诊断儿童的 5.5 倍（aOR=5.50）。
2. PDM 模型性能
与基于 EHR 的原始 PARS 相比，PDM 的预测准确性显著提高，受试者工作特征曲线下面积（AUC）为 0.79（95% CI: 0.78, 0.80），高于原始 PARS 的 0.76。在高风险人群（3 岁时 PDM 高风险分类）中，哮喘发病率为 37%，显著高于原始 PARS 的 26%。校准曲线显示，PDM 预测值与实际观察值吻合良好，表明其具有良好的校准度。
3. 模型更新与临床 utility
PDM 模型纳入了 11 个预测因子，包括 6 个 PARS 变量、性别、种族、细支气管炎、肺炎和学龄前哮喘诊断。通过开发简单的评分算法和列线图（nomogram），便于临床应用。决策曲线分析显示，PDM 在 3%-40% 的风险阈值范围内具有临床实用性，净重新分类指数（NRI）和净获益（net benefit）均优于原始 PARS。
4. 算法偏倚与敏感性分析
尽管 PDM 存在一定的种族算法偏倚（差异影响比 = 0.72），但其预测准确性较高。敏感性分析表明，PDM 在不同变量配置下表现稳健，使用年龄依赖性预测因子可提高准确性，提示动态更新模型的重要性。
研究结论与意义
本研究表明，基于 EHR 数据开发的 PDM 模型能够有效预测儿童哮喘风险，其准确性优于传统的 PARS 工具。通过整合临床常规记录的多维度数据（如呼吸道疾病鉴别诊断、社会决定因素），PDM 为繁忙的儿科临床提供了一种自动化、可扩展的风险评估工具，有助于早期识别高危儿童，及时启动诊断和干预措施，降低哮喘相关发病率。然而，算法偏倚和 EHR 数据异质性等问题仍需进一步研究解决。未来需通过随机临床试验验证 PDM 在临床实践中的实际效果，并优化其作为临床决策支持工具的用户体验，以推动精准医疗在儿童哮喘管理中的应用。
