人工智能在哮喘诊疗中的应用：现状、机遇与挑战

【编辑推荐】哮喘作为具有多重表型和内型的复杂疾病，临床面临误诊误判、治疗反应差等技术瓶颈。研究者系统综述近3年AI/ML技术在哮喘领域的应用进展，揭示其在风险预测（如急性发作预警）、精准分型（endotype分类）及个体化治疗中的转化潜力，为推进呼吸医学数字化提供关键路线图。

　　

哮喘作为一种异质性极强的慢性气道疾病，其临床管理长期面临"诊断难、分型乱、控制差"三大困境。尽管现有吸入性糖皮质激素(ICS)和生物制剂等治疗手段已较成熟，但流行病学数据显示全球仍有超过40%患者未能实现症状控制。这种现状与表型(phenotype)识别偏差、患者吸入装置使用错误等人为因素密切相关，凸显出现有诊疗模式对复杂生物标志物网络解析能力的不足。

近年来，人工智能(AI)与机器学习(ML)技术的突破性发展正为这一领域带来转机。发表于《The Journal of Allergy and Clinical Immunology: In Practice》的综述系统梳理了2019-2022年间该领域的重大进展，揭示AI/ML如何通过多维度数据整合重塑哮喘诊疗范式。研究团队通过分析电子健康记录(EHR)、可穿戴设备动态监测数据、呼吸道微生物组等多元信息源，构建了具有临床转化价值的预测模型。

关键技术方法包括：1）基于医院系统的真实世界队列数据挖掘；2）监督学习算法（如随机森林、支持向量机）用于急性发作风险分层；3）无监督聚类分析识别新型内型(endotype)；4）深度学习模型处理肺部CT影像特征。

【哮喘风险预测】
通过整合患者历史发作频率、FeNO（呼出气一氧化氮）水平及环境暴露数据，XGBoost算法可实现未来6个月急性发作预测AUC达0.82，显著优于传统临床评分。

【精准诊断体系】
卷积神经网络(CNN)分析支气管镜图像使非典型哮喘诊断准确率提升19%，特别适用于嗜酸性粒细胞表型识别。

【治疗决策优化】
强化学习模型通过模拟10万+虚拟患者数据，生成个性化ICS剂量调整方案，使中重度患者年住院率降低23%。

该研究证实AI/ML在呼吸医学领域具有三重革新价值：首先，突破传统分类框架，基于生物标志物动态网络定义可干预的内型；其次，通过实时生理信号监测实现"预测-预防"闭环管理；最后，智能吸入装置指导系统可纠正60%以上的技术错误。值得注意的是，作者特别强调AI应作为"临床决策支持系统"而非替代工具，其最终价值在于放大而非取代医生的专业判断。这些发现为《全球哮喘防治倡议》(GINA)指南的数字化修订提供了关键证据基础。