综述：人工智能在基于生理测量的慢性阻塞性肺疾病筛查与诊断中的应用

这篇综述系统回顾了人工智能（AI）技术在慢性阻塞性肺疾病（COPD）管理中的应用进展，重点探讨了基于呼吸音、血氧饱和度（SpO2）和心率变异性（HRV）等生理信号的AI算法在COPD诊断（如COPD vs健康人群）、GOLD分期（I-IV期）、急性加重预测及个性化干预中的价值。通过多模态数据融合与深度学习（DL）模型，AI显著提升了临床决策的精准性，但跨中心数据标准化和模型可解释性仍是关键挑战。

　　

Abstract
慢性阻塞性肺疾病（COPD）是一种以气流受限为特征的常见呼吸系统疾病，传统依赖肺功能检测（如 spirometry）和影像学（CT/X-ray）诊断。近年来，人工智能（AI）通过分析呼吸音、血氧饱和度（SpO₂）和心电图（ECG）等生理信号，为COPD提供了无创、连续的监测手段。本综述基于Arksey与O’Malley的方法学框架，系统检索了2014-2024年间63项研究，揭示AI在COPD四大核心场景的应用：

诊断
AI模型通过呼吸音特征（如喘鸣音、爆裂音）区分COPD与健康人群，准确率达89%。部分研究结合支持向量机（SVM）和卷积神经网络（CNN）实现多分类（COPD/哮喘/健康），但小样本量限制泛化性。

GOLD分期
基于HRV和EMG信号的深度学习模型（如LSTM）可将疾病严重度分为I-IV期，AUC达0.92。早期研究因数据限制采用二分类（轻/重度），现逐步转向多分类。

急性加重预测
脉搏波形态和SpO₂动态变化被证实与急性加重相关。随机森林（RF）模型整合多参数后，预测灵敏度提升至78%，优于传统问卷（CAT/mMRC）。

个性化干预
强化学习（RL）优化肺康复方案，患者FEV₁改善率提高15%。可穿戴设备实时反馈数据，辅助调整药物剂量（如支气管扩张剂）。

挑战与展望
跨中心数据异构性（如呼吸音采集设备差异）制约模型泛化。图神经网络（GNN）和联邦学习（FL）或可突破数据壁垒，而可解释AI（XAI）工具（如SHAP值）亟待临床验证。

Conclusion
AI驱动的生理信号分析正重塑COPD管理范式，但需协同临床、工程与政策力量，推动从算法创新到床旁落地的转化。