基于AI的CT影像参数与电子健康记录数据联合分析预测儿童重症社区获得性肺炎呼吸衰竭的队列研究

本研究针对儿童重症社区获得性肺炎（CAP）呼吸衰竭预测难题，通过AI分析胸部CT影像参数（如受累肺叶数、双侧肺部受累）联合临床数据建立预测模型。结果显示，模型AUC达0.763，敏感性84.3%，为精准干预提供新工具。发表于《Infectious Diseases and Therapy》，推动AI辅助儿科重症诊疗。

　　

在全球范围内，社区获得性肺炎（CAP）是导致儿童死亡的首要感染性疾病，每年约造成218万例死亡，其中重症CAP合并呼吸衰竭的死亡率尤为突出。传统诊断方法依赖主观影像学评估和分散的临床指标，难以实现早期风险分层。随着人工智能（AI）技术在医学影像领域的突破，如何利用深度学习算法挖掘CT影像中的隐藏特征，成为优化诊疗策略的新方向。

中山大学附属第七医院儿科血液实验室与放射科联合团队开展了一项开创性研究。研究人员回顾性分析了2023-2024年230例重症CAP住院患儿的临床数据，首次将AI衍生的胸部CT参数（uAI Discover-Pneumonia系统自动量化肺叶感染数、感染体积等）与电子健康记录整合，构建了四个预测模型。论文发表在《Infectious Diseases and Therapy》，证实AI辅助的影像生物标志物可显著提升呼吸衰竭预测效能。

研究采用三项关键技术：1）基于深度学习的肺炎计算机辅助分析系统（uAI Discover-Pneumonia）自动提取CT参数；2）多因素logistic回归分析调整年龄、白细胞等混杂因素；3）ROC曲线评估模型判别力。所有CT扫描均经两名放射科医师采用Likert量表（Cohen's κ=0.665）进行质量验证。

研究结果揭示：

1. 基线特征：呼吸衰竭组（RF）患儿更易出现喘息（47.1% vs 26.3%, P=0.005）、淋巴细胞降低（20.7% vs 28.4%, P=0.001）及双侧肺部受累（86.3% vs 71.5%, P=0.032）。

2. CT参数关联性：调整混杂因素后，受累肺叶数（OR=1.347, 95%CI 1.036-1.750）和双侧受累（OR=2.734, 95%CI 1.084-6.893）独立预测呼吸衰竭（P<0.05）。

3. 模型比较：整合临床数据的Model 2（AUC=0.763）和Model 3（AUC=0.763）显著优于单一CT参数模型（Model 0 AUC=0.593），最优临界值下敏感性达84.3%。

这项研究具有双重突破意义：首先，证实AI量化CT参数（如肺叶感染数≥5个）可作为呼吸衰竭的客观预警指标；其次，建立首个儿童重症CAP多模态预测体系，其敏感性（84.3%）和特异性（76.0%）为临床早期干预提供决策依据。研究团队特别指出，未来需通过多中心验证优化模型普适性，但当前成果已为AI驱动儿科精准医疗树立了新范式。