《Journal of Perinatology》：Artificial intelligence and digital technologies transforming neonatal respiratory assessment: a scoping review
编辑推荐：
新生儿呼吸系统疾病仍是全球新生儿期发病和死亡的主要原因之一，每年约导致230万例新生儿死亡。早产新生儿因呼吸系统结构和功能未成熟而尤其易感，发生呼吸窘迫综合征（RDS）、支气管肺发育不良（BPD）和需要延长通气支持的风险增加。即使在资源丰富地区，这些疾病也与短
新生儿呼吸系统疾病仍是全球新生儿期发病和死亡的主要原因之一，每年约导致230万例新生儿死亡。早产新生儿因呼吸系统结构和功能未成熟而尤其易感，发生呼吸窘迫综合征（RDS）、支气管肺发育不良（BPD）和需要延长通气支持的风险增加。即使在资源丰富地区，这些疾病也与短期和长期并发症相关，包括慢性肺部疾病和神经发育损害。因此，新生儿呼吸评估在临床决策中发挥核心作用。然而，传统方法基于临床检查、血气分析和常规影像学检查，存在观察者间变异、预测能力有限以及难以整合复杂动态临床数据等局限。这些局限在新生儿重症监护病房（NICU）中尤为关键，因为快速准确决策至关重要。在此背景下，数字技术和人工智能（AI）的进展被认为是分析大量多模态数据以变革新生儿呼吸评估的机会。机器学习和深度学习算法能够识别生理信号、医学图像和电子健康记录中的非线性模式，扩展预测和临床决策支持的潜力。近期研究显示这些工具的应用前景，包括预测模型、自动化肺部图像分析和连续无创监测系统。然而，文献在所用方法、评估参数和临床应用场景方面仍存在显著异质性，凸显其安全有效实施的重要空白。鉴于此，本范围综述旨在绘制用于新生儿呼吸系统评估的数字技术和基于人工智能的方法，并综合其临床应用、评估参数和知识空白，从而有助于指导未来研究以及这些技术在新生儿实践中的关键整合。
Introduction
新生儿呼吸系统疾病仍是全球新生儿期发病和死亡的重要原因，每年约230万例新生儿死亡与其相关。早产新生儿因呼吸系统结构和功能未成熟，易发生呼吸窘迫综合征（RDS）、支气管肺发育不良（BPD）及延长通气支持需求，并可能带来慢性肺部疾病和神经发育损害等短期和长期并发症。传统新生儿呼吸评估依赖临床检查、血气分析和常规影像，但存在观察者间变异、预测能力有限及难以整合复杂动态临床数据等局限，在新生儿重症监护病房（NICU）中尤为突出。数字技术和人工智能（AI）可通过分析多模态数据识别非线性模式，支持预测和临床决策。近期研究显示预测模型、自动化肺部图像分析和连续无创监测系统具有前景，但方法、评估参数和应用场景异质性显著。本范围综述旨在绘制用于新生儿呼吸系统评估的数字技术和基于AI的方法，综合其临床应用、评估参数和知识空白。
Materials and methods
Study design
本范围综述遵循系统评价和Meta分析扩展版范围综述报告规范（PRISMA-ScR）进行，研究方案预先注册于开放科学框架（OSF），注册号：10.17605/OSF.IO/H6RKC。
Search strategy
检索策略由医学主题词（MeSH）/Emtree控制描述词与自由词组合，并经研究团队成员讨论完善。系统检索 PubMed/MEDLINE、Embase、Scopus、Web of Science 和 IEEE Xplore，检索2015年1月至2026年3月发表的研究。检索词包括“neonate”或“newborn”、“respiratory assessment”、“mobile application”或“digital health”、“artificial intelligence”或“machine learning”及“thoracoabdominal mobility”，以布尔运算符（AND/OR）组合。检索记录导出至文献管理软件去重，随后导入 Rayyan 平台，由两名研究者独立进行标题和摘要筛选，两名研究者独立进行全文审查，分歧通过讨论解决，必要时由第三名研究者参与。数据提取采用预先定义的标准化表格，变量包括作者和发表年份、国家、研究类型、人群、所用技术、AI方法类型、评估的呼吸参数、临床目标、应用场景、主要发现和局限。
Eligibility criteria
纳入涉及新生儿人群（足月和早产新生儿）、使用数字技术和/或AI并评估呼吸参数的研究。排除聚焦非呼吸结局、未使用AI或数字技术、社论或非原创研究以及样本量小于10例患者的研究。
Selection and primary evaluation of studies
研究选择与评价分为四阶段：阶段1，在 PubMed、Cochrane Library、LILACS、Web of Science、SciELO 和 Science Direct 数据库使用主策略及变体检索；阶段2，去重，将检索参考文献导入 Rayyan 系统评价软件排除重复研究；阶段3，标题和摘要筛选，由两名独立研究者完成，分歧时由第三名独立研究者复核并确认或拒绝纳入；阶段4，全文阅读和数据提取，两名研究者独立评估全文，对符合纳入标准的研究使用标准化提取表独立提取资料，包括题录数据、研究地点、研究类型、目的、评估技术、结局和结论，分歧与第三名研究者讨论解决。
Data synthesis
干预特征和分类变量采用描述性综合并以文字或表格呈现；从文章提取的数值变量以均数和标准差或中位数和四分位距呈现。
Results
共在所选数据库中识别199项研究，去除10项重复后，189条记录进入筛选。标题和摘要筛选中，63项（33.3%）因不符合纳入标准被排除，包括发表年份标准（n=15；23.8%）、研究类型（n=22；34.9%）和标题不相关（n=26；41.3%）。因此，126篇文章（66.7%）进入全文审查。符合性评估后，91项研究（72.2%）因无新生儿人群、将AI应用于非呼吸结局、缺乏呼吸参数评估、未使用AI以及样本量小于10例患者被排除。最终，35项研究（占初始识别研究的18.5%）被纳入本范围综述，发表时间为2019年至2026年。纳入的35项研究主要包括前瞻性观察性和回顾性队列设计，诊断性和交叉研究较少。35项研究中，21项（60.0%）使用机器学习（ML）方法，10项（28.6%）使用深度学习（DL），3项（8.6%）使用混合ML/DL模型，1项（2.9%）采用智能闭环控制系统。电子健康记录（EHR）是最常见的数据来源（34.3%），其次为生理信号（20.0%）、胸部X线摄影（8.6%）、数字听诊（8.6%）、呼吸机衍生数据（8.6%），以及其他技术，包括肺部超声、光谱学、视频成像、产前超声和临床决策支持系统。
Main findings
对35项纳入研究的分析显示，数字技术和AI在新生儿呼吸评估中主要有三个应用领域：预测模型、影像技术和连续生理监测。纳入研究主要在NICU开展，包括前瞻性观察性、回顾性队列和诊断性设计。ML是最常用的AI方法，尤其是XGBoost、支持向量机（SVM）、随机森林（RF）和集成模型；DL主要用于影像和生理信号分析，包括卷积神经网络（CNN）、ResNet架构、BiLSTM和U-Net。EHR是最常见的数据来源，其次是影像模态、生理信号、呼吸机衍生数据和数字听诊。呼吸结局预测是主要临床应用，其次是诊断和连续呼吸监测。
Artificial intelligence-based predictive models
预测模型是本综述中识别出的最大应用领域，涵盖主要使用ML算法、较少使用DL方法预测呼吸结局的研究，如支气管肺发育不良（BPD）、呼吸窘迫综合征（RDS）、机械通气（MV）需求和拔管失败。观察到深度神经网络、随机森林和支持向量机等技术占优势，多数研究报告了较高预测性能。然而，所用数据集存在显著异质性，分析结局变异性大，方法学标准化有限，使模型间直接比较困难。
Artificial intelligence-supported imaging technologies
约25%–30%的研究使用DL技术处理影像检查，主要是胸部X线摄影和肺部超声。这些方法能够实现新生儿呼吸疾病的自动分类，可能减少观察者间变异并提高诊断准确性。相比之下，基于影像的研究在输入数据方面表现出更高标准化程度；但仍面临外部验证和模型在不同临床场景及人群中泛化能力的限制。
Physiological monitoring and noninvasive systems
约25%–30%的研究聚焦于使用无创系统连续监测呼吸参数的技术开发。传感器、视频系统、雷达、可穿戴设备和光电容积描记法用于评估氧饱和度、呼吸频率和通气模式等参数。这些方法显示出实时监测的可行性以及早期检测临床恶化的潜力。然而，与预测模型相比，它们技术变异性更大，更依赖环境条件和信号质量。
Comparative synthesis of findings
总体而言，研究结果显示：预测模型是最常用的方法，更聚焦临床结局和决策支持；影像技术在诊断标准化方面潜力更大，但研究数量较少；连续监测系统因实时适用性突出，但仍处于临床验证早期阶段。此外，研究识别出不同类型数据（临床、生理和影像）多模态整合的增长趋势，但仍受互操作性和标准化挑战限制。
Discussion
本范围综述表明，数字技术和AI正逐步纳入新生儿呼吸系统评估，代表从基本反应性模式向预测性、自动化和数据驱动方法的转变。研究结果表明，这些技术主要应用于三个领域：呼吸结局预测、医学图像分析和连续生理监测。纳入研究的分布提示，当前新生儿呼吸护理中的AI发展主要由基于结构化临床数据的预测分析驱动，而非自主诊断系统。ML模型主要用于常规收集的EHR以预测呼吸结局，而DL方法主要用于图像解读和生理信号分析。这些发现凸显，新生儿呼吸护理中的AI应用处于不同技术成熟阶段，预测模型似乎比影像和监测方法更接近临床实施。基于AI的预测模型构成主要应用领域，广泛用于估计BPD风险、MV需求和拔管失败。这些模型常纳入随机森林、支持向量机、梯度提升方法和深度神经网络，表现出较高预测性能。然而，其临床适用性仍受回顾性研究占主导、缺乏稳健外部验证和分析结局异质性限制。此外，许多DL模型可解释性低，是其在临床实践中采用的重要障碍，尤其在需要快速透明决策的场景。在医学影像领域，DL算法应用于胸部X线摄影和肺部超声，显示出自动化分类新生儿呼吸疾病和减少观察者间变异的相关潜力。这些工具有助于提高诊断标准化，尤其在专家可及性有限的环境中。与预测模型不同，基于影像的AI依赖标准化图像采集、高质量标注和多中心验证，以确保在不同临床场景中的稳健性能，这些因素仍是广泛实施的重要障碍。使用数字技术的连续生理监测成为有前景的领域，包括无创传感器、视频系统、雷达和呼吸信号分析。这些方法可实时评估呼吸频率、氧饱和度和通气模式等参数，为早期检测临床不稳定提供潜力，符合数字监测和AI应用于医疗保健的最新进展。然而，其在常规临床实践中的实施仍具挑战，因为呼吸测量高度易受运动伪影、环境干扰、新生儿体位变异、医院系统整合以及真实世界临床验证需求的影响。本综述另一重要发现是越来越多采用多模态AI方法，整合临床、生理和影像数据以开发更全面的预测模型。尽管有前景，这些方法强烈依赖数据标准化、系统间互操作性以及技术基础设施的可及性，这些因素在数字健康文献中广泛讨论，可能限制其在不同医疗场景中的适用性。总体而言，纳入研究存在显著方法学异质性，以回顾性设计和有限样本量为主，限制了结果的普适性。AI方法学也存在相当大的变异性，评估相似呼吸结局的研究使用不同算法、预测因子、预处理技术和验证策略，限制了模型间直接比较，从而降低了研究间发现的可比性。此外，算法偏倚、模型性能公平性和临床安全等基本方面仍探索不足，是这些技术安全实施的关键空白。从临床角度看，本综述结果提示，AI可作为新生儿呼吸评估中的补充工具，促进临床决策和护理优化。然而，有效纳入临床实践取决于稳健外部验证、标准化方案制定以及与现有临床工作流程的整合。尽管检索策略围绕AI、数字技术和新生儿呼吸评估的核心概念设计，但额外针对预测模型的检索词（如“prediction model”或“logistic regression”）可能识别出更多相关研究。因此，未来研究应优先考虑前瞻性设计、多中心验证和这些技术临床影响评估，并考虑伦理、监管和安全方面，以确保在新生儿护理中负责任和可持续地实施。总体而言，这些发现提示，新生儿呼吸护理中AI发展的下一阶段应从概念验证研究转向前瞻性多中心验证、透明模型报告和整合入常规临床工作流程。只有通过严格验证和实施研究，这些技术才能展示超出技术性能的有意义临床获益。
Conclusion
数字技术和AI是新生儿呼吸评估的有前景工具，具有改善结局预测、诊断准确性和连续监测的潜力。然而，临床应用仍受缺乏稳健外部验证、方法学异质性和模型可解释性挑战限制。未来需要前瞻性、多中心、标准化研究以评估这些技术的有效性、安全性和临床影响。制定和实施标准化临床方案对于将这些技术安全有效地整合入新生儿实践至关重要。
