利用信息学理解儿科过敏性疾病
《Current Opinion in Pediatrics》:Using informatics to understand pediatric allergic diseases
【字体:
大
中
小
】
时间:2026年10月16日
来源:Current Opinion in Pediatrics 2.8
编辑推荐:
**评论目的**
人工智能(AI)在能力、实用性和可及性方面的近期进展,为生物医学研究开辟了新方法,并带来了革新临床工作流的机会。过敏性疾病是最常见的儿童慢性疾病之一,因此儿科过敏是AI增强型信息学方法的一个充满前景的应用领域,可支持分子发现、早期识别、风险分层、治疗个性化
**评论目的**
人工智能(AI)在能力、实用性和可及性方面的近期进展,为生物医学研究开辟了新方法,并带来了革新临床工作流的机会。过敏性疾病是最常见的儿童慢性疾病之一,因此儿科过敏是AI增强型信息学方法的一个充满前景的应用领域,可支持分子发现、早期识别、风险分层、治疗个性化及纵向监测,本文对此进行了综述。
**近期发现**
近期儿科过敏研究已将信息学和AI方法应用于多种数据源,包括分子和多组学数据、结构化与非结构化电子健康档案数据、环境暴露、诊断图像、远程监测设备,以及面向患者和临床医生的AI工具。这些方法大多仍处于研究阶段,涵盖生物标志物发现、疾病表型分析、风险分层、预测建模、远程监测,以及用于过敏教育的新兴聊天机器人。
**总结**
尽管AI增强型信息学在儿科过敏领域仍相对处于起步阶段,但其从复杂数据中提取可用信息并开发旨在个性化疾病检测和管理工具的潜力令人期待。目前大多数应用仍处于探索性阶段,持续推进需要透明性、严格验证、跨不同人群和医疗系统的泛化能力、工作流集成的可行性、隐私保护以及纵向监督,以确保其持续的安全性和有效性。
**关键点**
- 儿科过敏中的信息学方法日益利用人工智能,应用于分子发现、风险预测、诊断和疾病监测等领域,但其中大多数仍处于探索阶段。
- 近期的临床信息学方法包括多模态预测模型以及非结构化数据的分析——包括临床记录和图像——以促进疾病诊断和风险分层。
- 面向患者和临床医生的生成式人工智能工具可支持教育和快速获取信息,但需关注可读性、准确性以及信息源的透明性。
- 负责任地采用临床可用的AI工具需要稳健的验证、实施护栏和纵向监测,以确保其使用的可信性、公平性和安全性。
**引言**
随着人工智能(AI)快速进入临床医学领域和公众讨论,人们对其潜力的热情有时超越了对这一术语涵盖内容或应用方式的共识。AI可以被视为一组计算方法,用于从复杂数据中识别模式、生成预测并辅助解读,因此与信息学——即信息和其应用的科学——紧密相关。过敏性疾病是儿童最常见的慢性发病原因之一,且包含异质的疾病亚型,这使得儿科过敏成为AI增强型信息学方法的有前景的应用领域,可促进机制发现、数据分析和临床决策支持。然而,AI有其固有局限性,方法应针对具体研究的目的、数据源和目标进行定制,在考虑更广泛的临床应用之前,需仔细解读其输出结果。本综述考察了近期聚焦于儿科过敏性疾病的非传统信息学和AI研究,涵盖其从机制发现到临床护理的当前应用和局限性。
**生物医学信息学和人工智能方法概述**
生物医学信息学利用数据和信息产生知识并支持生物医学各领域的决策。相关子领域包括生物信息学,即应用计算方法分析高维度分子和"组学"数据集;临床信息学,此处广义使用,涵盖基于电子健康档案(EHR)、影像学、诊断和设备驱动的方法,支持表型分析、预测、诊断、监测和决策支持;以及公共卫生信息学,即在人群水平应用数据进行监测、暴露评估、预防和健康促进。
AI是指执行学习、推理、分类、预测和内容生成等任务的计算方法。其基础子集为机器学习(ML),即训练算法基于从数据中识别的模式执行任务。ML可以是监督式的,使用标记数据学习预测因子与结果之间的关系,也可以是无监督式的,使用未标记数据识别模式或聚类。神经网络(NN)是类似于生物神经回路的机器学习模型。深度学习(DL)指具有多层结构的神经网络,通常应用于图像或文本等复杂的高维度数据。
其他重要的AI方法包括自然语言处理(NLP),专注于计算机对人类语言的解释,以及大语言模型(LLM),即基于深度学习、在大型文本数据集上训练的NLP模型。LLM是生成式AI的重要形式,如公开可用的聊天机器人,能够生成新的文本、图像和其他内容。一个新兴应用是代理式AI,其中AI系统以半自主方式协调和执行复杂任务。随着这些工具的发展,临床医生对其方法、能力和局限性的理解日益重要。
**文献检索方法**
为识别近期相关文献并广泛表征该领域的新兴应用,我们在PubMed中检索了2025年5月至2026年5月发表的文章,使用与儿科人群、信息学、人工智能和过敏性疾病相关的关键词组合(补充方法)。检索获得149篇文献,经人工审查后,根据与儿科过敏的相关性、信息学方法的创新性,和/或对主要或新兴应用的代表性进行筛选。本综述聚焦于过敏性疾病;免疫缺陷和先天性免疫缺陷的应用超出其范围,已在其他地方进行了综述[1,2]。选定的研究按主题进行讨论,并在表1中按应用领域、数据源、分析方法及代表性文献进行总结。
**表1**
**信息学和人工智能方法在儿科过敏中的代表性应用**
| 应用 | 代表性数据源 | 代表性数据分析方法 | 使用的AI方法 | 代表性研究 |
|------|------------|-----------------|------------|-----------|
| 分子发现 | 转录组、表观遗传、蛋白质组、微生物组、宏基因组及其他"组学"数据 | 生物标志物识别;差异基因表达;分子聚类 | ML;NN;DL | [3,4–10?] |
| 精准治疗 | 转录组、蛋白质组、免疫分析和临床治疗反应数据 | 治疗反应预测或分类;治疗选择 | ML;NN | [11??,12?,13??] |
| 临床表型分析与数据提取 | 结构化EHR数据(如诊断编码、药物、人口统计),非结构化EHR数据(如临床记录),理赔数据 | 临床概念提取;结构化与非结构化数据整合;数字标志物识别;临床表型聚类 | ML;NLP | [14,15,16–18??] |
| 疾病预测与风险分层 | EHR数据、理赔数据、问卷、诊断数据、"组学"数据、环境暴露数据 | 疾病诊断;疾病轨迹和结果预测;风险分层 | ML | [19?,20??,21,22,23?,24,25??,26,27?,28?,29,30] |
| 图像分析与远程监测 | 全切片活检图像;远程监测设备数据;EHR数据;患者报告的症状数据 | 图像解读以促进诊断和监测;临床决策支持;远程疾病监测 | 基于CNN的DL;ML;NLP | [31?,32?,33] |
| 患者教育与信息获取 | 面向患者/护理者和临床医生的AI聊天机器人 | 患者、护理者和临床医生教育;医疗信息获取 | LLM | [34–37] |
AI,人工智能;CNN,卷积神经网络;DL,深度学习;EHR,电子健康档案;LLM,大语言模型;ML,机器学习;NLP,自然语言处理;NN,神经网络。
**用于分子表型分析和生物标志物发现的生物信息学**
过敏性疾病的病理生理学涉及环境暴露、遗传和表观遗传因素、上皮屏障功能、免疫通路、微生物组及其他贡献者之间的复杂相互作用。因此,生物信息学与儿科过敏高度相关,因为机器学习和深度学习可能识别出仅用传统统计方法难以发现的疾病相关分子模式。
鉴于哮喘的高发性、慢性化以及多模态临床和分子数据的可获得性,哮喘是儿科过敏中AI辅助信息学方法发展较为成熟的领域之一,包括转录组学。在一项近期研究中,对支气管上皮细胞转录组数据进行无监督机器学习分析,在哮喘儿童和成人患者中识别出四个基因表达聚类,其中大多数也在儿科鼻腔灌洗液细胞中出现,提示上下气道之间存在保守性[3?]。另一项回顾性外周免疫细胞转录组数据显示,四个中性粒细胞胞外陷阱相关基因在儿童哮喘中富集,但仅一个在验证中仍具显著性[4]。差异表达和机器学习分析识别出与儿科哮喘相关的铁代谢基因,并将其纳入外周血转录组诊断模型,该模型具有适度的判别性能[5]。此外,在一项网络药理学研究中,基因表达数据集和机器学习识别出两个免疫代谢相关基因作为儿童肥胖相关哮喘的潜在治疗靶点,并提出了针对这些基因的化合物,但研究结果仍处于探索性阶段[6]。综上,这些研究展示了转录组信息学的潜力,但受限于反复出现的小样本、异质数据集以及疾病异质性考虑不全面等问题。
生物信息学方法也已应用于表观遗传、蛋白质组及其他"组学"数据集。在一个前瞻性出生队列中,将监督机器学习应用于脐血表观遗传数据,识别出与调节性T细胞丰度相关且与后续儿科食物过敏风险降低相关甲基化特征[7]。一项单独的方法学研究将生物通路信息纳入深度神经网络,提高了包括儿科哮喘在内的DNA甲基化数据集的可解释性和预测性能[8]。在一项探索性儿科哮喘生物标志物研究中,尿液蛋白质组聚类与临床因素整合后表现出最佳的预测性能,并识别出胶原蛋白α-1链作为潜在生物标志物[9]。在患有食物蛋白诱导过敏性直肠结肠炎的患者中,纵向粪便宏基因组学识别出肠道微生物组差异,包括症状出现前即可检测到的菌株特异性特征,支持了一种中等准确度的粪便预测算法[10]。综上,这些示例展示了分子生物信息学如何帮助识别疾病相关特征和生物学假说,但在临床应用前仍需要进行更广泛的验证。
信息学的转化应用之一是治疗反应预测。在接受度普利尤单抗治疗的幼童特应性皮炎患者中,对免疫和蛋白质组数据进行机器学习分析,识别出与治疗反应相关的T细胞亚群变化和氧化应激相关生物标志物[11??]。在中重度特应性皮炎中,一项487基因表达谱分析——来自非侵入性皮肤刮取样,通过神经网络集成分析——识别出更可能对Janus激酶抑制剂而非靶向2型过敏性炎症治疗有反应的患者[12?]。在免疫球蛋白E(IgE)介导的花生过敏口服免疫治疗的背景下,转录组分析识别出与脱敏相关的持续性变化,机器学习识别出一个27转录本分类器,在独立受试者中准确率达80%[13??]。总体而言,这些研究证明了生物信息学从描述性分子发现向治疗反应预测和治疗选择转变的潜力,但大多数方法仍处于探索阶段,需要更强的验证以确立临床价值。
**用于表型分析、预测和决策支持的临床信息学**
临床信息学代表了AI影响儿科过敏护理的最直接机会之一,利用EHR、理赔库和其他医疗数据库的数据支持疾病表型分析、风险预测和临床决策支持。虽然先前的EHR研究主要关注结构化数据,但近期工作已应用基于规则的NLP方法分析临床记录等非结构化数据。在食物过敏预防中,一条NLP流水线提取了与临床医生遵守花生引入指南相关的EHR文档,以高准确率识别花生引入建议,但在确定特应性皮炎严重程度方面可靠性较低[14]。在哮喘中,基于临床记录的NLP辅助风险分层识别出符合标准化哮喘风险标准的儿童,以及一个肺炎、流感和哮喘加重风险增加的亚组[15??]。一项单独研究考察了哮喘儿童神经精神事件,基于临床记录信息的NLP方法在事件检测方面优于仅使用诊断编码[16]。综上,这些研究突出了基于规则的NLP方法在检测结构化变量未捕获的信号方面的效用,但记录质量差异仍是局限性。
除提取潜在重要的临床概念外,AI方法还被应用于表型发现和患者亚组划分。在一项包含儿科和成人哮喘患者的研究中,将监督和有无监督机器学习应用于临床和社会人口统计学纵向理赔数据,识别出五个不同的患者聚类[17]。一项单独的基于儿科EHR、聚焦于腹痛的研究中,机器学习识别出几个聚类,包括一个过敏为主的聚类,其特征是哮喘、特应性皮炎、荨麻疹和过敏性鼻炎发生率更高,同时以中等性能预测腹痛[18]。这些探索性分析展示了临床数据如何识别亚组以供未来机制研究、风险分层或靶向干预。然而,它们需要后续调查以确定亚组是否具有临床意义和可操作性。
基于机器学习的预测模型仍是儿科过敏中最常见的AI应用之一,特别是在哮喘等多因素疾病中。近期研究突出了整合互补数据域的价值。例如,一个预测儿科哮喘再入院率的模型整合了医院和药房理赔与社区水平社会决定因素指数,略优于传统回归,但性能仍为中等[19?]。其他显示良好预测性能的哮喘相关机器学习模型包括:在早发性特应性皮炎患儿中使用早期人口统计学、临床、医疗利用、母亲数据和特应性共病数据训练[20??],问卷衍生早期生命史和暴露结合客观实验室数据[21],以及临床特征结合气道功能测试,即脉冲振荡仪和呼出气一氧化氮测量值[22]。
综合来看,这些研究表明,模型性能受所用数据的质量、广度及上下文相关性的影响。尽管哮喘相关应用占主导地位,但预测模型也已开发用于其他儿科过敏状况。在疑似非甾体抗炎药超敏反应中,基于树的集成机器学习方法相比传统风险分层列线图提高了敏感性[23?]。在食物过敏领域,花生表位特异性IgE和免疫球蛋白G4谱预测了花生过敏的持续或消退[24]。另一项结合临床和人口学数据与变应原特异性IgE测量的研究,以中等性能预测了呼吸道、食物及膜翅目毒液过敏[25??]。后两项研究展示了如何利用包含血清学测量的多模态数据来区分具有临床意义的过敏与无症状致敏,尽管数据缺失、训练人群受限以及缺乏前瞻性验证限制了这些研究目前形式下的临床应用价值。
此外,还有几项研究纳入了环境、遗传或其他多模态数据以提高预测能力。例如,基于机器学习的细颗粒物(PM2.5)空气污染暴露估计被纳入过敏性鼻炎和荨麻疹发病率的模型中,较高的PM2.5与风险增加相关[26]。类似的方法将较高的出院后PM2.5暴露与患有支气管肺发育不良儿童的哮喘风险相关联[27?]。在牛奶蛋白过敏方面,整合临床、微生物组、免疫、元蛋白质组和代谢组数据的机器学习模型比仅基于单个数据域的模型更好地预测了过敏的消退[28?]。在一项儿科哮喘研究中,将单核苷酸多态性与推断的局部祖先相结合,相比单独使用任一数据类型,改善了需要急诊科就诊或住院的加重发作的预测[29]。相比之下,另一项研究发现,在外部验证中,添加多基因风险评分并不能在早期生活临床、社会人口学及家族史因素的基础上进一步改善纵向过敏疾病轨迹的预测[30]。因此,虽然多模态数据在某些情况下可能改善预测,但额外数据类型并不必然转化为更好或更具临床实用性的模型。最终,临床价值将取决于这些方法是否能在诊疗时点变得可靠、可理解、可推广且具有可操作性。
**诊断与疾病监测中的成像与设备信息学**
在临床信息学领域,成像和设备信息学应用提供了AI驱动工具如何支持诊断和疾病监测的一些最具体示例。在嗜酸性粒细胞性食管炎(EoE)中,基于组织的评估对诊断和疾病监测至关重要,AI辅助的全片食管活检图像分析是一个日益受到关注的领域。在一项近期针对EoE儿童和成人患者的研究中,基于卷积神经网络(CNN)的深度学习方法在量化固有层纤维化和预测后续纤维狭窄并发症方面比传统病理评估更为一致。值得注意的是,该模型甚至能从被病理学家认为不适合评估的活检标本中提取预后信息[31?]。重要的是,基于图像的AI工具可能对机构间的图像采集、制备、染色或处理差异敏感,同时对模型训练中被视为"真实标准"的内容也敏感。鉴于这些局限性,AI驱动的图像分析在诊断和预后评估方面显示出新兴潜力。
随着可穿戴和远程监测技术的发展,使用AI在临床外实现连续疾病评估的热情日益高涨。一项最近的可行性研究将家庭儿童哮喘监测与嵌入电子健康记录的哮喘指导与预测系统(A-GPS)相结合,突显了AI辅助远程监测以及多种信息学方法融合的潜力。A-GPS将结构化电子健康记录数据、从临床笔记中提取的自然语言处理信息以及基于机器学习的哮喘加重风险预测与家庭肺活量测定和基于移动应用程序的肺功能及患者报告哮喘症状收集相结合,旨在为临床医生处方的哮喘行动计划提供信息[32?]。另一项针对疑似哮喘学龄前儿童的前瞻性多中心研究正在评估WheezeScan,这是一种使用AI分析呼吸音以检测喘息并评估支气管扩张剂反应的数字设备[33]。尽管这些研究处于早期阶段,受限于小样本量和不确定的临床有效性,但它们展示了设备赋能的信息学如何可能从回顾性预测转向前瞻性整合到临床工作流程中。
**AI聊天机器人与公共卫生信息学**
基于大语言模型的聊天机器人是最常见的生成式AI形式之一,涵盖从通用公共工具到领域适应模型,包括使用检索增强生成(RAG)从预定义来源(如同行评审医学文献)中获取信息的医学大语言模型。随着这些工具越来越多地面向患者、家庭及临床医生,它们可能支持疾病教育和临床信息需求,但也引发关于准确性、透明度和监督的担忧。专家评估显示,通用大语言模型聊天机器人在回答关于儿科哮喘、特应性皮炎、口服免疫疗法和变应原免疫疗法的问题时,总体而言提供中等到高质量的回答,尽管性能因内容领域而异,且可读性通常需要较高的阅读水平[34–37]。因此,不应假设当前工具能在没有临床医生监督的情况下提供准确、充分且易懂的医学指导。
此类聊天机器人评估可被视为消费者健康信息学的示例,提供关于患者及临床医生面向工具如何影响过敏相关信息获取的见解。相关的公共卫生信息学方法包括行为信息学,其使用数据驱动的方法来理解患者和家庭行为。在一项针对患有特应性皮炎、食物过敏、过敏性鼻炎或哮喘儿童的横断面研究中,探索性机器学习模型检查了父母保护动机、管理行为与过敏疾病结局之间的关系,显示对父母报告的疾病严重程度和发作频率具有良好的辨别力[38]。综上所述,这些研究表明公共卫生信息学如何评估信息学工具的广泛影响,并产生与儿科过敏管理相关的行为见解。
**AI在儿科过敏中负责任采用的实施考虑**
随着AI方法从儿科过敏研究走向临床应用,核心挑战已不再是这些工具能否在数据中识别模式,而是它们能否被透明地开发、适当地验证,并以能有效改善儿科护理的方式负责任地实施。重要的是,模型可能继承来自基础训练数据的完整性、质量和代表性的局限性。评估AI模型时的关键考虑因素包括模型设计的透明度、适当的内部和外部验证、跨人群的公平性能、临床工作流程集成的可行性,以及可靠的数据安全和隐私保护。即使部署后,AI工具也需要纵向监测以检测潜在的性能变化、意外后果以及持续的安全性,以确保其保持可信和临床实用性。这一从开发到实施的框架总结在图1中。
**图1**
**儿科过敏中当前和新兴的信息学与人工智能(AI)方法。** 示例数据源包括分子、临床、环境和远程追踪数据。传统统计方法和AI驱动方法可以分析这些数据以支持当前和新兴的应用,包括疾病预测、生物标志物发现、风险分层、早期诊断、治疗个体化和患者支持。实施考虑因素包括模型可推广性、可解释性、公平性能、工作流程集成、纵向监测、隐私保护以及数据安全。此图使用BioRender创建。
额外挑战反映了AI方法论的固有局限性。复杂的机器学习和深度学习模型可能充当"黑箱",限制可解释性,而生成式AI可能通过幻觉产生不准确或无依据的信息。随着AI日益成为患者和家庭的健康信息来源,最近的儿科重点指导强调,生成式AI应被视为工具——而非替代人类知识或关系——急需适龄监督和对AI素养的重视[39]。此外,AI持续整合到研究、临床工作流程和医学教育中需要警惕、验证AI生成的信息以及人类监督,这些原则不仅适用于当前和未来的过敏领域工作人员[40],而且适用于整个医学界。
**结论**
总之,近期研究表明生物医学信息学在儿科过敏领域的广泛范围。该领域通过开发和应用能够识别复杂数据中并非总可通过传统统计方法察觉的模式和关系的AI方法而发展。近期应用包括基于机器学习的疾病诊断或加重风险预测模型、疾病内型及患者聚类识别、生物标志物发现、从临床笔记中提取预测特征、解释影像数据以及新兴的设备诊断和监测工具。这些工作在哮喘领域发展最为成熟,而其他儿科过敏疾病的应用仍不成熟,代表着未来研究的机会。除了对AI提高效率和减少行政负担潜力的兴奋外,人们对支持更早或更少侵入性诊断、个体化治疗、预后预测以及家庭监测和护理的工具也有浓厚兴趣。然而,儿科过敏领域的大多数应用仍处于研究阶段。实施将需要严格的验证以及证明这些工具是可信、公平、可持续并能显著改善多样儿科人群护理的证据。
**致谢**
在稿件准备期间,使用了Microsoft Copilot进行组织协助和提高写作清晰度。作者独立选择了参考文献,发展了解释和结论,并对本文最终内容承担全部责任。
**财务支持和赞助**
SJG感谢国家卫生研究院(K08 AI182477)和费城儿童医院研究所临床未来中心的支持。
**利益冲突**
没有利益冲突。
**参考文献及推荐阅读**
年度审查期间发表的特别有趣的论文已标记为:
? 特别有趣
?? 杰出有趣
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号