摘要
特应性皮炎（AD）是一种异质性、复发性炎症性皮肤病，其中表皮屏障功能障碍、免疫失调、微生物失衡、遗传因素和环境因素在时间维度上持续相互作用。尽管已有大量文献将AD与空气污染、天气、过敏原、应激、感染、睡眠障碍、护肤习惯及微生物扰动联系起来，但大多数研究仅孤立地评估单一暴露因素。这种还原论方法仅部分反映了AD的真实生物学机制，而实际上患者所经历的是内外暴露因素的动态组合，其效应具有非线性、累积性特征，并受年龄、表型、治疗方式和易感性的修饰。暴露组学范式通过考量全生命周期中所有暴露因素的总和，提供了一个更广泛的概念框架。然而，AD的暴露组学研究在方法学上面临诸多挑战，因为相关数据具有多模态、高维度、时间依赖且往往不完整的特征。人工智能（AI）有助于应对这种复杂性，它能够整合异质数据层、建模时间依赖性、发现潜在模式并生成个体化预测。本叙事性综述考察了现有证据，并提出一个将人工智能与暴露组学相结合用于AD研究的理论框架。我们界定了AD暴露组的主要领域，描述了一种涵盖环境、临床、行为、微生物组及多组学数据的多层级分析架构。我们将已在AD研究中评估的应用与探索性分析及拟议目标进行了区分：预测年度发作负担仍属探索性研究，而基于暴露组信息驱动的短期发作预警则属于拟议应用。尽管部分AI应用已在AD中得到评估，但暴露数据带来的增量预测价值以及完全整合的暴露组–AI系统的临床效用仍有待证实。我们还概述了关键的方法学与转化研究优先事项，包括暴露评估、时间性、治疗混杂、可解释性、公平性、数据治理及外部验证。所提出的框架为未来研究提供了结构化基础，其临床转化则有赖于前瞻性验证及患者获益的证据。
