《Frontiers in Digital Health》：Utilizing AI for decision support in severe asthma biological treatment
编辑推荐：
中文摘要翻译
背景： 重症哮喘因疾病异质性和对生物制剂治疗反应的差异性，仍是重大临床挑战。尽管已有临床指南可供参考，临床医生在选择生物制剂时仍常依赖试错法。研究人员旨在开发并验证一种人工智能（AI）驱动的决策支持系统（DSS），以预测治疗反应并支持重症哮喘生物
中文摘要翻译
背景： 重症哮喘因疾病异质性和对生物制剂治疗反应的差异性，仍是重大临床挑战。尽管已有临床指南可供参考，临床医生在选择生物制剂时仍常依赖试错法。研究人员旨在开发并验证一种人工智能（AI）驱动的决策支持系统（DSS），以预测治疗反应并支持重症哮喘生物制剂的个体化选择。
方法： 研究人员分析了来自阿拉伯联合酋长国、沙特阿拉伯、波兰和加拿大的801例重症哮喘患者的回顾性跨国队列。研究人员开发了随机森林（RF）模型以预测临床改善，并采用递归特征消除（RFE）识别最具信息量的预测因子。随后应用反事实模拟评估替代性生物制剂治疗策略。
结果： 治疗反应最重要的预测因子为哮喘控制测试（ACT）评分、嗜酸性粒细胞计数及2型炎症合并症，尤其是鼻息肉和鼻窦炎。优化后的RF模型将特异度从33.33%提升至66.67%，并将总体准确率从78.57%提高至82.14%。反事实模拟证明了该模型识别无反应者表型的能力，并可估算具有更高预测改善概率的替代生物制剂选项，包括在特定患者中从抗IgE治疗转换至抗IL-5R治疗后62%的改善概率。
结论： 本研究展示了AI驱动的临床决策支持在支持重症哮喘生物制剂个体化选择方面的潜力。通过改进对潜在无反应者的识别并模拟替代治疗路径，所提出的框架可能有助于减少无效治疗暴露、改善临床决策，并推动重症哮喘管理的精准医学发展。
论文解读
一、研究背景与意义
哮喘是一种异质性疾病，以多种临床症状、支气管高反应性及可逆性呼气气流受限为特征。全球约有3亿哮喘患者，其中5%至10%患有重症哮喘，即使接受高剂量吸入药物治疗仍频繁出现急性加重和持续症状。生物制剂的出现为重症哮喘治疗带来了革命性变革，目前已有多类靶向药物获批，包括靶向IgE的奥马珠单抗（Omalizumab）、靶向IL-5/IL-5R信号通路的美泊利珠单抗（Mepolizumab）和贝那利珠单抗（Benralizumab）、靶向TSLP信号通路的特泽鲁单抗（Tezepelumab）以及靶向IL-4/IL-13信号通路的度普利尤单抗（Dupilumab）。
然而，临床实践中仍面临显著的“内型缺口”（endotype gap）问题。尽管多数生物制剂聚焦于“T2-high”型哮喘（以嗜酸性粒细胞和IgE升高为特征），患者常呈现重叠特征或“T2-low”（非嗜酸性）表型。现有临床指南虽提供决策框架，但临床医生缺乏能够结合多国真实世界数据（如地区合并症、遗传易感性和多样化人口学特征）来评估这些生物标志物的精确工具。由于患者对生物制剂的反应受潜在哮喘表型、合并症和遗传易感性等多重因素影响，选择最佳生物制剂仍属临床难题，医生常不得不采用试错法，可能延误最佳治疗时机并恶化患者预后。
二、研究设计与主要技术方法
研究人员开展了一项回顾性跨国队列研究，纳入来自阿联酋、沙特阿拉伯、波兰和加拿大四个国家共801例重症哮喘患者的匿名化数据。数据集涵盖患者人口学特征（年龄、性别、BMI）、哮喘相关信息（当前用药、急性加重史、嗜酸性粒细胞计数、FEV1）及合并症情况。主要结局“总体改善”（Overall Improvement）被定义为二元变量，具体标准为满足以下至少两项：ACT评分临床显著升高（≥3分）、年急性加重率降低≥50%、或年OCS使用量显著减少。
研究采用四项核心任务的技术框架：任务1为基线预测建模，使用全部输入特征构建随机森林（RF）二元分类模型预测临床结局；任务2为特征重要性分析与选择，采用递归特征消除（RFE）结合基尼指数（Gini Index）筛选最具预测力的特征；任务3为增强预测建模，仅使用筛选后的特征重新训练RF模型；任务4为反事实模拟，系统性地替换每位患者档案中的生物制剂变量，预测各替代方案下的临床改善概率，从而推荐最优治疗选择。模型开发采用80%训练/20%测试的重复留出策略，最终以93%训练/7%独立测试集进行最终评估，以宏召回率（macro recall）作为优化准则，采用五折交叉验证进行超参数调优。
三、研究结果
3.1 基线预测建模结果（任务1）
采用全部输入特征的RF模型在56例独立测试集上表现出高灵敏度（90.91%），能够有效识别临床改善患者，但特异度显著偏低（33.33%），提示模型在正确识别“未改善”患者方面存在困难。模型总体准确率为78.57%，AUC为0.83。灵敏度与特异度之间的明显差距表明模型偏向占多数的“改善”类别，存在类别不平衡问题。
3.2 特征重要性分析与选择结果（任务2）
通过RFE分析，研究人员识别出14个排名靠前的重要特征。关键预测因子包括治疗反应相关指标如肺功能检测结果（FEV1）、哮喘控制测试（ACT）评分、急性加重次数和口服皮质类固醇（OCS）使用量；临床因素如嗜酸性粒细胞计数；以及人口学特征特别是年龄和BMI。合并症中，鼻窦炎和湿疹被确认为显著预测因子，而OSA、GERD、癌症、荨麻疹和甲状腺疾病未被纳入重要特征，性别同样未被认定为显著预测因子。
3.3 增强预测建模结果（任务3）
采用筛选后特征重新训练的RF模型实现了82.14%的总体准确率，灵敏度为86.36%，特异度显著提升至66.67%，有效改善了基线模型中存在的类别不平衡问题。阳性预测值（PPV）达90.48%，阴性预测值（NPV）为57.14%，平均召回率达76.52%，AUC为0.82。与基线模型相比，优化模型将“未改善”类别的F1值从40.00%提升至61.54%，加权平均F1值从76.89%提升至82.62%。这一转变在临床实践中具有重要意义：提高特异度可有效减少错误的生物制剂选择，通过客观筛查层使决策支持系统（DSS）能够保护患者免于典型的4至6个月经验性试错阶段，及早识别无反应者以加速转向替代性高效生物治疗路径。
3.4 最优生物制剂预测结果（任务4）
反事实模拟评估了模型在四种治疗类别（奥马珠单抗、度普利尤单抗、美泊利珠单抗、贝那利珠单抗和特泽鲁单抗）间推荐最优生物制剂的能力。模型常显示各制剂均有较高成功概率，提示特定表型可能存在广泛治疗获益。但在某些案例中观察到具有临床意义的反应概率差异。例如，一名初始接受奥马珠单抗治疗且被临床医生和模型均判定为“未改善”的患者，反事实模拟显示若改用贝那利珠单抗，改善概率可达62%。这一结果展示了模型识别“无反应者表型”的能力，这些表型可能更适合不同的炎症通路（如IL-5/5R而非IgE）。
四、讨论与结论
本研究是首个由多国真实世界重症哮喘生物制剂治疗结果驱动的AI决策支持系统。通过将RFE特征选择与RF集成学习相结合，模型成功识别出ACT评分、基线血嗜酸性粒细胞水平和特定T2合并症（主要是鼻息肉和鼻窦炎）作为生物制剂治疗反应的关键预测因子。鼻窦炎和鼻息肉的重要预测价值支持“单气道”理论，即上气道2型炎症可作为生物制剂反应性的强指示因子。值得注意的是，尽管GERD和OSA传统上与哮喘管理不佳相关，模型将其识别为预测生物制剂疗效的次要特征，提示这些疾病虽加重整体症状，但可能不干扰生物制剂所靶向的特定分子通路。
研究人员强调，反事实模拟结果属于预测性而非因果性推断。由于观察性数据中治疗分配由临床医生判断而非随机化决定，反事实“假设”预测可能受适应证混杂影响。因此，这些模拟不应被解释为治疗效应的确定性估计，而应作为产生假设的决策支持输出，需通过前瞻性验证或因果推断方法（如倾向性评分调整或目标试验模拟）加以确认。
研究存在若干局限性：回顾性设计、真实世界注册数据中常见的缺失值、类别不平衡、有限的贡献中心可能导致选择偏倚，以及未进行分国家或分中心的亚组验证。此外，反事实转换结果属于基于模型的预测，不能替代前瞻性转换试验或长期结局数据。
结论：本研究证明随机森林集成可通过76.52%的平均召回率有效指导重症哮喘个体化治疗。通过优化特征集，特异度从33.33%提升至66.67%，显著改善了模型识别无反应者的能力，避免长期使用无效且昂贵的生物制剂。反事实模拟为制剂选择提供了数据驱动方法，预测某些患者更换生物制剂类别可获得62%的改善概率。尽管这些概率性发现需通过前瞻性研究进一步验证，但为重症哮喘管理从“试错”临床模式向AI驱动的精准医学转变提供了有力的概念验证。
