数智化赋能儿童支气管哮喘的诊治和管理

本文推荐引用格式：

王颖硕, 陈志敏. 数智化赋能儿童支气管哮喘的诊治和管理[J]. 临床儿科杂志, 2025, 43(7): 500-504 DOI:10.12372/jcp.2025.25e0503

WANG Yingshuo, CHEN Zhimin. Leveraging digital intelligence to enhance the diagnosis, treatment, and management of pediatric bronchial asthma[J]. Journal of Clinical Pediatrics, 2025, 43(7): 500-504 DOI:10.12372/jcp.2025.25e0503

本文作者：王颖硕 陈志敏

作者单位：浙江大学医学院附属儿童医院呼吸内科 国家儿童健康与疾病临床医学研究中心 浙江大学医学院附属儿童医院哮喘诊治中心

摘要： 我国儿童支气管哮喘患病人数众多，然而控制情况并不乐观。今年4月《儿童支气管哮喘诊断与防治指南（2025）》发表，为儿童哮喘防治工作指明了新的方向。而近年来，数智化技术发展迅速，国家亦鼓励医疗系统采用数智化技术提高医疗服务质量。值此契机，针对当前儿童哮喘防控工作面临的挑战，本文总结了数智化技术在儿童哮喘诊断、儿童肺功能质控和智能判读、哮喘全病程管理方面的应用，并针对数智化技术推进哮喘防控工作尚需解决的难题以及今后的建设工作提出了具体建议。

关键词：哮喘；数智化技术；诊治；儿童

支气管哮喘（以下简称哮喘）是儿童最常见的呼吸系统慢性疾病，严重影响儿童的生活质量和身心健康，并造成极大的社会负担。我国儿童哮喘患病率呈现明显上升趋势，根据全国城市0~14岁儿童哮喘流行病学调查数据，从2000年的1.97%增加至2010年的3.02%^[1]，而该年龄段的哮喘累计患病率增加了52.8%，但哮喘控制情况却不令人满意，中国哮喘患儿仍有将近6成未能达到良好控制^[1]。研究表明，哮喘控制欠佳的患儿在学习、生活和身心健康发展方面受哮喘影响更为显著，且中老年时罹患慢性阻塞性肺病（COPD）的风险更高^[2]。由此，《儿童支气管哮喘诊断与防治指南（2025）》（简称《新版指南》）在今年4月的发表，为儿童哮喘诊治和管理工作指明了新的方向^[3]。

相较过去国内指南，《新版指南》特别强调了借助数智化工具对哮喘长期规范管理的重要性，第一次提到了“随着互联网和智能手机的普遍应用，可通过互联网电子版中国儿童哮喘行动计划（CCAAP）进行哮喘管理”，以及“人工智能时代，探讨中国儿童哮喘的个性化管理”等内容。近年来，随着数字化和人工智能（artificial intelligence，AI）等“数智”技术的飞速发展，其被广泛应用于包括医学在内的多个行业。我国更是于今年特地颁布了《医药工业数智化转型实施方案（2025—2030年）》，鼓励“开展‘数智技术赋能行动’方面，加强医药工业数智产品研发”^[4]。因此，为了紧抓当下的数智化发展契机，本文将对哮喘的数智化应用现状和未来发展前景进行相关介绍。

1  儿童哮喘管理面临挑战

中国儿童哮喘整体控制情况不佳，哮喘管理面临挑战较大，主要体现在以下几个方面。①儿童特别是＜6岁儿童哮喘诊断困难，既面临诊断不足，也存在诊断过度；②儿童哮喘的全程管理监测不完善，大部分家长和医师未制定个体化的哮喘行动计划（AAP），或是制定了AAP但没有很好地执行；③患儿父母甚至是医师对疾病认知欠佳，主要为对哮喘的诊断、急性发作的诱因、治疗手段、吸入药物的操作及其不良反应等的认知不足；④患儿和家长对哮喘规范治疗的依从性不佳，而这是哮喘未控制的最主要原因，也是哮喘导致死亡的主要原因^[5]；依从性不佳也是影响我国儿童哮喘诊治和管理效果的常见原因，是数智化赋能的主要环节。

2  儿童哮喘数智化赋能的主要场景

2.1 AI大模型有助于儿童哮喘的诊断

儿童哮喘特别是＜6岁儿童哮喘的诊断，一直是困扰学术界的难题，也是每次国内外指南更新时大家关注的热点问题。与欧美最新指南一样，本次《新版指南》虽然对＜6岁儿童喘息特点进行了相关描述，但并未给出明确的诊断标准和诊断工具。针对＜6岁有喘息症状的儿童，已有一些旨在识别喘息儿童罹患持续性哮喘风险的评估工具被用于临床实践。但是，仅有3种预测工具经过了外部验证：来自美国Tucson的哮喘预测指数（asthma predictive lndex，API）、来自荷兰的哮喘和尘螨过敏预防及发生率（prevention and incidence of asthma and mite allergy，PlAMA）以及来自英国的莱斯特工具（Leicester tools）。但是，系统性综述表明，这些工具的预测准确性欠佳，其灵敏度和阳性预测值存在差异^[6]。

近期的研究表明，机器学习（machine learning，ML）方法在儿童哮喘预测方面相较于现有的基于回归的模型（如API）具有更出色的性能和泛化能力^[7]。该研究应用了ML来预测儿童早期阶段（2~10岁）的哮喘情况模型——早期儿童哮喘预测模型（childhood asthma prediction in early life，CAPE）以及学龄前期儿童（4~10岁）哮喘预测模型（childhood asthma prediction at preschool age，CAPP）。研究者从参与英国伊斯怀特岛出生队列研究的1368例儿童中收集了临床和环境暴露数据（哮喘患病率约为15%），采用递归特征消除（recursive feature elimination，RFE）方法为每个模型确定了预测学龄前期哮喘的最佳特征子集。研究使用了7种最先进的机器学习分类算法来开发预测模型并进行训练 ；模型还进一步在曼彻斯特哮喘与过敏研究（Manchester asthma and allergy study，MAAS）队列中进行了外部验证。结果显示，这两个模型均表现出良好的泛化能力（MAAS 模型中8年和11年的AUC值均为0. 71，CAPP模型中8年和11年的AUC值分别为0.83和0.79）^[7]。该研究表明使用ML方法提高了现有基于回归模型的预测性能，具有良好的泛化能力和预测哮喘和持续性喘息的能力。国内浙大儿院呼吸内科和信息科团队，开发了包括CatBoost、逻辑回归、朴素贝叶斯和支持向量机（support vector machines，SVMs）在内的多种基于机器学习的模型，通过患者的回顾性电子医疗记录（electronic medical records，EMRs）来识别哮喘。实验结果提示AI模型能够快速且准确地在儿童普通医疗病房中识别哮喘，其中CatBoost 模型的表现均优于其他模型，并可能帮助基层儿科医师正确诊断哮喘^[8]。目前该模型已应用于浙大儿院呼吸科哮喘专病门诊，通过患儿二维码生成简单的问卷，患儿或家属在挂号或候诊时填写，面诊时能直接生成格式化病历，并向接诊医师以百分比形式提供哮喘诊断的可能性。这套系统为基层儿科全科医师和非呼吸专业儿科医师提供了极强的便利，避免儿童哮喘的漏诊和误诊。值得注意的是，这些工具的作用在于帮助识别出更有可能出现持续性哮喘症状的儿童，但并非幼儿哮喘的诊断标准；其主要作用是提高儿童哮喘控制率、优化医疗资源、限制抗生素和全身性糖皮质激素滥用等。

2.2 数字化图形识别技术有助于儿童肺功能质控和智能判读

肺功能是儿童哮喘临床诊断、治疗和管理的重要依据。长期以来，肺功能的质量控制与判读依赖操作人员的知识储备与经验积累。相较成人，儿童肺功能检测所面临的挑战更为复杂严峻。儿童群体年龄较小，沟通能力弱，配合难度大，使得肺功能检查的质量控制与结果判读面临极大考验。因此，利用AI研发儿童肺功能质量控制与结果判读技术对儿童哮喘的辅助诊断意义重大。近年来，AI技术已广泛应用于医学影像及图形的后期处理，主要包括提高图像质量^[9]和医学影像识别^[10]。国内外相关方面的研究仍处于早期起步阶段。

近年来，国内外众多团队先后围绕肺功能曲线图形开展了基于AI技术进行肺功能质量控制的探索，初步论证了相关技术的可行性。目前，AI辅助肺功能质控主要包括以下几种形式。第一，自动识别患者呼吸动作。肺功能检测需要患者的高度配合，儿童因其年龄小、理解能力差，更加难以配合。有研究者用流量 - 容积曲线和容积 - 时间曲线数据库，通过决策树算法的应用，对咳嗽、漏气、呼气提前终止、多次呼吸这4类异常曲线进行识别并给出反馈意见^[11]。该研究目前只对以上4类错误进行识别，后续可增加更多错误类型的识别。同时，该研究对象为6~18岁，亦需增加其他年龄层以进一步完善。第二，构建质控的临床决策辅助系统（clinical decision support system，CDSS）。来自西班牙的团队将流量- 容积曲线呼气相分为升支、尖峰、降支、呼气末、整体共 5 个区域，分别建立质控标准对各区域进行质控，该AI算法质控灵敏度达96%，特异度达95%，该团队后续构建了专家小组判读肺通气检查的指标和流量-时间曲线的关系，开发不同ML算法对数据库进行学习，通过对比，发现 SVMs表现最优，并实现了肺通气检查工作流程中的实时质控^[12]。第三，远程质控监测。多项研究均表明，通过电子医疗远程质控系统、家庭用手持式简易肺功能仪以及深度学习算法能够大幅度提升肺功能检测的质量评级^[13]。

目前，AI辅助肺功能结果判读也取得很多进展，主要集中在以下几个方面。第一，辅助图形识别。现有肺通气检查报告会生成流量-容积曲线和容积-时间曲线图形，专业技术人员主要通过对曲线图形特点，判断通气功能障碍类型，AI通过ML同样对肺通气曲线图形进行识别判读。研究表明，通过神经网络算法可以把肺通气检查时流量-容积曲线及指标作为输入值，将上气道梗阻从正常和阻塞性通气功能障碍中区分开来，其灵敏度、特异度和准确率分别为88%、94%和92%，效率优于人类专家组；当AI通过图形识别结合临床资料等多模态数据与单一的临床数据模型相比，其对COPD急性发作预测能力明显提升^[14]。第二，辅助指标判读。研究表明，针对不同的通气功能障碍，将流量-容积曲线、第一秒用力呼气容积（FEV1）、用力肺活量（FVC）、一秒率和呼气峰流速（PEF）作为输入值，应用多层感知器神经网络可很好地识别混合性通气功能障碍，其判读准确性可明显提高；当AI与呼吸科专家一起合作时，其准确率甚至可达100%^[15]。第三，通过AI预测。儿童常常因配合不到位，不能完成完整的肺通气功能检查，特别是<14岁儿童，用力呼气时间较短，得到的数据经常不够完整。而AI的图像修复功能，可以在图形不甚完整的情景下，基于深度学习技术，通过大量数据训练神经网络，使其能够理解和生成复杂的图像模式，进而实现对受损图像的修复。经过训练的AI模型面对不完整的流量-容积曲线时，可预测其完整的状态，从而达到估算所需的指标如FEV6等的功能^[16]。此外，AI对大量图形识别处理后，还可通过引入过去我们未注意的图像参数来辅助诊断肺功能情况。有研究发现，通过分析呼气流量曲线下面积这一新的指标，可对限制性和混合性通气功能障碍进行有效区分^[17]。

国内张晓波团队利用人工智能技术对过往肺功能报告进行智能化分析，结合临床指南初步构建了基于肺功能的辅助诊断系统^[18]。尽管现有研究给出了肺功能质量控制-结果判读-辅助诊断的技术方案雏形，但在辅助诊断环节，缺少对专病知识以及外部诊疗数据的综合性分析。同时，受限于儿童肺功能及哮喘临床诊疗数据资源的匮乏，相关研究整体进展仍旧十分缓慢。

2.3 数字健康干预有助于哮喘的全病程管理

数字健康干预（digital health interventions，DHIs）是指通过数字化技术或数字平台（例如手机应用程序、网站、计算机、视频会议、短信、电子邮件、可穿戴设备）为躯体和/或心理问题提供信息、支持和治疗（决策、情感、认知和行为）的干预措施。随着DHIs技术的发展，其已经在哮喘、糖尿病、肥胖、高血压、心理健康等众多疾病特别是慢性疾病中开展应用研究，并取得了一定的成绩。目前，关于哮喘与DHIs的相关研究已越来越多，表明这些数字技术可以很好地提供辅助诊断、监测哮喘儿童用药和症状变化、收集并统计临床数据、提高药物治疗依从性、改善哮喘控制水平和生活质量等，应用前景非常广泛。

目前，有很多DHIs的应用模式。主要包括个性化短信提醒（short message service，SMS）的DHIs、基于移动应用程序的DHIs、基于网络平台的DHIs、基于电子监测设备（electronic monitoring devices，EMDs）的DHIs等^[2]，这些方法在管理目的、成本预算、应用场景和硬件依赖等方面各有不同优势，又各有缺点。SMS成本低廉，但这种单向干预方式会导致在紧急情况下存在一定的医疗风险，也有可能带来儿童沉溺于电子设备的可能；移动应用程序安装在移动设备端方便快捷，但其在儿童哮喘患者中的研究远较成人少，对儿童病情的监控依赖于成人的观察，有时并不直观，存在一定的临床风险 ；而网络平台可以监测更多更全面的数据，便于大数据的收集和统计分析，但也需注意数据安全等现实问题。EMDs既可为用户提供患儿真实的用药数据和症状记录，又可提供教育、提醒等服务，能有效改善患儿的哮喘控制和生活质量，被认为是目前最有效的DHIs措施^[19]，但电子监测设备的成本较高，考虑到其在减少住院次数和改善临床结果等方面的潜在效益，这种干预措施可能是具有成本效益的。目前，哮喘DHIs发展方兴未艾，国内很多单位对以上技术进行融合创新，如浙大儿院从2020年开始运行的数字化管理平台，既有EMDs设备（具备蓝牙上传功能的峰流速仪），又依托于医院互联网医院的小程序进行管理。当系统自动检测到患儿上传数据的异常时，系统结合CCAAP进行判断。当系统判定患儿哮喘急性发作时，又会通过SMS和AI电话提醒家长，同时系统定期向患儿发送哮喘评估问卷（根据年龄不同，发送儿童呼吸和哮喘控制测试量表、哮喘控制测试量表）等，完成患儿的哮喘控制情况检测。长期的数据收集和分析，又为哮喘防控提供防治策略。这样的数字化平台实际上融合了上述提到的所有类型的DHIs，这些管理技术被综合应用于哮喘的数字化管理，取得了良好的临床效果。

3 挑战和展望

虽然数智化技术在哮喘诊断、肺功能质控和智能判读、哮喘全病程管理方面有诸多良好表现，但仍存在很多需要克服的问题。第一，广大医师对AI技术尚不理解，难以接受。很多技术已经非常成熟，且颇有成效，但由于使用的人不多，使得该项技术并不容易普及，也影响了相关研究成果在医学领域的影响力。第二，数智化技术强烈依赖于高质量、相对完整的临床数据，国内目前无相关特定的数据库，这就需要临床医师和技术人员花大量时间投入到数据的收集和甄别，这样才能训练出强大的AI模型供临床使用。第三，即便有了完整的数据库后，还要高度重视数据的安全，防止出现数据泄露而影响患儿隐私。第四，儿童哮喘的数智化工作需要大量的人员和资金投入，需要各级政府部门和卫生主管部门提供资金和政策上的帮助，才能快速推进相关工作的进展。

数智化技术无疑会在儿童哮喘的防治工作中发挥重大的作用，我们应当对其进行更深入、更广泛、更全面的研究，力求尽快取得突破。首先，需要构建我国覆盖病症检查、疾病诊断与病程管理全过程的多模态、多组分的儿童哮喘（结合肺功能）诊断与管理数据库；其次，根据我国哮喘儿童的肺功能数据库，研究肺功能数据特征图形相结合的肺功能检查结果智能判读技术，实现肺功能质量控制与检查结果的智能判读；第三，研究融合知识图谱与AI技术（如超图神经网络等）的儿童哮喘智能辅助诊断与临床决策技术，实现儿童哮喘智能辅助诊断与临床决策；第四，研制儿童哮喘诊断与云管理平台，支撑基层医院开展高质量儿童哮喘诊断与全病程数字化管理；最后，基于儿童哮喘诊断与云管理平台，开展验证人工智能辅助哮喘诊疗技术临床价值的多中心大样本队列的追踪与随访，形成依托智能辅助诊断技术的儿童哮喘个体化精准治疗临床路径。

参考文献：略。