哮喘是儿童中常见的慢性异质性疾病，影响全球1%-18%的儿童。尽管治疗手段不断完善，仍有约30%的哮喘患儿存在无法控制的哮喘症状及急性加重问题。哮喘急性加重不仅严重影响患儿的生活质量，还导致医疗资源的高昂成本，包括急诊就诊及住院治疗。此外，急性加重还与暴露于空气污染、社会经济因素及地理差异密切相关。传统风险评估工具虽已应用，但预测能力有限。人工智能（AI）特别是机器学习（ML）算法的快速发展为风险评估提供了新的可能性。本研究旨在系统评估机器学习算法预测儿童哮喘急性加重导致急诊或住院风险的性能，为优化儿童哮喘管理提供科学依据。

本研究是一项基于PRISMA指南的系统综述和荟萃分析。通过PubMed、Cochrane Library及Web of Science检索包含“machine learning”、“asthma”和“children”的相关文献，筛选2013年至2023年间应用机器学习算法预测儿童哮喘急性加重风险的研究。纳入标准包括：涉及0-18岁哮喘患儿的回顾性或前瞻性研究，主要研究急诊或住院风险预测的ML算法。剔除仅研究哮喘诊断、健康儿童哮喘发病风险预测、案例报道及会议摘要的文献。使用PROBAST工具评估研究的偏倚风险及适用性，通过固定或随机效应模型汇总ROC曲线下面积（AUC），并对异质性进行I²统计分析。

最终纳入7篇研究，其中6篇进入荟萃分析。这些研究涉及17种基于机器学习的预测模型，主要集中于美国（6篇）和加拿大（1篇），样本量从291例到29,392例不等。研究包括预测急诊风险（4篇）和住院风险（3篇）。结果显示，预测急诊的模型的汇总AUC为0.67（95% CI：0.61-0.73；I²=99%；p<0.0001），预测能力为中等；而预测住院风险的模型表现更优，汇总AUC为0.79（95% CI：0.76-0.82；I²=95%；p<0.0001），具有良好的辨别力。
具体研究中，Patel等开发的梯度增强模型在住院预测中表现最佳，AUC为0.84（95% CI：0.83-0.85）；Gorham等开发的哮喘急诊风险评分模型在内部验证中AUC为0.768，而外部验证中表现有所下降（AUC=0.684）。Das等的研究则表明，既往急诊次数和保险类型是预测哮喘急诊的重要变量，模型的AUC达0.86，但敏感性较低（23%）。大部分模型的预测变量包括年龄、病史、药物使用及社会经济因素，而环境因素仅在少数研究中被纳入。

应用人工智能模型预测急性哮喘发作或哮喘加重急诊就诊风险的文章汇总

本研究系统评估了机器学习算法在儿童哮喘急性加重风险预测中的应用，发现这些模型在住院风险预测方面表现出较高的准确性。然而，由于现有研究存在诊断标准、样本特征及变量选择的异质性，需进一步开展基于标准化哮喘定义及大样本、多中心数据的外部验证研究。此外，这些算法的临床实用性仍需通过整合至电子健康记录系统及优化界面设计加以提升。

原始出处：

Predicting paediatric asthma exacerbations with machine learning: a systematic review with meta-analysis. Eur Respir Rev. 2024 Nov 13;33(174):240118. doi: 10.1183/16000617.0118-2024. PMID: 39537241; PMCID: PMC11558535.

Tags： Eur Respir Rev：人工智能在儿童哮喘急性加重风险预测中的应用