《全球慢性阻塞性肺疾病诊断、管理及预防策略（2026版）》解读：人工智能与新兴技术

《全球慢性阻塞性肺疾病诊断、管理及预防策略（2026版）》解读：人工智能与新兴技术【摘要】慢性阻塞性肺疾病（慢阻肺病）的诊断不足、异质性、管理复杂性和医疗资源分配不均等问题亟待创新性的解决方案。《全球慢性阻塞性肺疾病诊断、管理及预防策略（2026版）》系统阐述了人工智能（AI）与新兴技术在慢阻肺病管理中的应用潜力。AI通过多维度技术革新提升诊断和管理效率、辅助多病共存的管理。远程医疗、远程肺康复有望提升医疗可及性，改善患者结局。总体上，AI应用的定位是“辅助工具”，而非替代临床决策。未来需要更多高质量研究验证远程医疗的长期效果，推动AI技术与循证医学深度融合，实现慢阻肺病诊治的智能化转型。【关键词】肺疾病，慢性阻塞性；人工智能；远程医学；肺康复全球慢性阻塞性肺疾病创议（GlobalInitiativeforChronicObstructiveLungDisease，GOLD）是国际上最具影响力的慢性阻塞性肺疾病（慢阻肺病）诊疗与管理的指导组织，每年根据最新研究证据对报告进行更新与推荐。《全球慢性阻塞性肺疾病诊断、管理及预防策略（2026版）》（GOLD2026报告）［1］中新增“慢阻肺病中的人工智能（artificialintelligence，AI）与新兴技术”章节，旨在应对慢阻肺病诊断不足、误诊、延迟诊断、疾病异质性、管理复杂性，以及医疗资源分配不均等现实挑战。该章节概述了AI在慢阻肺病管理中的应用潜力，包括辅助诊断、评估、临床管理和预后预测；同时，远程医疗等新兴技术有望提升慢阻肺病患者的医疗可及性，改善患者的临床结局并降低医疗成本。本文重点解读GOLD2026报告在此方面的更新内容，以期为专科医生和基层从业者加深对新技术应用的认识提供参考。1AI在慢阻肺病中的应用AI为一套使计算机能够学习、分析数据并做出决策的算法。其主要模型多样，包括：（1）机器学习，算法从数据中学习模式而无需显式编程；（2）监督学习，使用带标签数据训练模型；（3）无监督学习，在无标签数据中发现模式或聚类；（4）强化学习，通过试错并受奖励/惩罚的规则指导训练；（5）深度学习，采用多层神经网络自动提取特征；（6）神经网络为仿生大脑的互联节点系统；（7）自然语言处理分析和生成人类语言（如医疗文本）；（8）大型语言模型基于海量文本训练，用于多样语言任务；（9）基础模型在多元数据上训练，可微调适应多种应用；（10）生成式AI基于学习模式创建新数据［2］。AI丰富的算法在慢阻肺病的诊断和管理中具有广泛的应用潜力。1.1诊断慢阻肺病普遍存在诊断不足、误诊和延迟诊断等问题［3-4］，导致未治疗、错误治疗或治疗效果差。AI提供多路径解决方案可助力破解慢阻肺病漏诊误诊困局。1.1.1高危人群识别AI可以通过解析电子健康记录（electronichealthrecord，EHR）中的多维数据（如吸烟史、症状、影像异常），构建风险预测模型。国外研究显示，机器学习筛查系统诊断慢阻肺病的准确率达89%，较传统方法显著提升，可在初级保健、社区或肺癌筛查中前移慢阻肺病诊断窗口达3～5年［5-6］。1.1.2减少误诊AI能够提供自动化肺功能解读和诊断建议，从流量-容积环中提取易被忽略的高纬度特征，减少基层医生的误判［7-8］。1.1.3早期诊断AI通过搜索EHR信息可以促进早期识别，并预测普通人群的肺功能轨迹和慢阻肺病风险［9-12］。1.1.4替代肺通气功能检查的方案AI可以联合新型诊断方法，如呼吸音、咳嗽音、语音等特征，脉冲振荡技术对呼吸阻抗的检查，运动传感器对运动能力的量化，电子鼻检测挥发性有机化合物提示炎症特征，以及体积描记、胸部CT、电阻抗断层成像等呼吸相关检查。已有一些小样本研究显示出其应用潜力，但需大队列研究进一步验证［13-23］。AI的出现为破解慢阻肺病的漏诊误诊困局提供了可能。然而，EHR的数据质量和可获取性是关键瓶颈，尤其在基层医疗机构数据碎片化问题突出。如能在保护民众隐私的基础上，打通医疗就诊数据壁垒，开发本土化模型，将有望打破漏诊误诊困局。1.2慢阻肺病的异质性与精准分型慢阻肺病的异质性要求对患者进行个性化管理，AI在识别影像学、生物标志物和多模态整合方面作用突出。1.2.1影像学标志物AI在量化肺气肿范围、裂隙完整性、黏液栓、支气管扩张和肺血管方面准确率高［24］。如基于深度卷积神经网络的CT影像分析系统，可自动量化肺气肿容积占比、气道壁厚度和黏液栓分布特征。1.2.2生物标志物AI通过处理组学数据能够识别潜在的生物标志物（如炎症分子、遗传变异），为慢阻肺病的新治疗靶点研究铺路［25-26］。1.2.3多模态模型如Merlin模型整合影像、文本、临床和实验室数据，有望进一步推广到慢阻肺病领域［27］。慢阻肺病患者可能同时存在肺气肿、支气管扩张、黏液栓等多种变异，导致治疗响应差异大。传统方法依赖于主观评估，准确率低，易忽略潜在亚型。AI的介入旨在自动量化这些特征，提供客观依据，支持个性化治疗方案（如针对肺气肿型优先使用支气管扩张剂，针对炎症型优化糖皮质激素使用）。现有研究显示AI分型模型优于传统BODE指数，但多为回顾性、小样本设计［24-26］，有待更多的研究开发验证适用于不同人群的多模态模型。1.3管理指南、多病共存循证医学催生了大量基于证据的临床实践指南。对于慢阻肺病等常伴多病共存的慢性病患者，日常需兼顾多专科指南，过程复杂艰巨［28］，而AI可在其中发挥关键作用。具体而言，AI算法可嵌入EHR系统，总结多专科诊治的多病共存患者当前的临床状况，主动提醒潜在问题（如提醒多重用药、疫苗缺失等）。此外，“零键盘输入”策略已在部分临床机构得到实践，由AI持续记录医患对话，生成面向医生和患者的就诊摘要，经主治医师批准后存入EHR，其价值在于改善医患沟通和提高医疗效率。GOLD2026报告强调禁止缩写以确保AI准确性，并视循证指南为AI证据来源。1.4远程管理AI在慢阻肺病管理中的应用可拓展至远程监测、用药管理和居家交互场景。当与可穿戴传感器技术结合时，AI能通过促进患者报告结局和生理数据的直接传输，实现远程患者监测，但现有证据显示其对慢阻肺病相关临床结局（如急性加重、生活质量）的影响仍有限［29］。在用药管理方面，数字智能吸入可通过内置传感器等技术改善用药依从性与操作规范性。此外，AI还可以深入患者的居家场景。聊天机器人作为计算机程序，通过文本或语音模拟人类对话，经适当训练与验证后，能成为患者联系医疗系统的初级接口（如回答居家健康管理相关问题）［30-31］。这一方法有望提升患者的自我管理能力，但需以严格的验证和伦理规范为前提。1.5预后评估一项荟萃分析显示，AI预后模型（如传统机器学习和深度学习预测模型）在慢阻肺病患者住院风险和死亡率预测中的潜力优于传统疾病严重程度评分，但证据仍有限［32］。AI有助于识别慢阻肺病急性加重高风险患者［33］，未来需要纵向大队列研究进一步验证。1.6风险与对策虽然AI在慢阻肺病中的应用前景广阔，但仍需正视其潜在风险并给予相应的应对策略。临床风险包括误诊、过度依赖AI和偏倚，可通过严格验证、人工监督和偏倚测试来纠正；数据相关风险如数据质量差、训练数据偏倚和隐私泄露，则需通过数据清洗、多样化数据集和强化安全协议解决；技术局限性涉及黑箱模型、泛化能力弱和数据漂移，可采用可解释模型、重新训练和外部验证等方法来应对；伦理与法律风险涵盖责任不明、知情同意问题和不公平性，通过明确责任框架、透明患者沟通和公平访问予以解决；运营挑战如工作流整合难题、监管复杂性和高维护成本，则依赖用户中心设计、监管协调、持续监测和资金支持［34］。这些策略有助于平衡AI的创新潜力与安全应用。2远程医疗新型冠状病毒感染大流行极大地改变了医疗服务的提供方式，通过远程技术提供医疗服务的模式得到了一定尝试。一项荟萃分析显示与常规护理相比，远程监测或远程咨询在慢阻肺病患者急性加重、住院、健康状态和病死率方面的优越性有待改善，但无明显危害［35］。GOLD2026报告指出远程医疗可能并不适合所有慢阻肺病患者，适合沟通清晰、常规随访、记录/检验结果可查、药物处方无障碍者。GOLD2026报告为远程随访制定了规范的操作流程，建议的步骤包含：接通电话时自我介绍，确认通话对象，确保对话清晰，解释远程就诊的原因，初步商定要讨论的内容和所需时间，参考标准的随访清单进行远程随访，在随访结束前复述总结并约定下次随访，同时强调需保护患者隐私。在中国，近几年网络门诊的广泛开展证实这一就诊访视方式可以一定程度解决患者看病难的问题。需要强调的是，远程医疗在慢阻肺病管理中是“补充”而非“替代”，其价值限于特定场景（如稳定期常规随访），而复杂或高风险情况仍需面对面就诊。远程医疗当前的局限性在于长期效果不明，未来需要进一步研究这一技术在不同病情中的有效性和安全性。3远程肺康复肺康复是慢阻肺病的重要干预手段，新型冠状病毒感染大流行加速了其远程模式的开发和应用。ATS指南指出，远程肺康复能够取得与线下、以医疗中心为基础的肺康复相似的临床效果，并建议病情稳定的慢阻肺病患者接受该肺康复方式（强烈建议，证据质量中等）［36］。肺康复项目的实施关键在于纳入下肢耐力训练，该计划已被证明对慢阻肺病有益。然而，考虑到缺乏训练有素的医务人员和其他潜在问题，有必要确保远程肺康复不被滥用。对于大多数慢阻肺病患者来说，远程肺康复仍然需要面对面的评估，以完成全面的康复前评估。在中国基层医疗机构缺乏专业康复师的现实下，远程模式有望让患者在家中接受专业的、持续的肺康复指导。例如，通过视频通话方式监督训练，结合AI监测运动数据（如心率、血氧饱和度），实现闭环管理。4远程自我管理2022年一项系统综述显示，针对慢阻肺病患者的自我管理干预措施能够改善患者的生活质量，降低住院风险［37］。远程数字技术可以减轻医疗负担、改变监测方式，但尚无研究证明远程自我管理较传统方法有额外益处。GOLD2026报告中远程自我管理的篇幅简短，也明确指出了该技术的局限性，以及进一步验证的必要性。5小结：AI与新兴技术的核心在于赋能而非替代GOLD2026报告强调AI是“临床伙伴”，作用在于放大医生能力，例如协助专科医生进行复杂决策，帮助基层医生突破资源限制；也提出远程医疗可以作为补充，提升医疗可及性。当前AI和新技术的应用仍处于开发和验证阶段，GOLD2026报告呼吁更多高质量纵向研究验证AI和远程医疗技术的长期效果。参考文献[1]GlobalInitiativeforChronicObstructiveLungDisease.Globalstrategyforthediagnosis，management，andpreventionofchronicobstructivepulmonarydisease（2026report）［EB/OL］.［2026-02-10］.https：///2026-gold-report-and-pocket-guide/.[2]HowellMD，CorradoGS，DeSalvoKB.Threeepochsofartificialintelligenceinhealthcare［J］.JAMA，2024，331（3）：242-244.DOI：10.1001/jama.2023.25057.[3]DiabN，GershonAS，SinDD，etal.Underdiagnosisandoverdiagnosisofchronicobstructivepulmonarydisease［J］.AmJRespirCritCareMed，2018，198（9）：1130-1139.DOI：10.1164/rccm.201804-0621CI.[4]VilaM，Sisó-AlmirallA，OcañaA，etal.Prevalence，diagnosticaccuracy，andhealthcareutilizationpatternsinpatientswithCOPDinprimaryhealthcare：apopulation-basedstudy［J］.NPJPrimCareRespirMed，2025，35（1）：17.DOI：10.1038/s41533-025-00419-9.[5]AaronSD，VandemheenKL，WhitmoreGA，etal.EarlydiagnosisandtreatmentofCOPDandasthma-arandomized，controlledtrial［J］.NEnglJMed，2024，390（22）：2061-2073.DOI：10.1056/NEJMoa2401389.[6]SpetriniR，PikmanP，KangV，etal.ProspectiveCOPDcasefindinginalungcancerscreeningprogram：apilotstudy［J］.ChronicObstrPulmDis，2025，12（5）：411-418.DOI：10.15326/jcopdf.2025.0636.[7]MeiS，LiX，ZhouY，etal.Deeplearningfordetectingandearlypredictingchronicobstructivepulmonarydiseasefromspirogramtimeseries［J］.NPJSystBiolAppl，2025，11（1）：18.DOI：10.1038/s41540-025-00489-y.[8]WangZF，LiangLN，HuangFF，etal.Thecharacteristicsoftheconcavityofdescendinglimbofmaximalexpiratoryflow-volumecurvesgeneratedbyspirometry［J］.Lung，2025，203（1）：18.DOI：10.1007/s00408-024-00775-2.[9]BushA，GreenoughA，AgustíA，etal.Fallingthroughthecracks：whathappenstosurvivorsofpretermbirth？［J］.ERJOpenRes，2025，11（1）：00643-2024.DOI：10.1183/23120541.00643-2024.[10]DeBoerEM，MorganWJ，Quiros-AlcalaL，etal.Definingandpromotingpediatricpulmonaryhealth：assessinglungfunctionandstructure［J］.Pediatrics，2023，152（Suppl2）：e2023062292E.DOI：10.1542/peds.2023-062292E.[11]ChenW，SinDD，FitzGeraldJM，etal.Anindividualizedpredictionmodelforlong-termlungfunctiontrajectoryandriskofCOPDinthegeneralpopulation［J］.Chest，2020，157（3）：547-557.DOI：10.1016/j.chest.2019.09.003.[12]NikolaouV，MassaroS，GarnW，etal.Fastdeclinerphenotypeofchronicobstructivepulmonarydisease（COPD）：applyingmachinelearningforpredictinglungfunctionloss［J］.BMJOpenRespirRes，2021，8（1）：e000980.DOI：10.1136/bmjresp-2021-000980.[13]DasN，TopalovicM，JanssensW.Artificialintelligenceindiagnosisofobstructivelungdisease：currentstatusandfuturepotential［J］.CurrOpinPulmMed，2018，24（2）：117-123.DOI：10.1097/MCP.0000000000000459.[14]HanTT，LeTrungK，NguyenAnhP，etal.HighperformancemethodforCOPDfeaturesextractionusingcomplexnetwork［J］.BiomedPhysEngExpress，2024，10（6）：065045.DOI：10.1088/2057-1976/ad8093.[15]IdrisogluA，DalloraAL，CheddadA，etal.COPDVD：automatedclassificationofchronicobstructivepulmonarydiseaseonanewcollectedandevaluatedvoicedataset［J］.ArtifIntellMed，2024，156：102953.DOI：10.1016/j.artmed.2024.102953.[16]AbdoM，WatzH，TrinkmannF，etal.Oscillometry-definedsmallairwaydysfunctionintobacco-exposedadultswithimpairedorpreservedairflow［J］.AmJRespirCritCareMed，2025，211（9）：1652-1661.DOI：10.1164/rccm.202501-0028OC.[17]ChengQ，JuenJ，BellamS，etal.Predictingpulmonaryfunctionfromphonesensors［J］.TelemedJEHealth，2017，23（11）：913-919.DOI：10.1089/tmj.2017.0008.[18]AvianC，MahaliMI，PutroNAS，etal.Fx-NetandPureNet：ConvolutionalNeuralNetworkarchitecturefordiscriminationofchronicobstructivepulmonarydiseasefromsmokersandhealthysubjectsthroughelectronicnosesignals［J］.ComputBiolMed，2022，148：105913.DOI：10.1016/pbiomed.2022.105913.[19]PhillipsCO，SyedY，ParthaláinNM，etal.MachinelearningmethodsonexhaledvolatileorganiccompoundsfordistinguishingCOPDpatientsfromhealthycontrols［J］.JBreathRes，2012，6（3）：036003.DOI：10.1088/1752-7155/6/3/036003.[20]MelekogluE，KocabicakU，UçarMK，etal.Anewdiagnosticmethodforchronicobstructivepulmonarydiseaseusingthephotoplethysmographysignalandhybridartificialintelligence［J］.PeerJComputSci，2022，8：e1188.DOI：10.7717/peerj-cs.1188.[21]QuS，FengE，DongD，etal.Earlyscreeningoflungfunctionbyelectricalimpedancetomographyinpeoplewithnormalspirometryrevealsunrecognizedpathologicalfeatures［J］.NatCommun，2025，16（1）：622.DOI：10.1038/s41467-024-55505-2.[22]SunJ，LiaoX，YanY，etal.Detectionandstagingofchronicobstructivepulmonarydiseaseusingacomputedtomography-basedweaklysuperviseddeeplearningapproach［J］.EurRadiol，2022，32（8）：5319-5329.DOI：10.1007/s00330-022-08632-7.[23]WuQ，GuoH，LiR，etal.DeeplearningandmachinelearninginCT-basedCOPDdiagnosis：systematicreviewandmeta-analysis［J］.IntJMedInform，2025，196：105812.DOI：10.1016/j.ijmedinf.2025.105812.[24]LuoY，HooshangnejadH，NgwaW，etal.Opportunitiesandchallengesinlungcancercareintheeraoflargelanguagemodelsandvisionlanguagemodels［J］.TranslLungCancerRes，2025，14（5）：1830-1847.DOI：10.21037/tlcr-24-801.[25]Carrasco-ZaniniJ，PietznerM，DavitteJ，etal.Proteomicsignaturesimproveriskpredictionforcommonandrarediseases［J］.NatMed，2024，30（9）：2489-2498.DOI：10.1038/s41591-024-03142-z.[26]OlveraN，Sánchez-ValleJ，Núñez-CarpinteroI，etal.Lungtissuemultilayernetworkanalysisuncoversthemolecularheterogeneityofchronicobstructivepulmonarydisease［J］.AmJRespirCritCareMed，2024，210（10）：1219-1229.DOI：10.1164/rccm.202303-0500OC.[27]BlankemeierL，CohenJP，KumarA，etal.Merlin：avisionlanguagefoundationmodelfor3Dcomputedtomography［Z/OL］.2024［2026-01-20］.https：///articles/PMC11230513/.DOI：10.21203/rs.3.rs-4546309/v1.[28]CelliBR，FabbriLM，YohannesAM，etal.Aperson-centredclinicalapproachtothemultimorbidpatientwithCOPD［J］.EurJInternMed，2025，140：106424.DOI：10.1016/j.ejim.2025.07.020.[29]KhorYH，PoberezhetsV，BuhrRG，etal.Assessmentofhome-basedmonitoringinadultswithchroniclungdisease：anofficialAmericanThoracicSocietyresearchstatement［J］.AmJRespirCritCareMed，2025，211（2）：174-193.DOI：10.1164/rccm.202410-2080ST.[30]RubioO，VilaM，EscobarM，etal.Howcouldartificialintelligenceimprovepatientexperienceintheambulatorysetting？ReflectionsfromtheJANUSgroup［J］.MedClin（Barc），2025，164（4）：190-195.DOI：10.1016/j.medcli.2024.09.018.[31]AyersJW，PoliakA，DredzeM，etal.Comparingphysicianandartificialintelligencechatbotresponsestopatientquestionspostedtoapublicsocialmediaforum［J］.JAMAInternMed，2023，183（6）：589-596.DOI：10.1001/jamainternmed.2023.1838.[32]SmithLA，Oakden-RaynerL，BirdA，etal.Machinelearninganddeeplearningpredictivemodelsforlong-termprognosisinpatientswithchronicobstructivepulmonarydisease：asystematicreviewandmeta-analysis［J］.La