人工智能在支气管哮喘全程管理中的应用进展总结2026

人工智能在支气管哮喘全程管理中的应用进展总结2026支气管哮喘（简称哮喘）是一种常见的慢性气道炎症性疾病，全球患者人数已超3.58亿，每天造成约1000人死亡［1］。中国20岁及以上人群哮喘患病率达4.2%，且呈逐年上升趋势［2］。Su等［3］基于全国疾病监测系统数据的大样本研究显示，2021年中国哮喘粗死亡率为1.45/10万，65岁以上老年人群死亡率高达8.12/10万，占哮喘总死亡人数的83.7%，是哮喘死亡的核心高危人群；随着人口增长与老龄化加剧，其疾病负担预计将持续增加［4,5］。《“健康中国2030”规划纲要》明确到2030年降低慢性呼吸系统疾病的过早死亡率的具体目标；2025年12月在联合国政治宣言新重点中亦首次明确提出扩大哮喘的预防、早诊和治疗，推动哮喘的全程管理。尽管近年来哮喘防治水平在全球哮喘防治创议（GINA）及《支气管哮喘防治指南》［6］（简称“哮喘指南”）更新宣传实践下不断提升，但仍存在早诊率低、患者用药不规范及依从性差、疾病认知不足及控制率低等问题导致疾病负担重，使我国哮喘防治仍面临严峻的挑战。随着人工智能（artificialintelligence，AI）技术快速发展，AI技术在哮喘全病程管理中开展了越来越多的探索与研究，本文将系统综述现有AI模型在哮喘诊断、评估、治疗决策和长期随访中的性能优势与局限性，并展望未来发展方向。一、哮喘全程管理的主要挑战哮喘临床表现、表型、内型和治疗反应差异显著，当前临床诊断主要依赖可变的症状和可变的呼气气流［7］，对早期、不典型或特定表型患者存在漏诊、误诊及诊断延迟等问题［8］，患者平均确诊时间可长达2.3年。哮喘病情评估依赖于症状控制水平、肺功能、气道炎症标志物及临床特征等多维度指标的综合整合［9］，但由于患者症状自我报告主观性强以及家庭肺功能监测依从性低等因素，即使使用线性混合效应模型，结合影像学指标、肺功能指标、炎症标志物水平、用药史及临床特征对急性发作风险进行预测时，其预测效能有限，受试者工作特征曲线下面积（areaunderthereceiveroperatingcharacteristiccurve，ROC-AUC）仅为0.69（AUC取值范围为0.5~1，低于0.7表明模型区分高风险与低风险患者的能力较弱）［10］，临床中难以有效识别并及时干预高风险患者［11,12］。尽管生物制剂等靶向治疗显著改善重度哮喘的临床结局［13］，其适用人群判定仍存在较大不确定性。此外，哮喘控制评估、肺功能或呼气峰流速（peakexpiratoryflow，PEF）监测、吸入技术指导及患者教育等关键环节尚未在临床实践中形成稳定的管理流程，诊疗信息在不同医疗场景间的整合与共享不足，进一步影响了哮喘全病程管理的连续性和协同性。二、AI在哮喘全程管理中的作用AI技术，特指以机器学习和深度学习等算法为核心，通过对海量数据进行模式识别与规律挖掘实现辅助筛查、诊断及决策的智能化模型与方法。AI辅助哮喘管理的核心价值在于其能够高效整合多源异构数据，包括电子健康记录（electronichealthrecords，EHR）［14］、医学影像、生物标志物［15］、可穿戴设备监测指标以及环境传感器数据等信息，构建动态更新的个体化患者画像［16］。Rajkomar等［17］基于深度学习方法对21万余例住院成人哮喘患者的EHR数据和自由文本临床记录进行整合分析。结果显示，相比于仅依赖结构化字段提取模式所能覆盖的有限信息（约60%），AI驱动的全数据整合策略能够将患者图表中包含的症状描述、疾病史、影像学信息及临床推理过程等深层数据的综合覆盖率提升至92%，为全病程精准管理奠定了坚实的基础。（一）AI在哮喘筛查诊断中的应用1.基于无创声学分析的AI筛查：为了便于哮喘筛查，Lyu等［18］在2025年提出的一种基于极端梯度提升（extremegradientboosting，XGBoost）的无创声学分类模型，依托稳定元音声学特征利用扩展版日内瓦最小声学参数集（extendedGenevaMinimalisticAcousticParameterSet，eGeMAPS）提取声学特征，并在214例主要队列和200例独立外部验证队列中验证模型性能。结果表明，XGBoost模型在测试集与外部验证集的准确率分别达0.8514、0.81，AUC分别为0.9130、0.8755，泛化能力强。研究进一步通过SHAP（SHapleyAdditiveexPlanations）和LIME（localinterpretablemodel-agnosticexplanations）进行模型解释发现，共振峰频率（F1、F2、F3）是最关键的预测特征，揭示了哮喘患者声道变化与声学特征之间的关联。该研究不仅证明了结合eGeMAPS与XGBoost的声学分析方法在哮喘识别中的有效性，也为后续开发基于语音的远程监测工具、早期筛查系统提供了方法学基础。2.基于肺功能检测的AI辅助诊断：肺功能检测是诊断可变呼气气流的核心手段。AI辅助诊断工具有助于缩小不同医疗机构间的诊疗水平差异，提升整体医疗服务能力［19］。强迫振荡技术（forcedoscillationtechnique，FOT）是一种在潮气呼吸状态下的无创检测技术，因缺乏统一的临床参考范围，且基于单指标异常计数的判别方法效果不佳，其临床应用受限。Funaita等［20］于2023年的研究纳入了215名健康对照者以建立参考范围，并将基于参考范围的异常指标计数判别方法与五层全连接神经网络模型进行对比，后者以FOT设备测量的呼气相与吸气相呼吸阻抗参数，包括5Hz时气道阻力、20Hz时气道阻力、5Hz时呼吸电抗、共振频率及电抗面积等多个指标作为输入特征。结果显示，五层全连接神经网络模型在性别混合队列中识别哮喘的准确率达78%，显著优于传统方法。这项研究首次系统证实深度学习能够整合FOT多项测量指标的整体模式，实现对哮喘患者的精准识别。近年来，多项研究表明，AI能够通过挖掘肺功能数据中的隐匿信息，显著提升哮喘诊断的准确性。Kang等［21］于2024年构建了基于机器学习的预测模型以优化乙酰甲胆碱激发试验（methacholinechallengetest，MCT）对哮喘的诊断效能。研究纳入1501例伴有哮喘相关症状并接受MCT检查的成年受试者，采用逻辑回归、支持向量机、随机森林（randomforest，RF）、XGBoost及人工神经网络5种机器学习算法建模，并与传统PC20-FEV1≤16mg/ml的诊断标准进行对比。结果显示，所有模型的诊断性能均显著优于传统分析方法。通过SHAP分析，该研究进一步揭示了16mg/ml乙酰甲胆碱激发后90s的FEF25%~75%值是诊断哮喘的关键特征之一，提示小气道功能指标在哮喘诊断中的重要价值。（二）AI在哮喘评估中的应用1.哮喘内型精准分型：哮喘是一种高度异质性的慢性气道炎症性疾病，涉及多条免疫炎症通路，其炎症内型的精准识别是实现靶向治疗和个体化管理的关键。Liu等［22］于2025年采用最小绝对值收敛和选择算子、支持向量机递归特征消除与随机森林三种算法，对53例成人哮喘患者及53名健康对照者的痰液蛋白质组与代谢组数据进行分析，成功区分健康人群、嗜酸性粒细胞型哮喘与中性粒细胞型哮喘三种亚型，并阐明嗜酸性粒细胞型哮喘以Th2型免疫应答及组氨酸代谢紊乱为核心，中性粒细胞型哮喘以缺氧诱导因子-1信号活化及精氨酸代谢失衡为特征，为哮喘内型分型及个体化治疗提供了依据。2.炎症标志物的AI评估：在诱导痰炎症标志物的分析方面，AI的应用主要集中于检测流程的自动化与结果的标准化。Frøssing等［23］于2020年提出基于多层前馈人工神经网络的诱导痰自动分类算法（瑞典CellaVision公司CellaVisionDM96系统），结果显示，在嗜酸性粒细胞、中性粒细胞等关键炎症细胞计数上，自动化分析与人工判读具有高度一致性。研究采用组内相关系数系统评估两种方法在细胞数量绝对值层面的契合度，从而证明该技术不仅能够准确进行表型分类，也可为炎症严重程度评估提供可靠的定量信息，显著提升了临床可重复性。除细胞形态学标志物的自动化评估外，AI亦能整合遗传及多组学炎症标志物，实现治疗应答的前瞻性预测。Akenroye等［24］基于机器学习构建Th1、Th2、Th17通路相关的遗传风险评分（GeneticRiskScore，GRS）（数据可访问https：///获取），整合42种炎症相关遗传位点信息，成功筛选并验证IL21相关GRS可预判奥马珠单抗、度普利尤单抗的治疗应答效应。该模型突破血嗜酸性粒细胞、总免疫球蛋白E（immunoglobulinE，IgE）等单一指标局限，使临床可在生物制剂启动前精准识别获益人群，避免无效用药与资源浪费，推动哮喘从阶梯式治疗转向基于内型特征的精准干预。3.影像学评估：在基于胸部CT的气道定量评估中，当前影像学手段仅可显示直径大于2mm的大气道结构，难以实现对小气道的精准定量评估。Tanabe等［25］于2022年探索了一种基于深度学习的超高分辨率CT（ultra-high-resolutioncomputedtomography，U-HRCT）重建技术，研究采用AiCE（AdvancedintelligentClear-IQEngine）重建技术对U-HRCT图像进行重建，并与传统的全迭代模型重建进行对比。结果表明，AiCE重建技术可清晰显像1~2mm外周气道，将全肺U-HRCT重建时间缩短约90%，提升了小气道测量精度。该研究展示了深度学习在优化影像重建流程、提升图像质量、赋能小气道定量分析方面的巨大潜力，尽管其主要纳入的是慢性阻塞性肺疾病（慢阻肺病）患者，但为哮喘患者的气道重塑评估、亚型分型和疗效监测提供了新的影像学工具，为未来将AI增强型U-HRCT技术应用于哮喘的临床研究奠定了方法学基础。在影像学评估黏液高分泌方面，Castro等［8］于2025年的一项评估度普利尤单抗对中重度未控制哮喘患者疗效的研究，首次系统地运用基于卷积神经网络的功能性呼吸成像技术（比利时鲁汶Materialise公司MaterialiseMimics软件），实现了支气管肺段黏液栓的自动化评分和黏液体积的精准定量。相比传统CT仅能定性观察黏液堵塞，AI可量化堵塞范围与程度，捕捉传统影像技术难以识别的细微气道结构变化，为评估治疗对气道的影响提供客观数据支撑。对于哮喘气道黏液栓的评估，目前以基于卷积神经网络的高分辨率CT气道定量分析（VidaVision软件中的AI-Rad插件）与功能性呼吸成像技术最为成熟。前者优势在于仅使用临床常规CT设备即可实现自动化后处理分析，后者则在动态功能显像上更具敏感度。除结构性影像外，AI在功能影像分析中的应用进一步拓展了哮喘影像学诊断的边界。Astley等［26］通过结合机器学习方法分析氙-129磁共振成像（129Xemagneticresonanceimaging，129Xe-MRI）数据，成功实现了对肺功能纵向变化的早期预测。该研究基于121例患者的数据比较了线性回归、RF和XGBoost三种算法在预测1年后肺一氧化碳弥散量纵向下降的表现。模型整合129Xe-MRI、传统肺功能参数、症状问卷评分、人口学特征等22项协变量，通过RF和SHAP可解释性分析自动筛选关键信息，最终聚焦6个核心预测因子，在避免维度灾难的同时最大化挖掘多模态数据的互补价值，为早期识别肺功能恶化高风险患者提供了影像学工具。氙-129扩散加权磁共振成像（129Xediffusion-weightedMRI，129Xe-DWI）虽然能够定量评估哮喘患者的小气道结构和肺泡微形态，但扫描时间长、氙气成本高等原因限制了其临床推广。Sundaresan等［27］于2025年发表的一项回顾性研究采用基于深度学习的压缩感知、去噪及去振铃一体化重建框架（美国GEHealthCare公司AIRRecon深度学习软件），对哮喘、慢性阻塞性肺疾病等患者的129Xe-DWI数据进行重建，并与传统压缩感知重建方法进行对比。研究结果显示，基于深度学习的一体化重建技术显著提升了图像信噪比、锐利度和整体质量，有效解决了129Xe-DWI的临床转化瓶颈，使该技术更适用于肺功能受限的哮喘患者。4.用药依从性评估与干预：用药依从性是影响哮喘长期控制效果的关键因素，传统评估依赖主观反馈，精准度不足。Topaz等［28］在2022年通过自动语音识别技术和词袋模型方法分析80例医患对话录音，成功预测患者对吸入性糖皮质激素（inhaledcorticosteroids，ICS）治疗的依从性。基于此类模型，临床上可对高风险人群优先推荐给药频率更低或依从性更友好的治疗方案，减少无效治疗和医疗资源浪费。5.未来急性发作风险评估：AI模型可整合基线肺功能、炎症标志物水平、急性发作史、合并症和治疗应答等多种变量，以预测患者发展为频繁急性发作的风险。Yadav等［29］的研究纳入了6814例患者，基于生物标志物水平、FEV1、既往1年发作史构建的贝叶斯网络模型，预测未来1年内急性发作的校准度良好，便于临床指导。贝叶斯网络以节点和边关联的形式，清晰勾勒出预测因子间的层级关系与交互路径，这种路径的透明化让临床医生能理解风险传递的具体环节，为临床干预提供明确靶点。同时通过条件概率表量化14个关键变量间的依赖关系，捕捉复杂的非线性关联，更能贴合重度哮喘多因素交织的病理生理特点。后续研究可优化预测窗口期，开发不同周期的分层预测模型，适配急性干预与慢性管理的不同需求。（三）AI在哮喘治疗中的应用AI在哮喘治疗中的核心作用，在于通过分析大规模真实世界的研究数据和多模态临床信息，预测个体对不同治疗策略的疗效与风险，从而支持精准、可持续的治疗决策。结合远程监测与数字疗法，可减少患者不必要的就医往返［11，30］；智能吸入装置和可穿戴设备能够提醒规范用药并实时反馈监测数据，既减轻医护人员随访负担，又为患者提供更便捷、连续的疾病管理体验［31］。基于AI的临床决策支持系统能够为医生提供实时、个体化的诊断和治疗建议［32］，在提升决策一致性和准确性的同时，显著提高诊疗效率，扩大单个医生可管理患者规模。在常规治疗管理之外，随着生物制剂及新型靶向药物的快速发展，哮喘治疗正由表型导向转向内型导向，患者筛选复杂性增加。在靶向IL-5/5R、IL-4R、IgE及TSLP等多通路的新型疗法背景下，传统生物标志物已难以满足精准用药需求，而AI模型可整合基因表达谱［33］、蛋白组学［34］、代谢组学［22］等多组学数据，精准识别优势获益人群并发现新的预测性生物标志物组合，为个体化用药及临床试验入组提供更精细的支持。1.基于真实世界数据的治疗策略优化：在基础治疗策略层面，AI可基于大规模纵向数据挖掘病情恶化的客观标志物，量化用药行为与环境暴露的关联规律。Hirons等［35］基于13202例哮喘患者数据构建了时间卷积网络（temporalconvolutionalnetwork，TCN）模型，预测短效β2受体激动剂（SABA）的每日使用频次与异常高风险用药状态（美国PropellerHealth数字健康平台）。该模型融合SABA用药时序数据与温度、空气污染物等环境特征，通过空洞因果卷积捕捉时序滞后效应及多维特征对急救用药的影响权重。结果提示，TCN模型预测效能显著优于线性回归、随机森林等传统模型，该研究借助AI时序建模与可解释性分析，从真实世界数据中量化急救用药波动的关键影响因素，突破了传统治疗策略依赖主观经验与小样本数据的局限，可为哮喘急救用药的个体化预警及长期管理策略的动态优化提供依据，提升慢病治疗与随访管理的精准性。传统的横断面分析方法难以捕捉重度哮喘患者在不同病程阶段表现出的多样化肺功能演变轨迹和治疗反应性。Lee等［36］于2025年采用潜在类别混合模型（latentclassmixedmodel，LCMM）整合310例患者长达10年的随访数据，对FEV1占预计值%的动态变化轨迹进行建模，识别出了重度哮喘患者的不同表型亚群。该研究比较了不同亚群在基线特征、呼出气一氧化氮、血嗜酸性粒细胞、中性粒细胞、特异性或总IgE的纵向变化趋势及药物使用情况。研究表明，基于FEV1占预计值%的纵向轨迹分层可为治疗策略的选择提供依据，其中接受维持治疗后仍出现进行性肺功能下降的难治型患者可能更适合优先考虑生物制剂治疗。LCMM通过捕捉个体肺功能随时间变化的动态特征，实现了完全由数据驱动的自动聚类，降低了人为分类带来的主观偏倚，实现数据驱动的精准分型治疗。2.治疗决策的综合收益与未来方向：AI辅助治疗决策的价值不仅体现在提升疗效，更在于减少无效或低效治疗带来的医疗负担。Yadav等［29］在研究中初步构建了整合治疗决策和成本效用的影响图，不仅能支持临床共享决策，也为重度哮喘治疗的成本效益分析提供了帮助。未来研究应进一步纳入药代动力学、剂量反应关系及药物经济学指标，在疗效、安全性与成本间实现平衡，提供更具性价比的个体化方案。随着强化学习等技术的发展，AI治疗决策可转向自学习的平台化智能系统：动态整合实时症状、环境暴露及最新循证证据，实现治疗策略的实时微调；在推荐方案的同时评估其在各亚群中的置信度，当患者特征超出模型训练分布时主动提示认知边界；通过自然语言生成等技术呈现推理逻辑，将AI定位为增强智能的辅助工具，而非“黑箱操作者”。（四）AI在哮喘随访中的应用1.预后：哮喘预后受多种临床、炎症及肺外特质共同影响，其相互作用呈现明显的非线性特征。生存分析随机森林、Cox模型等AI模型能够从海量临床数据中自动发现和量化影响哮喘预后的关键因素及其相互作用，为临床精准干预提供依据。研究表明，除气道炎症标志物外，肥胖、抑郁等合并症是阻碍生物制剂治疗患者达到clinicalremission（CR）的重要肺外特质［37］，Kurukulaaratchy等［38］提出的难治性哮喘多重共病评分证实共病负担与不良预后相关，提示哮喘管理需从单一疾病控制转向多病共治。Olayiwola等［39］使用生成式预训练大语言模型（OpenAI的GPT-4o模型）对17658份哮喘合并肥胖患者的电子病历非结构化文本进行解析，评估肥胖管理整合入哮喘的实践现状。研究结果证实，仅12.6%的诊疗记录符合指南推荐的肥胖管理规范，多因素分析明确了性别、BMI、就诊专科、口服激素使用等关