人工智能与新兴技术赋能慢性阻塞性肺疾病全程管理的机遇与挑战

人工智能与新兴技术赋能慢性阻塞性肺疾病全程管理的机遇与挑战【摘要】慢性阻塞性肺疾病（简称慢阻肺病）具有高患病率、高致残率和高病死率等特征，是全球重大公共卫生问题之一。然而，受限于早期识别不足、疾病异质性突出、多病共存、院外长期管理困难及医疗资源分配不均，传统的管理模式难以满足慢阻肺病患者全程管理的需求。近年来，随着人工智能领域的发展，新兴技术正在为慢阻肺病筛查、精准评估、风险预测及长期管理提供新的策略。本文结合慢阻肺病管理中的现实困境，探讨人工智能在疾病全程管理中的应用价值，并分析其面临的机遇与挑战。未来，人工智能应作为临床医生的重要辅助工具，与医学经验和患者需求深度融合，推动慢阻肺病管理向更加精准、连续和主动的方向发展。慢性阻塞性肺疾病（简称慢阻肺病）是一种以持续性气流受限为特征的慢性炎症性肺部疾病。我国40岁及以上人群中，慢阻肺病的患病率为13.7%，患者总数约1亿［1］。面对不断增长的疾病负担，我国于2024年将慢阻肺病患者健康服务正式纳入国家基本公共卫生服务项目，推动了优质医疗资源下沉和基层服务能力提升。随着人工智能（artificialintelligence，AI）的快速发展，我国出台一系列政策：《国民健康“十五五”规划》《关于深入实施“人工智能+”行动的意见》和《关于促进和规范“人工智能医疗卫生”应用发展的实施意见》等，将“人工智能+医疗健康”列为重点发展方向，并大力支持医学领域AIforScience（AI4S）发展［23］，积极推进全民健康数智化建设。临床医生如何合理应用AI和新兴技术，优化“促防诊控治康”六位一体的全程管理，是当前慢阻肺病防治体系建设的重要问题［4］。一、慢阻肺病全程管理的三大痛点（一）早期诊断难慢阻肺病起病隐匿、早期症状不明显且缺乏有效的早期生物标志物，常被患者忽视，限制了疾病的早期识别［5］。肺功能检查是慢阻肺病诊断的金标准，但我国基层医疗机构的肺功能检查质量低，推广和普及不足，导致大量患者在确诊时已处于中重度阶段，错失了早期干预的最佳窗口［6］。慢阻肺病常伴有多种合并症，如心血管疾病、骨质疏松症、抑郁和焦虑、肺癌等［7］。其中超过90%的患者至少合并一种疾病，约半数患者同时存在3种以上合并症［8］。这使得部分患者初诊时常就诊于其他专科，由于非呼吸专科医生对慢阻肺病的认知不足，容易漏诊或延迟诊断。（二）加重预警难我国慢阻肺病急性加重事件平均每年发生0.5~3.5次，且逐渐频繁［9］，进而增加卒中、肺栓塞、心肌梗死等合并症并发风险，导致患者生活质量下降、疾病进展加快和经济负担加重。由于慢阻肺病急性加重具有异质性、预防和管理不规范、医疗资源不均衡、基层医务人员认知不足等问题［10］，急性加重事件难以准确预测，患者反复住院、死亡风险升高和医疗成本不断攀升［11］。因此，如何早期识别急性加重、对患者进行动态监测、及时干预和规范管理是临床上一项重大而艰巨的任务。（三）全程管理难慢阻肺病的全程管理包括危险因素控制、规范治疗、康复训练、健康教育及长期随访等多个环节。其中慢阻肺病共病的诊疗过程较为复杂，难度较大，存在多学科协作体系不健全、基层诊疗能力不足等问题。此外，患者对吸入治疗依从性差、健康教育缺乏以及肺康复资源有限等问题，会进一步导致院外长期管理不足［12］。基于慢阻肺病的高度异质性，如何精准识别患者的疾病特征，并制定个性化的治疗方案，亦是临床实践中的重大挑战［13］。面对上述挑战，国家持续推进基层慢病管理能力建设，提出以“8P”理念为导向，建设“一站式”慢性病健康管理中心［1415］，推动医防深度融合。同时，强调以数智技术为手段，推动慢阻肺病的管理由“单病种、间断式”转变为“同防共管共治、连续综合管理”的新模式［16］。二、AI助力健康促进：从疾病宣教走向个体化健康支持在健康教育方面，借助AI、大语言模型等技术，可整合患者年龄、疾病状态、治疗方案及健康素养等信息，生成更加符合个体需求的健康教育内容。还可通过智能问答、虚拟数字人、增强现实和虚拟现实等形式开展健康咨询，提高患者的疾病认知［17］。同时，数字化平台能够根据患者反馈和行为变化动态调整干预方案，促进患者主动参与疾病的健康管理。三、AI助力疾病预防：从被动筛查走向主动识别在筛查方面，AI可以从电子健康档案、电子问卷中发现未确诊的慢阻肺病患者［1819］；还可通过多模态数据融合电子档案信息、影像报告、环境因素等数据，构建模型预测人群的肺功能轨迹和发病风险，分析数据以促进早期识别［2021］。但其数据完整性欠缺、外部验证不足，目前仅能作为工具辅助医生判断和决策。在应用方面，AI赋能可穿戴设备，用于高风险人群识别、院外生理状态监测及急性加重风险评估，并可进一步服务于长期随访和肺康复管理［17］。其优势在于提供传统门诊难以获得的连续动态信息，如智能手表、胸带可对心率变异性、呼吸频率、血氧饱和度等进行持续监测；麦克风可采集咳嗽频率、强度和声音特征等；加速度计、陀螺仪等可以捕捉身体活动特征、步态变化和睡眠质量等。除数字化工具外，一些便携式设备也为基层筛查提供了新的选择。脉冲振荡计和呼吸峰流速仪已在基层和肺癌筛查人群中应用，它们操作简便、成本低，并可与筛查问卷、胸部CT等指标联合预测和筛查，效果优于单一工具［18，2223］。电子鼻、生物电阻抗断层成像等技术也有一定应用前景，但缺乏大规模的前瞻性队列验证［24］。四、AI辅助疾病诊断：提升基层诊断能力，推动多模态精准评估AI质控可以辅助肺功能检查，实现实时纠正呼吸动作、自动识别和判读呼吸环，提高肺功能检测的标准化程度［25］。我们中心也已搭建了肺功能质控管理平台，通过AI辅助判读肺功能报告，并通过物联网与社区医院传输数据，辅助基层机构的诊断过程，提高了基层机构的肺功能检查率和质控合格率。在辅助诊断的替代方面，AI可以联合一系列新型的诊断方法，为无法进行肺功能检查的患者提供替代性的诊断方案。包括呼吸音和语音的特征分析、运动传感器、电子鼻信号、光电容积描记法、影像组学等［2628］。但这些技术目前处于科研探索阶段，无法完全替代标准的诊断模式。五、AI赋能疾病控制：实现急性加重预警和共病管理（一）急性加重的识别与管理AI可通过整合影像、可穿戴设备、空气质量监测仪和智能手机收集的数据，构建急性加重风险预测模型［29］，辅助医生尽早识别急性加重［17］。比如智能腕表和脉搏血氧仪可监测患者的脉搏频率、呼吸频率和血氧饱和度等，提前1~7d预测急性加重事件［30］；COPDPredict™等数字应用程序可结合患者报告和生理指标，提前7d识别急性加重事件。AI算法还可以评估急性加重患者的个体化治疗效果，帮助医生实施精准干预［31］。与回顾性数据构建的急性加重预测模型相比，国内已开始探索其在真实医疗场景中的应用。本中心依托物联网平台开展慢阻肺病全程管理，并建立慢阻肺病合并睡眠呼吸暂停患者的急性加重预警模型，相关技术在北京市7个区域、8家医院推广应用；但仍需开展多中心、前瞻性的临床验证，其能否持续改善预后需要更多临床研究证据支持。（二）多病共存管理慢阻肺病患者常合并其他系统疾病［32］，AI可赋能“1+N”模式的多学科协作，助力慢阻肺病的共病管理［13］。在筛查方面，AI可通过电子手表监测心率，通过智能床垫检测呼吸频率［33］，还可通过影像学算法自动筛查肺纤维化、肺癌、骨质疏松症等并发症。在管理方面，AI算法通过嵌入电子健康档案系统，整合就诊于不同科室的共病患者的临床信息，明确并发症的情况，向医生提示漏检漏诊、治疗不当、多重用药等潜在的管理问题［34］。但在实际的共病场景中，AI的应用仍面临困境。首先，共病患者的数据来源复杂，各专科电子档案的数据格式和标准不统一，限制了AI的高效整合。其次，不同疾病之间存在相互影响，某一指标异常可能有多种解释，单纯依赖AI容易产生误判；且共病患者往往同时接受多种治疗，治疗方案与药物相互作用复杂，AI难以提供可靠的临床决策支持。此外，目前许多AI模型仍以单一疾病或单一结局为预测目标，对共病管理策略的研究比较匮乏。因此，AI在共病管理中仅能作为初步判断的辅助工具，最终的治疗决策必须由多学科临床医生共同主导。六、AI赋能疾病治疗：从经验决策走向个性化治疗AI可通过整合电子病历中的多维信息，搭建临床决策支持系统，分析和识别不同患者的疾病特征，对制定个性化、精准化的治疗方案有一定的参考意义［12，35］。比如AI算法可量化肺气肿范围与分布，分析叶间隙、黏液栓、支气管扩张和肺血管的改变，提高影像诊断和分型的效率和准确度［36］。还有研究使用AI分析基因组学、蛋白组学等数据，识别慢阻肺病的潜在生物标志物，为患者的分型和新型治疗靶点提供了科学依据［3739］。但是AI提供的仅仅是辅助决策，慢阻肺病治疗仍需要医生结合指南推荐、患者实际情况及治疗意愿进行综合判断。智能吸入装置是数字管理中相对成熟的应用之一［40］。电子药物检测器与吸入装置结合，可向患者提示剂量和使用技巧，提高患者吸入治疗的效果［12］。在传统的随访过程中，医生难以准确了解患者吸入药物的使用情况，而智能吸入设备可以记录患者的吸入时间、频率和操作情况，帮助医生判断治疗依从性，并针对性地给予患者指导［4142］。七、AI促进疾病康复：从传统模式走向远程医疗远程医疗采用虚拟及虚拟线下的混合诊疗模式，可以提高医疗服务的可及性并降低医疗成本。患者通过移动医疗平台、可穿戴设备和智能终端传输数据后，医务人员以远程监测和咨询替代传统线下诊疗［43］。国内“慢阻肺数字呼吸健康行”项目在北京六所医院试点实施，通过远程技术手段监测患者用药依从性，旨在提升患者疾病认知、改善用药行为、降低急性加重风险等。但由于循证证据的不足，远程医疗仅可作为慢阻肺病管理的补充工具，不能替代传统诊疗及随访［44］。在远程医疗领域，肺康复已有一定的循证基础。相关研究显示，远程肺康复与面授式中心肺康复的临床结局一致［45］，并被强烈建议为稳定期慢阻肺病患者的选择方案［46］。可穿戴设备为远程肺康复提供了有效的检测手段，比如智能手环和运动传感器可监测患者的步数、活动强度、运动时长等，并实时传输数据至物联网平台，帮助医生了解患者康复训练的完成度。但我国专业人员短缺、技术水平不足，限制了远程肺康复的规范应用。未来，AI、物联网和远程医疗的融合，将推动慢阻肺病管理模式从传统医院中心模式，逐步转向覆盖医院、社区和家庭的连续健康管理模式［13］。八、人工智能面临的挑战（一）数据技术挑战1.数据质量差：呼吸音、血氧饱和度、心率变异性等生理信号在采集设备、采样频率和环境噪声控制等方面缺少统一标准，易导致“数据孤岛”；胸部CT在层厚、重建算法和剂量上存在差异，易引起影像组学特征的“数据漂移”，需要重新校准［47］；2.泛化能力差：许多模型仍基于单中心、小样本的数据训练，比如急性加重病例仅占随访数据的5%~10%，特异度较低；智能设备在老年人群中的使用率仅为23%，进一步缩小了数据集的训练规模［48］。3.可解释性不足：深度模型在预测急性加重时，无法提供临床医生可理解的决策依据，这种“黑箱模型”特征降低了临床医生的接受度［49］。4.医疗信息系统的异构性：我国不同医疗机构的信息系统、电子病历、影像和通信系统等在数据结构和标准方面存在差异，信息互通不够充分，增加了AI模型数据清洗与特征提取的难度，也限制了AI对多中心数据的解析与整合。（二）伦理与社会挑战1.隐私保护和知情同意：AI的发展依赖大量的数据支持［50］，医疗数据的广泛应用带来了患者隐私保护和知情同意问题，因此国家和政府需要建立更加完善的数据治理体系，促进数据共享的安全性和隐私性。2.算法公平性：模型训练的数据集主要由城市三级医院患者构成，农村和低教育群体占比不足，可能导致“算法偏见”，进而影响医疗服务的公平性［51］。3.责任归属：目前，AI辅助决策中的责任归属尚不明确［52］。当AI预警与临床医生的判断不一致而引发漏诊时，算法开发者、医疗机构和临床医生之间的责任边界需要统一的法律框架进一步规范［53］。4.数字素养差异：基层医务人员和患者双方均存在数字素养短板。部分基层医生对AI工具的原理、适用边界和结果解读能力有限，可能出现过度依赖或完全排斥两种极端情况。半数老年患者不会操作智能设备，进而影响测量结果［48］，这会进一步造成“数字鸿沟”［54］。九、未来展望（一）算法创新与临床验证现有AI产品多针对疾病管理中的单一环节，缺乏能覆盖全程管理需求的智能解决方案。未来需整合患者的多维数据，根据疾病管理各个环节的特点，开发出符合病情特点和管理需求的智能体。此外，目前多数AI研究仅停留在模型开发和技术验证阶段，其能否有效实施和改善预后，仍缺乏足够的证据支持。因此，未来应开展多中心、大样本、长期随访的真实世界研究和临床验证，从多个维度评价AI辅助管理模式的有效性。（二）政策支持与保障AI进入临床，不仅涉及技术问题，还涉及数据安全、伦理规范和责任界定等问题。未来还需完善相关法律法规，加强对数据安全和隐私保护的监管力度，制定人工智能产品评价标准和临床应用规范，明确医疗机构、科技公司、医务人员和患者在AI辅助诊疗过程中的职责与边界。同时，政府也应加大对数字化健康促进的政策支持力度，包括资金投入、技术标准制定、人才培养等。（三）提高AI可及性我国慢阻肺病患者数量庞大，基层医疗机构承担着越来越多的慢病管理任务。因此，AI的产品设计不能只关注模型性能，还应充分考虑成本、操作复杂程度、技术的可及性和基层的适用性等。真正有价值的AI应是方便操作且能减少重复劳动的工具，而不是增加额外负担的复杂系统。对于AI产品的使用者，应加强对患者和基层医务人员的数字素养教育，提高他们对AI的认知和接受度，培养他们的AI应用能力，推动AI技术在不同医疗环境中的推广。（四）多学科协作与创新发展慢阻肺病的管理既需要不同医学科室之间的“多学科协作”，也需要医学外不同专业的“多学科协作”。在医学专业内，实施以慢阻肺病为核心的“1+N”模式［13］，由呼吸科牵头，胸外科、康复科、心血管内科、放射科、中医科等多学科协同参与［55］。AI可以帮助医生整合不同专科的诊疗信息，提升多学科协作的效率，为患者提供更优质的诊疗服务［13，48］。在医学专业外，通过医工结合、医理交叉等跨学科合作，搭建AI4S技术平台体系，培养医学交叉人才，积极落实AI4S科研成果的临床转化，进一步促进疾病的诊疗和管理［56］。总体而言，AI的发展为慢阻肺病的全程管理带来新的机遇。其核心价值不是“替代”，而是“赋能”和“工具”，AI可以辅助医生更有效地获取和整合复杂信息，更早地识别疾病的风险，并支持患者的长期管理。未来，AI的发展需要始终围绕临床需求和患者获益，推动更加精准、个性化的慢阻肺病管理，让技术进步最终服务于患者健康。参考文献[1]WangC,XuJ,YangL,etal.PrevalenceandriskfactorsofchronicobstructivepulmonarydiseaseinChina(theChinaPulmonaryHealth[CPH]study):anationalcross-sectionalstudy[J].Lancet,2018,391(10131):1706-1717.DOI:10.1016/S0140-6736(18)30841-9.[2]中华人民共和国中央人民政府.国务院关于深入实施“人工智能+”行动的意见[EB/OL].(2025-08-26)[2026-09-8]./yaowen/liebiao/202508/content_7037868.htm.[3]国家卫生健康委员会.关于促进和规范“人工智能+医疗卫生”应用发展实施意见[EB/OL].(2025-11-04)[2026-09-08]./zhengce/zhengceku/202511/content_7047018.htm.[4]王雨清,黄可,潘君,等.推动我国慢性阻塞性肺疾病“促防诊控治康”六位一体工作体系建设[J].中华医学杂志,2022,102(22):1635-1640.DOI:10.3760/114798-20240621-00556.[5]StolzD,MkorombindoT,SchumannDM,etal.Towardstheeliminationofchronicobstructivepulmonarydisease:aLancetcommission[J].Lancet,2022,400(10356):921-972.DOI:10.1016/S0140-6736(22)01273-9.[6]佟赫,丛舒,方利文,等.2019-2020年中国40岁及以上人群肺功能检查状况分析[J].中华流行病学杂志,2023,44(5):727-734.DOI:10.3760/112338-20230202-00051.[7]中华医学会,中华医学会杂志社,中华医学会全科医学分会,等.中国慢性阻塞性肺疾病基层诊疗与管理指南(2024年)[J].中华全科医师杂志,2024,23(6):578-602.DOI:10.3760/114798-20240326-00174.[8]FabbriLM,CelliBR,AgustíA,etal.COPDandmultimorbidity:recognisingandaddressingasyndemicoccurrence[J].LancetRespirMed,2023,11(11):1020-1034.DOI:10.1016/S2213-2600(23)00261-8.[9]慢性阻塞性肺疾病急性加重诊治专家组.慢性阻塞性肺疾病急性加重诊治中国专家共识(2023年修订版)[J].国际呼吸杂志,2023,43(2):132-149.DOI:10.3760/131368-20221123-01066.[10]中华医学会呼吸病学分会慢性阻塞性肺疾病学组,中国医师协会呼吸医师分会慢性阻塞性肺疾病工作委员会.慢性阻塞性肺疾病急性加重高风险患者识别与管理中国专家共识[J].国际呼吸杂志,2022,42(24):1845-1863.DOI:10.3760/131368-20221030-00961.[11]YamadaH,MatsumotoI,MakitaN,etal.Effectoftimingofbronchodilatortherapyinitiationonexacerbationsinpatientswithchronicobstructivepulmonarydisease:aretrospectivecohortstudy[J].RespirRes,2022,23(1):255.DOI:10.1186/s12931-022-02184-6.[12]LongH,LiS,ChenY.Digitalhealthinchronicobstructivepulmonarydisease[J].ChronicDisTranslMed,2023,9(2):90-103.DOI:10.1002/cdt3.68.[13]郭万金,陈亚红.基于“1+N”模式提高慢阻肺病的早期识别和综合管理[J].中华健康管理学杂志,2025,19(11):859-863.DOI:10.3760/115624-20250705-00564.[14]郭晓玲,吴浩,刘新颖,等.智慧家庭医生优化协同模式的构建与实现[J].中国全科医学,2017,20(7):784-788.[15]陈颖,吴浩,刘新颖,等.社区“互联网+卫生健康”全科标准化诊疗流程构建[J].中国卫生信息管理杂志,2023,20(1):60-64,75.DOI:10.3969/j.issn.1672-5166.2023.01.011.[16]中国社区卫生协会,中国农村卫生协会,中华医学会全科医学分会,等.基层医疗卫生机构慢性病健康管理中心建设与服务指南(2026年)[J].中华全科医师杂志,2026,25(8):918-926.DOI:10.3760/cma.j.114798-20260508-00419.[17]中华医学会全科医学分会,中国健康促进与教育协会医防融合分会,中华预防医学会呼吸病预防与控制专业委员会,等.慢性阻塞性肺疾病基层数智化诊疗与管理专家共识(2026)[J].中华全科医师杂志,2026,25(7):782-794.DOI:10.3760/114798-20260202-00100.[18]SpetriniR,PikmanP,KangV,etal.ProspectiveCOPDCaseFindinginaLungCancerScreeningProgram:APilotStudy[J].ChronicObstrPulmDis,2025,12(5):411-418.DOI:10.15326/jcopdf.2025.0636.[19]AaronSD,VandemheenKL,WhitmoreGA,etal.EarlydiagnosisandtreatmentofCOPDandasthma-arandomized,controlledtrial[J].NEnglJMed,2024,390(22):2061-2073.DOI:10.1056/NEJMoa2401389.[20]BushA,GreenoughA,AgustíA,etal.Fallingthroughthecracks:whathappenstosurvivorsofpretermbirth?[J].ERJOpenRes,2025,11(1).DOI:10.1183/23120541.00643-2024.[21]DeBoerEM,MorganWJ,Quiros-AlcalaL,etal.Definingandpromotingpediatricpulmonaryhealth:assessinglungfunctionandstructure[J].Pediatrics,2023,152(Suppl2).DOI:10.1542/peds.2023-062292E.[22]LiwsrisakunC,ChaiwongW,PothiratC.Comparativeassessmentofsmallairwaydysfunctionbyimpulseoscillometryandspirometryinchronicobstructivepulmonarydiseaseandasthmawithandwithoutfixedairflowobstruction[J].FrontMed(Lausanne),2023,10:1181188.DOI:10.3389/fmed.2023.1181188.[23]MartinezFJ,ManninoD,LeidyNK,etal.Anewapproachforidentifyingpatientswithundiagnosedchronicobstructivepulmonarydisease[J].AmJRespirCritCareMed,2017,195(6):748-756.DOI:10.1164/rccm.201603-0622OC.[24]FrerichsI,AmatoMB,vanKaamAH,etal.Chestelectricalimpedancetomographyexamination,dataanalysis,terminology,clinicaluseandrecommendations:consensusstatementoftheTRanslationalEITdevelopmeNtstuDygroup[J].Thorax,2017,72(1):83-93.DOI:10.1136/thoraxjnl-2016-208357.[25]GrahamBL,SteenbruggenI,MillerMR,etal.Standardizationofspirometry2019update.AnOfficialAmericanThoracicSocietyandEuropeanRespiratorySocietyTechnicalStatement[J].AmJRespirCritCareMed,2019,200(8):e70-e88.DOI:10.1164/rccm.201908-1590ST.[26]IdrisogluA,DalloraAL,CheddadA,etal.COPDVD:Automatedclassificationofchronicobstructivepulmonarydiseaseonanewcollectedandevaluatedvoicedataset[J].ArtifIntellMed,2024,156:102953.DOI:10.1016/j.artmed.2024.102953.[27]AbdoM,WatzH,TrinkmannF,etal.Oscillometry-definedsmallairwaydysfunctionintobacco-exposedadultswithimpairedorpreservedairflow[J].AmJRespirCritCareMed,2025,211(9):1652-1661.DOI:10.1164/rccm.202501-0028OC.[28]QuS,FengE,DongD,etal.Earlyscreeningoflungfunctionbyelectricalimpedancetomographyinpeoplewithnormalspirometryrevealsunrecognizedpathologicalfeatures[J].NatCommun,2025,16(1):622.DOI:10.1038/s41467-024-55505-2.[29]WangM,LiL,FengM,etal.Advancesinartificialintelligenceapplicationsforthemanagementofchronicobstructivepulmonarydisease[J].FrontMed(Lausanne),2025,12:1685254.DOI:10.3389/fmed.2025.1685254.[30]ZengS,ArjomandiM,TongY,etal.Developingamachinelearningmodeltopredictseverechronicobstructivepulmonarydiseaseexacerbations:retrospectivecohortstudy[J].JMedInternetRes,2022,24(1):e28953.DOI:10.2196/28953.[31]Al-HalhouliA,Al-GhussainL,KhalloufO,etal.ClinicalevaluationofrespiratoryratemeasurementsonCOPD(male)patientsusingwearableinkjet-printedsensor[J].Sensors(Basel),2021,21(2).DOI:10.3390/s21020468.[32]樊静,陈亚红.对慢阻肺合并症评估与管理的思考[J].中华健康管理学杂志,2022,16(7):433-437.DOI:10.3760/115624-20220208-00084.[33]LiuY,ArnaertA,daCostaD,etal.Experiencesofpatientswithchronicobstructivepulmonarydiseaseusingtheapplewatchseries6versusthetraditionalfingerpulseoximeterforhomeSpO2self-monitoring:qualitativestudypart2[J].JMIRAging,2023,6:e41539.DOI:10.2196/41539.[34]CelliBR,FabbriLM,YohannesAM,etal.Aperson-centredclinicalapproachtothemultimorbidpatientwithCOPD[J].EurJInternMed,2025,140:106424.DOI:10.1016/j.ejim.2025.07.020.[35]LuoY,HooshangnejadH,NgwaW,etal.Opportunitiesandchallengesinlungcancercareintheeraoflargelanguagemodelsandvisionlanguagemodels[J].TranslLungCancerRes,2025,14(5):1830-1847.DOI:10.21037/tlcr-24-801.[36]CastroM,PapiA,PorsbjergC,etal.Effectofdupilumabonexhalednitricoxide,mucusplugs,andfunctionalrespiratoryimaginginpatientswithtype2asthma(VESTIGE):arandomised,double-blind,placebo-controlled,phase4trial[J].LancetRespirMed,2025,13(3):208-220.DOI:10.1016/S2213-2600(24)00362-X.[37]Carrasco-ZaniniJ,PietznerM,DavitteJ,etal.Proteomicsignaturesimproveriskpredictionforcommonandrarediseases[J].NatMed,2024,30(9):2489-2498.DOI:10.1038/s41591-024-03142-z.[38]OlveraN,Sánchez-ValleJ,Núñez-CarpinteroI,etal.Lungtissuemultilayernetworkanalysisuncoversthemolecularheterogeneityofchronicobstructivepulmonarydisease[J].AmJRespirCritCareMed,2024,210(10):1219-1229.DOI:10.1164/rccm.202303-0500OC.[39]ZhuY,WangM,GuXN,etal.Developmentandvalidationofthemachinelearningmodelforacuteexacerbationofchronicobstructivepulmonarydiseasepredictionbasedoninflammatorybiomarkers[J].FrontMed(Lausanne),2025,12:1616712.DOI:10.3389/fmed.2025.1616712.[40]隆寰宇,张钰,褚红玲,等.基于物联网的慢性阻塞性肺疾病管理[J].上海医学,2024,47(10):598-602.DOI:10.19842/ki.issn.0253-9934.2024.10.003.[41]SpielmannsM,GloecklR,JaroschI,etal.UsingasmartphoneapplicationmaintainsphysicalactivityfollowingpulmonaryrehabilitationinpatientswithCOPD:arandomisedcontrolledtrial[J].Thorax,2023,78(5):442-450.DOI:10.1136/thoraxjnl-2021-218338.[42]ChanA,PleasantsRA,DhandR,etal.Digitalinhalersforasthmaorchronicobstructivepulmonarydisease:ascientificperspective[J].PulmTher,2021,7(2):345-376.DOI:10.1007/s41030-021-00167-4.[43]TheGlobalInitiativeForChronicObstructiveLungDisease.Globalstrategyforprevention,diagnosisandmanagementofCOPD:2026Report.[EB/OL].(2025-11-11)[2026-09-08]./2026-gold-report-and-pocket-guide/.[44]JanjuaS,PikeKC,CarrR,etal.Interventionstoimproveadherencetopharmacologicaltherapyforchronicobstructivepulmonarydisease(COPD)[J].CochraneDatabaseSystRev,2021,9:CD013381.DOI:10.1002/14651858.CD013381.pub2.[45]CoxNS,DalCorsoS,HansenH,etal.Telerehabilitationforchronicrespiratorydisease[J].CochraneDatabaseSystRev,2021,1:CD013040.DOI:10.1002/14651858.CD013040.pub2.[46]RochesterCL,AlisonJA,CarlinB,etal.Pulmonaryrehabilitationforadultswithchronicrespiratorydisease:anOfficialAmericanThoracicSocietyClinicalPracticeGuideline[J].AmJRespirCritCareMed,2023,208(4):e7-e26.DOI:10.1164/rccm.202306-1066ST.[47]WuY,XiaS,LiangZ,etal.ArtificialintelligenceinCOPDCTimages:identification,staging,andquantitation[J].RespirRes,2024,25(1):319.DOI: