人工智能在儿童哮喘病人中应用的研究进展

支气管哮喘作为一种以慢性气道炎症和气道高反应性为特征的异质性疾病，以反复发作的喘息、咳嗽、气促、胸闷为主要临床表现，并常伴有可逆性气流受限，常在夜间或凌晨发作或加剧。支气管哮喘是儿童最常见的呼吸系统疾病之一，给患儿及其家庭及社会都带来了沉重的负担。频繁的哮喘发作会影响患儿正常的生长发育，使其体力活动减少、肺功能逐渐下降；同时，也增加患儿家庭经济负担和时间成本，导致了更多医疗资源的浪费；社会也需要为哮喘患儿配置更多的医疗资源。近几年随着科技的进步，人工智能逐渐在各个领域崭露头角，如何运用人工智能处理医疗、护理领域相关问题，并推动其发展成了热门话题。本研究通过对近年国内外人工智能(artificial intelligence，AI)技术在哮喘患儿中的应用新进展进行综述，旨在为今后哮喘患儿的治疗及护理提供思路和建议。

1 人工智能发展概况

人工智能是指利用构造的具有一定智能的人工系统来完成过去需要人力才能实现的智能工作，是一门涉及计算机科学、心理学、哲学等的综合性学科。人工智能在1956年达特茅斯(Dartmouth)学会上被首次提出，至今已有60多年的发展历程

。2017年，国务院发布的《新一代人工智能发展规划》政策中提道：要推广应用人工智能治疗新模式、新手段，建立快速精准的智能医疗体系。同年，卫生健康委员会发布的《“十三五”全国人口健康信息化发展规划》指出，要充分发挥人工智能、医用机器人、可穿戴设备等先进技术和装备产品在人口健康信息化和健康医疗大数据应用发展中的引领作用。人工智能近几年在医疗领域被广泛应用。利用人工智能可以在有限的时间内完成大量病人数据的采集、储存和处理，并通过各种算法从中获取一些规律经验来更好地辅助疾病的诊断和治疗。在护理领域中，人工智能通过精简流程和提高准确性来改善护理服务质量等

。

2 人工智能技术在儿童哮喘病人中的应用

2.1 哮喘的识别与诊断

机器学习(machine learning)属于人工智能的一个分支，指让机器或计算机学习如何执行特定任务的过程，并以类似于人类的方式，随着经验的不断累积从而发挥更大的作用。人工智能和机器学习都是数据驱动的过程，通过计算和编程等步骤，从大量的复杂数据中“挖掘”出潜在的联系，从而获得知识和经验。临床上能否快速识别哮喘儿童病情的突然变化以及疾病的严重程度往往直接影响患儿的预后，甚至影响其生存率。近年来，国内外医院或团队通过制定评估工具来判断儿童哮喘的严重程度，如：儿童哮喘严重程度评分(PASS)、儿童呼吸困难评分(PRAM)等。这些评估工具在一定程度上缩短了患儿的住院时间，降低了再次入院率以及减少了药物使用。但需消耗大量时间进行频繁的重新评估也成了护理人员工作的一大挑战。人工神经网络(artificial neural network，ANN)属于机器学习的一种模式，是模仿人脑结构的一组特定算法，通过利用计算机挖掘大量电子健康记录(electronic health record,EHR)的深层信息，并进行自主学习与训练，从而构建各疾病的预测、诊断及预后等模型。Messinger等将重症监护室患儿的监护仪与数据库相连，通过人工神经网络算法来同步储存、处理患儿生命体征相关数据以及电子健康记录上的人口统计学数据，最终生成了自动呼吸严重程度评分(PARS)。PARS能自动且持续地收集监护仪上的数据，既避免了人工收集数据的错误率及耗时长等问题，还能及时发现患儿可能出现的急性病情变化情况。最终服务于快速临床决策，并推动高质量护理。

目前，在全球的临床与科研活动中，哮喘的诊断标准、确诊流程尚无统一标准，甚至对于哮喘的定义也是众说纷纭。曾有研究对122篇关于诊断儿童哮喘的定义数据文献进行分析，发现其产生了60种不同的定义

。Seol等对基于人工智能的自然语言处理(NLP)技术用于在儿科人群EHR中识别具有鲜明特征的哮喘及其亚组的效果进行评估，运用了预测哮喘标准和哮喘预测指数来验证自然语言处理算法，在2个标准皆为阳性的儿童中，有30%是未被医生诊断为哮喘的。并且运用该标准得出的哮喘指数日期比医生首次诊断哮喘早了近1年时间。综上所述，基于人工智能的自然语言处理算法能在EHR时代提高哮喘的诊断率，同时也提高了精确度，使患儿能尽早获得相应的治疗。Yu等研发的人工智能模型帮助儿科医生更准确地识别、诊断儿童哮喘，且研究结果显示其模型对于减少抗生素以及全身糖皮质激素的滥用有重要的临床价值。

临床上的许多监测仪在科技的发展下都实现了精简这一目的。可监测设备越便携、集成功能越强大对哮喘患儿越便利。哮喘病人气道对各种刺激因子，如药物、运动、变应原、食物等表现出高度敏感状态。Buonocore等

研发了一款基于智能手表的无线健康监测系统，将感知得来的患儿实时生理状态(如心率、活动量、肺功能数据等)以及当下所处环境的各项指标(如空气所含颗粒物浓度等)与当日实时信息结合(如交通、天气、空气质量等)，由机器学习模型处理数据，预测哮喘发作的风险，为患儿提供实时的预警。Venkataramanan 等设计的K-Health套组包含收集睡眠和活动数据、峰值流量计、空气质量监测器等功能，在具备上述功能的基础上还收集了患儿睡眠状态、每12 h空气中的花粉含量、臭氧浓度等。该可穿戴设备通过对哮喘患儿的持续监测，识别季节、温度、湿度等与触发儿童哮喘发作及相关症状之间的关联，以便制定更详细的个性化哮喘管理方案，达到更好的哮喘控制效果。

2.2 哮喘分型

1项针对哮喘患儿家长对待人工智能参与哮喘健康管理的态度调查指出,家长一致认为仅依靠人工智能技术参与患儿哮喘管理的决策远远不够。即使基于算法决策系统的准确率及避免哮喘复发的成功率更高，医务工作者在哮喘管理中仍扮演着关键一环。家长的受教育水平及经济条件影响他们对新技术的接受程度。同时，人工智能技术作为一个“没有生命、没有感情”的技术手段，缺乏与患儿产生语言及非语言的交流。尽管人工智能技术可以帮助医务人员做出更好的判断，但在对患儿的照护中仍需要医务人员的参与。

随着互联网技术的发展和普及，手机的功能日益强大，智能手机的使用群体也非常庞大。我国互联网络信息中心(China Internet Network Information Center,CNNIC)显示，截至2020年12月，我国互联网用户已达9.89亿人，其中手机用户占比99.7%，青少年用户占手机用户的16.6%。智能手机的应用在青少年间已非常地普及。如何将健康管理与智能手机软件相结合以达到更好的效果也是国内外研究的热点。服药依从性差已经成为儿童哮喘控制不理想的主要原因之一。Lv等团队基于此，开发了一款智能手机软件来辅助护士进行哮喘患儿的健康管理。该软件不仅具备服药依从性管理，还包含了急性哮喘发作警报、酸中毒严重程度评估、健康日记、治疗推荐等功能。该研究将以智能手机软件辅助护士进行的健康管理与仅有护士参与的健康管理进行对照，并最终从哮喘恶化频率、服药依从性、儿童哮喘控制测试量表评分(C-ACT)、呼吸道感染、上学出勤率及医疗费用等方面对该软件的有效性进行了全面的评估，结果显示，以智能手机软件为辅助的哮喘管理效果要优于仅靠护士主导的健康管理效果。

2.3 哮喘的管理与监测

哮喘作为一种慢性疾病，可通过严格的管理和控制减少其恶化及复发。研究发现，80%～92%的患儿发生致死性哮喘的数天前都表现出哮喘控制不良、症状加重等情况。现有的预测模型侧重于预测哮喘的恶化程度，但哮喘的恶化往往发生于哮喘长期失控的晚期。基于此，Luo等团队研究开发了1个预测哮喘控制恶化的模型。该模型通过将收集的210例患儿，共2 912份每周哮喘控制评估数据与患儿个人基本条件和环境变量相结合，以机器学习的方式，能提前1周预测儿童哮喘控制恶化。该模型具有71.8%的准确度、73.8%的灵敏度及71.4%的特异度，可作为哮喘控制恶化的参考依据。

随着互联网技术的发展和普及，手机的功能日益强大，智能手机的使用群体也非常庞大。我国互联网络信息中心(China Internet Network Information Center,CNNIC)显示，截至2020年12月，我国互联网用户已达9.89亿人，其中手机用户占比99.7%，青少年用户占手机用户的16.6%[16]。智能手机的应用在青少年间已非常地普及。如何将健康管理与智能手机软件相结合以达到更好的效果也是国内外研究的热点。服药依从性差已经成为儿童哮喘控制不理想的主要原因之一[17]。Lv等[18]团队基于此，开发了一款智能手机软件来辅助护士进行哮喘患儿的健康管理。该软件不仅具备服药依从性管理，还包含了急性哮喘发作警报、酸中毒严重程度评估、健康日记、治疗推荐等功能。该研究将以智能手机软件辅助护士进行的健康管理与仅有护士参与的健康管理进行对照，并最终从哮喘恶化频率、服药依从性、儿童哮喘控制测试量表评分(C-ACT)、呼吸道感染、上学出勤率及医疗费用等方面对该软件的有效性进行了全面的评估，结果显示，以智能手机软件为辅助的哮喘管理效果要优于仅靠护士主导的健康管理效果。

临床上的许多监测仪在科技的发展下都实现了精简这一目的。可监测设备越便携、集成功能越强大对哮喘患儿越便利。哮喘病人气道对各种刺激因子，如药物、运动、变应原、食物等表现出高度敏感状态。Buonocore等[19]研发了一款基于智能手表的无线健康监测系统，将感知得来的患儿实时生理状态(如心率、活动量、肺功能数据等)以及当下所处环境的各项指标(如空气所含颗粒物浓度等)与当日实时信息结合(如交通、天气、空气质量等)，由机器学习模型处理数据，预测哮喘发作的风险，为患儿提供实时的预警。Venkataramanan 等[20]设计的K-Health套组包含收集睡眠和活动数据、峰值流量计、空气质量监测器等功能，在具备上述功能的基础上还收集了患儿睡眠状态、每12 h空气中的花粉含量、臭氧浓度等。该可穿戴设备通过对哮喘患儿的持续监测，识别季节、温度、湿度等与触发儿童哮喘发作及相关症状之间的关联，以便制定更详细的个性化哮喘管理方案，达到更好的哮喘控制效果。

3 人工智能技术应用于哮喘患儿面临的挑战

3.1 人工智能技术在临床上应用的局限性

自2009年全球哮喘倡议(GINA)首次提出哮喘表型的概念，全球对其进行的相关研究呈现出愈演愈烈的趋势

。但目前仍没有统一的划分标准，这意味着不能按照对应的哮喘表型对病人实施治疗、护理活动，哮喘病人无法得到精准化治疗，使治疗过程效率低下，对医疗资源也会造成一定程度上的浪费。Brew等的团队利用数据驱动的机器学习根据病人症状和EHR相关数据来识别儿童哮喘及哮喘表型。研究结果分析确定了4种哮喘表型：早期短暂性哮喘、流行性哮喘、轻度哮喘、中度哮喘。4种表型之间完全独立，医护人员可通过各个表型所特有的症状进行对应的治疗与护理活动。

3.2 健康管理软件的可及性与普及性

智能手机软件的有效使用依赖于家庭的经济条件以及监护人和患儿的自觉程度。但目前，智能手机并未完全普及，即使存在最有效的监测软件及健康管理程序，在面对这一状况下仍旧是无计可施。有些健康管理软件需要上传或登记“管理日记”，以便医护人员更好地了解管理状况，但这取决于患儿及家长对哮喘的认知及自觉程度。现有的健康管理软件还面临着受众面窄的问题，大部分软件只在开发团队管理的范围内应用，缺少合适的途径使其服务于整个哮喘患儿群体。

另有部分女子面对严苛的道德规训，表现出大胆的质疑意识。骆绮兰追随袁枚、王昶、王文治三先生学诗的行为受到了世人的攻击，但她却认为三位先生德高望重、才学深厚，以能得其亲炙为幸。她以《诗经》中《葛覃》《卷耳》《鸡鸣》《昧旦》等篇都出于女子之手，圣人并未删之以反驳世人以其从师为非礼之说。夏伊兰亦用《诗经》之例反驳世人的言论，曰：“不见三百篇,妇作传匪鲜”[注](清)蔡殿齐：《国朝闺阁诗钞》， 续修四库全书，上海：上海古籍出版社，1995-2002年，第1626册，第649页。，进而认为人生才德兼备方为完满。又如才女葛宜更用实际行动反抗道德规训：

3.3 患儿隐私和各类数据的安全性

人工智能技术参与疾病控制管理需要获得和储存大量病人数据，而数据的安全是当下亟待关注的一个问题。病人数据的泄露不但会造成病人隐私的公开，还会被不法分子用于违法途径，给社会造成很大的安全隐患。制定相应的管理制度，提高医护人员的法律意识，严格控制电子病例查看权限并对每个访问者进行监控等都是社会及医疗机构在今后发展EHR时所要关注的焦点。

4 展望

随着科技的进步以及交叉学科的发展，人工智能技术参与辅助医护治疗及护理的趋势已势不可挡。目前，人工智能已经逐步渗透到临床的各个方面，但它依然存在许多问题。对于哮喘患儿及其家庭来说，人工智能在哮喘管理方面的应用能控制病情、减轻家庭负担。对于医护人员来说，人工智能可帮助医护人员更好的决策，使医疗资源得到合理分配。如何把握住该机遇，还需要今后逐步探索。同时，在技术层面，怎样保证相关设备在便携的前提下具备更多的监测功能、降低设备耗电等也是今后临床医护人员与人工智能开发者合作研究的重点。

[1] 中华医学会儿科学分会呼吸学组,《中华儿科杂志》编辑委员会.儿童支气管哮喘诊断与防治指南(2016年版)[J].中华儿科杂志,2016,54(3):167-181.

[2] SULLIVAN P W,GHUSHCHYAN V,NAVARATNAM P,

.The national burden of poorly controlled asthma,school absence and parental work loss among school-aged children in the United States[J].The Journal of Asthma:Official Journal of the Association for the Care of Asthma,2018,55(6):659-667.

[3] MINTZ Y,BRODIE R.Introduction to artificial intelligence in medicine[J].Minimally Invasive Therapy & Allied Technologies,2019,28(2):73-81.

[4] EXARCHOS K P,BELTSIOU M,VOTTI C A,

.Artificial intelligence techniques in asthma:a systematic review and critical appraisal of the existing literature[J].The European Respiratory Journal,2020,56(3):2000521.

[5] GORELICK M H,STEVENS M W,SCHULTZ T R,

.Performance of a novel clinical score,the Pediatric Asthma Severity Score(PASS),in the evaluation of acute asthma[J].Academic Emergency Medicine,2004,11(1):10-18.

[6] DUCHARME F M,CHALUT D,PLOTNICK L,

.The pediatric respiratory assessment measure:a valid clinical score for assessing acute asthma severity from toddlers to teenagers[J].The Journal of Pediatrics,2008,152(4):476-480.e1.

[7] MESSINGER A I,BUI N,WAGNER B D,

.Novel pediatric-automated respiratory score using physiologic data and machine learning in asthma[J].Pediatric Pulmonology,2019,54(8):1149-1155.

[8] 周丹,尹安春.人工神经网络在护理领域的应用研究进展[J].护理学杂志,2020,35(3):94-97.

[9] VAN WONDEREN K E,VAN DER MARK L B,MOHRS J,

.Different definitions in childhood asthma:how dependable is the dependent variable? [J].The European Respiratory Journal,2010,36(1):48-56.

[10] SEOL H Y,ROLFES M C,CHUNG W,

.Expert artificial intelligence-based natural language processing characterises childhood asthma[J].BMJ Open Respiratory Research,2020,7(1):e000524.

[11] YU G,LI Z M,LI S X,

.The role of artificial intelligence in identifying asthma in pediatric inpatient setting[J].Annals of Translational Medicine,2020,8(21):1367.

[12] 王强,杨继,翟国超,等.支气管哮喘表型研究进展[J].江苏医药,2019,45(10):1058-1061.

[13] BREW B K,CHIESA F,LUNDHOLM C,

.A modern approach to identifying and characterizing child asthma and wheeze phenotypes based on clinical data[J].PLoS One,2019,14(12):e0227091.

[14] PLAZA V,SERRANO J,PICADO C,

.Frequency and clinical characteristics of rapid-onset fatal and near-fatal asthma[J].The European Respiratory Journal,2002,19(5):846-852.

[15] LUO G,STONE B L,FASSL B,

.Predicting asthma control deterioration in children[J].BMC Medical Informatics and Decision Making,2015,15:84.

[16] 中国互联网络信息中心．第47次中国互联网络发展状况统计报告[EB/OL]．[2021-02-01].http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/202102/t20210203_71361.htm.

[17] BLAKE K V.Improving adherence to asthma medications:current knowledge and future perspectives[J].Current Opinion in Pulmonary Medicine,2017,23(1):62-70.

[18] LV S X,YE X H,WANG Z J,

.A randomized controlled trial of a mobile application-assisted nurse-led model used to improve treatment outcomes in children with asthma[J].Journal of Advanced Nursing,2019,75(11):3058-3067.

[19] BUONOCORE C M,ROCCHIO R A,ROMAN A,

.Wireless sensor-dependent ecological momentary assessment for pediatric asthma mHealth applications[C].2017 IEEE/ACM International Conference on Connected Health:Applications,Systems and Engineering Technologies,2017:137-146.

[20] VENKATARAMANAN R,THIRUNARAYAN K,JAIMINI U,

.Determination of personalized asthma triggers from multimodal sensing and a mobile app:observational study[J].JMIR Pediatrics and Parenting,2019,2(1):e14300.

[21] ABDOUL C,CROS P,COUTIER L,

.Parents′ views on artificial intelligence for the daily management of childhood asthma:a survey[J].The Journal of Allergy and Clinical Immunology in Practice,2021,9(4):1728-1730.