人工智能在兒童哮喘病人中應用的研究進展

支氣管哮喘作為一種以慢性氣道炎癥和氣道高反應性為特征的異質性疾病，以反復發作的喘息、咳嗽、氣促、胸悶為主要臨床表現，并常伴有可逆性氣流受限，常在夜間或凌晨發作或加劇。支氣管哮喘是兒童最常見的呼吸系統疾病之一，給患兒及其家庭及社會都帶來了沉重的負擔。頻繁的哮喘發作會影響患兒正常的生長發育，使其體力活動減少、肺功能逐漸下降；同時，也增加患兒家庭經濟負擔和時間成本，導致了更多醫療資源的浪費；社會也需要為哮喘患兒配置更多的醫療資源。近幾年隨著科技的進步，人工智能逐漸在各個領域嶄露頭角，如何運用人工智能處理醫療、護理領域相關問題，并推動其發展成了熱門話題。本研究通過對近年國內外人工智能(artificial intelligence，AI)技術在哮喘患兒中的應用新進展進行綜述，旨在為今后哮喘患兒的治療及護理提供思路和建議。

1 人工智能發展概況

人工智能是指利用構造的具有一定智能的人工系統來完成過去需要人力才能實現的智能工作，是一門涉及計算機科學、心理學、哲學等的綜合性學科。人工智能在1956年達特茅斯(Dartmouth)學會上被首次提出，至今已有60多年的發展歷程

。2017年，國務院發布的《新一代人工智能發展規劃》政策中提道：要推廣應用人工智能治療新模式、新手段，建立快速精準的智能醫療體系。同年，衛生健康委員會發布的《“十三五”全國人口健康信息化發展規劃》指出，要充分發揮人工智能、醫用機器人、可穿戴設備等先進技術和裝備產品在人口健康信息化和健康醫療大數據應用發展中的引領作用。人工智能近幾年在醫療領域被廣泛應用。利用人工智能可以在有限的時間內完成大量病人數據的采集、儲存和處理，并通過各種算法從中獲取一些規律經驗來更好地輔助疾病的診斷和治療。在護理領域中，人工智能通過精簡流程和提高準確性來改善護理服務質量等

。

2 人工智能技術在兒童哮喘病人中的應用

2.1 哮喘的識別與診斷

機器學習(machine learning)屬于人工智能的一個分支，指讓機器或計算機學習如何執行特定任務的過程，并以類似于人類的方式，隨著經驗的不斷累積從而發揮更大的作用。人工智能和機器學習都是數據驅動的過程，通過計算和編程等步驟，從大量的復雜數據中“挖掘”出潛在的聯系，從而獲得知識和經驗。臨床上能否快速識別哮喘兒童病情的突然變化以及疾病的嚴重程度往往直接影響患兒的預后，甚至影響其生存率。近年來，國內外醫院或團隊通過制定評估工具來判斷兒童哮喘的嚴重程度，如：兒童哮喘嚴重程度評分(PASS)、兒童呼吸困難評分(PRAM)等。這些評估工具在一定程度上縮短了患兒的住院時間，降低了再次入院率以及減少了藥物使用。但需消耗大量時間進行頻繁的重新評估也成了護理人員工作的一大挑戰。人工神經網絡(artificial neural network，ANN)屬于機器學習的一種模式，是模仿人腦結構的一組特定算法，通過利用計算機挖掘大量電子健康記錄(electronic health record,EHR)的深層信息，并進行自主學習與訓練，從而構建各疾病的預測、診斷及預后等模型。Messinger等將重癥監護室患兒的監護儀與數據庫相連，通過人工神經網絡算法來同步儲存、處理患兒生命體征相關數據以及電子健康記錄上的人口統計學數據，最終生成了自動呼吸嚴重程度評分(PARS)。PARS能自動且持續地收集監護儀上的數據，既避免了人工收集數據的錯誤率及耗時長等問題，還能及時發現患兒可能出現的急性病情變化情況。最終服務于快速臨床決策，并推動高質量護理。

目前，在全球的臨床與科研活動中，哮喘的診斷標準、確診流程尚無統一標準，甚至對于哮喘的定義也是眾說紛紜。曾有研究對122篇關于診斷兒童哮喘的定義數據文獻進行分析，發現其產生了60種不同的定義

。Seol等對基于人工智能的自然語言處理(NLP)技術用于在兒科人群EHR中識別具有鮮明特征的哮喘及其亞組的效果進行評估，運用了預測哮喘標準和哮喘預測指數來驗證自然語言處理算法，在2個標準皆為陽性的兒童中，有30%是未被醫生診斷為哮喘的。并且運用該標準得出的哮喘指數日期比醫生首次診斷哮喘早了近1年時間。綜上所述，基于人工智能的自然語言處理算法能在EHR時代提高哮喘的診斷率，同時也提高了精確度，使患兒能盡早獲得相應的治療。Yu等研發的人工智能模型幫助兒科醫生更準確地識別、診斷兒童哮喘，且研究結果顯示其模型對于減少抗生素以及全身糖皮質激素的濫用有重要的臨床價值。

臨床上的許多監測儀在科技的發展下都實現了精簡這一目的?？杀O測設備越便攜、集成功能越強大對哮喘患兒越便利。哮喘病人氣道對各種刺激因子，如藥物、運動、變應原、食物等表現出高度敏感狀態。Buonocore等

研發了一款基于智能手表的無線健康監測系統，將感知得來的患兒實時生理狀態(如心率、活動量、肺功能數據等)以及當下所處環境的各項指標(如空氣所含顆粒物濃度等)與當日實時信息結合(如交通、天氣、空氣質量等)，由機器學習模型處理數據，預測哮喘發作的風險，為患兒提供實時的預警。Venkataramanan 等設計的K-Health套組包含收集睡眠和活動數據、峰值流量計、空氣質量監測器等功能，在具備上述功能的基礎上還收集了患兒睡眠狀態、每12 h空氣中的花粉含量、臭氧濃度等。該可穿戴設備通過對哮喘患兒的持續監測，識別季節、溫度、濕度等與觸發兒童哮喘發作及相關癥狀之間的關聯，以便制定更詳細的個性化哮喘管理方案，達到更好的哮喘控制效果。

2.2 哮喘分型

1項針對哮喘患兒家長對待人工智能參與哮喘健康管理的態度調查指出,家長一致認為僅依靠人工智能技術參與患兒哮喘管理的決策遠遠不夠。即使基于算法決策系統的準確率及避免哮喘復發的成功率更高，醫務工作者在哮喘管理中仍扮演著關鍵一環。家長的受教育水平及經濟條件影響他們對新技術的接受程度。同時，人工智能技術作為一個“沒有生命、沒有感情”的技術手段，缺乏與患兒產生語言及非語言的交流。盡管人工智能技術可以幫助醫務人員做出更好的判斷，但在對患兒的照護中仍需要醫務人員的參與。

隨著互聯網技術的發展和普及，手機的功能日益強大，智能手機的使用群體也非常龐大。我國互聯網絡信息中心(China Internet Network Information Center,CNNIC)顯示，截至2020年12月，我國互聯網用戶已達9.89億人，其中手機用戶占比99.7%，青少年用戶占手機用戶的16.6%。智能手機的應用在青少年間已非常地普及。如何將健康管理與智能手機軟件相結合以達到更好的效果也是國內外研究的熱點。服藥依從性差已經成為兒童哮喘控制不理想的主要原因之一。Lv等團隊基于此，開發了一款智能手機軟件來輔助護士進行哮喘患兒的健康管理。該軟件不僅具備服藥依從性管理，還包含了急性哮喘發作警報、酸中毒嚴重程度評估、健康日記、治療推薦等功能。該研究將以智能手機軟件輔助護士進行的健康管理與僅有護士參與的健康管理進行對照，并最終從哮喘惡化頻率、服藥依從性、兒童哮喘控制測試量表評分(C-ACT)、呼吸道感染、上學出勤率及醫療費用等方面對該軟件的有效性進行了全面的評估，結果顯示，以智能手機軟件為輔助的哮喘管理效果要優于僅靠護士主導的健康管理效果。

2.3 哮喘的管理與監測

哮喘作為一種慢性疾病，可通過嚴格的管理和控制減少其惡化及復發。研究發現，80%～92%的患兒發生致死性哮喘的數天前都表現出哮喘控制不良、癥狀加重等情況?，F有的預測模型側重于預測哮喘的惡化程度，但哮喘的惡化往往發生于哮喘長期失控的晚期。基于此，Luo等團隊研究開發了1個預測哮喘控制惡化的模型。該模型通過將收集的210例患兒，共2 912份每周哮喘控制評估數據與患兒個人基本條件和環境變量相結合，以機器學習的方式，能提前1周預測兒童哮喘控制惡化。該模型具有71.8%的準確度、73.8%的靈敏度及71.4%的特異度，可作為哮喘控制惡化的參考依據。

隨著互聯網技術的發展和普及，手機的功能日益強大，智能手機的使用群體也非常龐大。我國互聯網絡信息中心(China Internet Network Information Center,CNNIC)顯示，截至2020年12月，我國互聯網用戶已達9.89億人，其中手機用戶占比99.7%，青少年用戶占手機用戶的16.6%[16]。智能手機的應用在青少年間已非常地普及。如何將健康管理與智能手機軟件相結合以達到更好的效果也是國內外研究的熱點。服藥依從性差已經成為兒童哮喘控制不理想的主要原因之一[17]。Lv等[18]團隊基于此，開發了一款智能手機軟件來輔助護士進行哮喘患兒的健康管理。該軟件不僅具備服藥依從性管理，還包含了急性哮喘發作警報、酸中毒嚴重程度評估、健康日記、治療推薦等功能。該研究將以智能手機軟件輔助護士進行的健康管理與僅有護士參與的健康管理進行對照，并最終從哮喘惡化頻率、服藥依從性、兒童哮喘控制測試量表評分(C-ACT)、呼吸道感染、上學出勤率及醫療費用等方面對該軟件的有效性進行了全面的評估，結果顯示，以智能手機軟件為輔助的哮喘管理效果要優于僅靠護士主導的健康管理效果。

臨床上的許多監測儀在科技的發展下都實現了精簡這一目的?？杀O測設備越便攜、集成功能越強大對哮喘患兒越便利。哮喘病人氣道對各種刺激因子，如藥物、運動、變應原、食物等表現出高度敏感狀態。Buonocore等[19]研發了一款基于智能手表的無線健康監測系統，將感知得來的患兒實時生理狀態(如心率、活動量、肺功能數據等)以及當下所處環境的各項指標(如空氣所含顆粒物濃度等)與當日實時信息結合(如交通、天氣、空氣質量等)，由機器學習模型處理數據，預測哮喘發作的風險，為患兒提供實時的預警。Venkataramanan 等[20]設計的K-Health套組包含收集睡眠和活動數據、峰值流量計、空氣質量監測器等功能，在具備上述功能的基礎上還收集了患兒睡眠狀態、每12 h空氣中的花粉含量、臭氧濃度等。該可穿戴設備通過對哮喘患兒的持續監測，識別季節、溫度、濕度等與觸發兒童哮喘發作及相關癥狀之間的關聯，以便制定更詳細的個性化哮喘管理方案，達到更好的哮喘控制效果。

3 人工智能技術應用于哮喘患兒面臨的挑戰

3.1 人工智能技術在臨床上應用的局限性

自2009年全球哮喘倡議(GINA)首次提出哮喘表型的概念，全球對其進行的相關研究呈現出愈演愈烈的趨勢

。但目前仍沒有統一的劃分標準，這意味著不能按照對應的哮喘表型對病人實施治療、護理活動，哮喘病人無法得到精準化治療，使治療過程效率低下，對醫療資源也會造成一定程度上的浪費。Brew等的團隊利用數據驅動的機器學習根據病人癥狀和EHR相關數據來識別兒童哮喘及哮喘表型。研究結果分析確定了4種哮喘表型：早期短暫性哮喘、流行性哮喘、輕度哮喘、中度哮喘。4種表型之間完全獨立，醫護人員可通過各個表型所特有的癥狀進行對應的治療與護理活動。

3.2 健康管理軟件的可及性與普及性

智能手機軟件的有效使用依賴于家庭的經濟條件以及監護人和患兒的自覺程度。但目前，智能手機并未完全普及，即使存在最有效的監測軟件及健康管理程序，在面對這一狀況下仍舊是無計可施。有些健康管理軟件需要上傳或登記“管理日記”，以便醫護人員更好地了解管理狀況，但這取決于患兒及家長對哮喘的認知及自覺程度?，F有的健康管理軟件還面臨著受眾面窄的問題，大部分軟件只在開發團隊管理的范圍內應用，缺少合適的途徑使其服務于整個哮喘患兒群體。

另有部分女子面對嚴苛的道德規訓，表現出大膽的質疑意識。駱綺蘭追隨袁枚、王昶、王文治三先生學詩的行為受到了世人的攻擊，但她卻認為三位先生德高望重、才學深厚，以能得其親炙為幸。她以《詩經》中《葛覃》《卷耳》《雞鳴》《昧旦》等篇都出于女子之手，圣人并未刪之以反駁世人以其從師為非禮之說。夏伊蘭亦用《詩經》之例反駁世人的言論，曰：“不見三百篇,婦作傳匪鮮”[注](清)蔡殿齊：《國朝閨閣詩鈔》， 續修四庫全書，上海：上海古籍出版社，1995-2002年，第1626冊，第649頁。，進而認為人生才德兼備方為完滿。又如才女葛宜更用實際行動反抗道德規訓：

3.3 患兒隱私和各類數據的安全性

人工智能技術參與疾病控制管理需要獲得和儲存大量病人數據，而數據的安全是當下亟待關注的一個問題。病人數據的泄露不但會造成病人隱私的公開，還會被不法分子用于違法途徑，給社會造成很大的安全隱患。制定相應的管理制度，提高醫護人員的法律意識，嚴格控制電子病例查看權限并對每個訪問者進行監控等都是社會及醫療機構在今后發展EHR時所要關注的焦點。

4 展望

隨著科技的進步以及交叉學科的發展，人工智能技術參與輔助醫護治療及護理的趨勢已勢不可擋。目前，人工智能已經逐步滲透到臨床的各個方面，但它依然存在許多問題。對于哮喘患兒及其家庭來說，人工智能在哮喘管理方面的應用能控制病情、減輕家庭負擔。對于醫護人員來說，人工智能可幫助醫護人員更好的決策，使醫療資源得到合理分配。如何把握住該機遇，還需要今后逐步探索。同時，在技術層面，怎樣保證相關設備在便攜的前提下具備更多的監測功能、降低設備耗電等也是今后臨床醫護人員與人工智能開發者合作研究的重點。

[1] 中華醫學會兒科學分會呼吸學組,《中華兒科雜志》編輯委員會.兒童支氣管哮喘診斷與防治指南(2016年版)[J].中華兒科雜志,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.人工神經網絡在護理領域的應用研究進展[J].護理學雜志,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] 王強,楊繼,翟國超,等.支氣管哮喘表型研究進展[J].江蘇醫藥,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] 中國互聯網絡信息中心．第47次中國互聯網絡發展狀況統計報告[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.