AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
AIRE-KIDS 研究利用电子病历、环境数据和社区信息开发并验证了一个机器学习模型，用于准确预测儿童严重的哮喘发作，该模型通过实现 0.712 的 AUC 和 0.51 的 F1 分数，展现出优于当前决策规则的卓越性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
哮喘是儿童中常见的一种疾病，会导致其气道变窄并使呼吸困难。虽然许多儿童在居家环境下能很好地管理症状，但仍有一些儿童会经历严重的哮喘发作，需要前往急诊科就医。即使在接受治疗后，仍有相当数量的儿童会在一年内因另一次严重发作而再次就诊。这种循环不仅是家庭的个人困境，也给医院和医疗系统带来了沉重的负担。医生面临的挑战在于，他们不可能为每一位到访急诊室的儿童都提供密集、专业的教育和护理，因为资源实在有限。相反，医疗团队需要一种方法来识别哪些是极有可能再次就诊的特定儿童，以便将他们转介到综合护理计划中，从而帮助预防未来的危机。几十年来，医生一直依赖简单的清单和自身的判断来做出这些决定，但这些方法往往会遗漏最脆弱的患者，或者误标那些并不需要额外帮助的人。
在东安大略儿童医院（Children's Hospital of Eastern Ontario）最近的一项研究中，研究人员致力于构建一个更精确的工具来解决这一问题。他们转向了机器学习——这是一种计算机科学领域，其中软件通过学习来识别大量数据中的模式。研究团队收集了 2017 年至 2019 年间因哮喘就诊急诊科的近 3,000 名儿童的记录。这些记录包含了儿童的病史细节，例如既往就诊情况、年龄以及是否患有其他过敏症（如食物敏感）。数据还捕捉了他们当前发作的严重程度、等待医生诊治的时间，甚至包括其居住社区的空气质量等环境因素。研究人员希望看看计算机是否能够观察所有这些不同的信息片段，并预测哪些儿童会在未来一年内再次入院。
为了测试他们的想法，团队训练了几种不同类型的计算机模型。其中包括三种基于大语言模型的新型方法，这类模型与目前常用于撰写文本或回答复杂问题的强大人工智能系统属于同类。他们还测试了传统的基于树的模型，这类模型通过基于数据的系列“是或否”决策来工作，类似于医生权衡不同症状的方式。研究人员将数据分为两组：一组用于教导模型，另一组独立的组用于测试模型在面对新且未见过的患者时的表现。他们将计算机的预测结果与医院目前的标准规则进行了对比，该规则根据几个特定标准（如既往有就诊史及分诊时的严重程度评分较高）来触发高风险患者警报。
结果显示，传统的基于树的模型在处理这项特定任务时远优于新型语言模型。表现最好的模型被研究人员命名为 AIRE-KIDS，它成功识别了有再次前往急诊科或住院高风险的儿童。在对 2022 年和 2023 年儿童组进行测试时，该模型证明其准确性显著高于目前的医院规则。现有规则仅能正确识别约三分之一的回归儿童，而新模型则能正确识别超过一半的儿童。计算机学到，未来再次就诊的最强有力线索不仅是当前发作的严重程度，还包括儿童既往的就诊史、年龄、是否患有食物过敏以及其整体医疗需求的复杂程度。令人惊讶的是，环境因素（如空气污染）并未如研究人员所预期的那样显著提高模型的准确性，因此在最终版本中被剔除，以保持模型的简洁易用。
研究还发现，被称为大语言模型的更先进、更复杂的 AI 系统，在表现上不如更简单、更专门的模型。尽管这些先进系统在其他领域备受欢迎，但在处理这类特定的医学数据时却表现不佳。研究人员得出结论：对于预测儿童哮喘预后而言，一个专注且具有可解释性的模型比一个广泛、通用的模型更为有效。最终的模型使用了一组精简且易于管理的、在儿童进入医院时即可从电子病历中获取的事实。这意味着该工具可以直接整合到急诊科的工作流程中，提醒医生立即将最脆弱的儿童转介至专业护理。通过这种方式，医院希望打破重复就诊的循环，确保那些最需要帮助的儿童能够获得帮助，同时更高效地利用有限的资源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。