研究人员表示，早期预警模型有助于锁定预防性护理对象

婴幼儿时期就出现湿疹的儿童，后来往往会面临其他过敏性疾病，但临床医生一直缺乏工具来评估哪些患者最有可能进一步发展为更严重的呼吸系统疾病。一项新研究表明，机器学习或许能够更精准地划分这种风险。

该研究于 4 月 17 日在线发表在 Journal of Allergy and Clinical Immunology 上。来自 Kaiser Permanente Southern California 的研究人员为 3 岁前被诊断为特应性皮炎的儿童开发并验证了预测模型。研究团队使用 10,688 名儿童的电子健康记录数据，构建模型以估算他们在 5 至 11 岁之间发展为中重度持续性哮喘和过敏性鼻炎的个体化风险。

结果表明，这可能成为一个有用的临床工具，尤其适合希望更早识别高风险儿童并在症状加重前进行干预的医疗系统。研究人员报告称，该模型在哮喘预测方面表现强劲，在过敏性鼻炎预测方面表现中等，但仍具有实际意义。

大型真实世界数据集中，哮喘预测表现突出

哮喘模型的曲线下面积（AUC）分别为 0.893 和 0.892，前者为完整版本，后者为简化版本，说明它们在区分后来发病儿童与未发病儿童方面具有很强的判别能力。在 95% 特异性阈值下，完整模型的敏感度为 40.4%，阳性预测值为 39.3%；简化模型的敏感度为 36.2%，阳性预测值为 33.8%。

这些数字很重要，因为它们表明，这些模型在尽量减少假阳性的同时，仍能捕捉到相当一部分后来会发展为持续性哮喘的儿童。在儿科护理中，这种平衡尤为关键，因为不必要的升级处理会带来成本，而漏判风险则可能导致治疗延迟和本可避免的并发症。

鼻炎模型的精度低于哮喘模型，但仍展现出中等预测表现。完整鼻炎模型的 AUC 为 0.793，简化模型为 0.773。在 90% 特异性下，完整模型的敏感度为 35.5%，阳性预测值为 72.7%；简化模型的敏感度为 34.0%，阳性预测值为 69.2%。

作者还报告了可接受的校准度，尤其是在最高风险组中一致性更强。这一点很重要，因为即使模型区分能力很强，如果其风险估计与临床实际并不匹配，也未必真正有用。

这对儿科过敏护理意味着什么

特应性皮炎通常是临床医生有时所说的“过敏进程”中的第一步可见表现，即部分儿童随后会发展为哮喘、过敏性鼻炎或其他免疫介导疾病。但并非每个孩子都会沿着同样路径发展。这使得个体化预测更具吸引力：它可能帮助临床医生将有限的专科资源集中用于最可能受益的患者。

根据研究作者的说法，若将预测工具整合进临床工作流程，或许可以帮助医护人员识别风险升高的儿童，并优先为他们安排环境控制、过敏专科评估或尽早启动预防性治疗等干预措施。

这并不意味着机器学习会取代临床判断。相反，这些模型最好被理解为基于常规医疗数据模式构建的分诊层。谨慎使用时，它们可以支持更早与家庭沟通、更密切监测，以及在转诊或预防策略上做出更有依据的决定。

简化模型的使用同样值得注意。在医疗领域，预测工具在理论上往往在使用大量变量时表现最好，但在繁忙场景中却更难部署。一个表现几乎与复杂版本相当的简化模型，可能更适合广泛应用，尤其是当它依赖于标准记录中已经采集的数据时。