AI用于预测儿童哮喘急性发作 (AIRE-KIDS)
人工智能
2025-11-04 v1
摘要
儿童哮喘反复急性发作仍是许多儿童常见且可预防的结局。基于电子医疗记录（EMR）的机器学习（ML）算法可实现对儿童感染风险的精准识别，从而促进对高风险儿童的综合预防性护理，避免此类疾病。我们开发了ML算法，用于预测儿童（已有哮喘急诊病史）再次发生严重急性发作（即哮喘相关急诊就诊或未来住院）的风险。本研究采用2017年2月至2019年2月（N=2716）在东北奥利屈亚儿童医院（CHEO）获取的 retrospective 前新冠疫情期间的Epic EMR数据，链接了环境污染暴露和社区贫困化信息，用以训练各种ML模型。我们使用提升树模型（LGBM、XGB）和3种开源大语言模型（DistilGPT2、Llama 3.2 1B 和 Llama-8b-UltraMedical），随后对模型进行调优和校准，在第二个 retrospective 新冠后数据集（2022年7月至2023年4月，N=1237）中进行验证。模型采用ROC曲线下面积（AUC）和F1分数进行比较，并使用SHAP值确定最具预测性的特征。LGBM模型在最终AIRE-KIDS_ED模型中表现最佳，其最具预测性的特征包括：既往哮喘急诊就诊、加拿大分诊紧急程度量表、医疗复杂性、食物过敏、既往非哮喘呼吸系统诊断的急诊就诊以及年龄，AUC为0.712，F1分为0.51。相较于当前决策规则（F1=0.334），该结果具有显著意义。AIRE-KIDS_HOSP模型的最具预测性特征包括医疗复杂性、既往哮喘急诊就诊、急诊平均等待时间、分诊时的儿童呼吸评估量表得分以及食物过敏。
引用
@article{arxiv.2511.01018,
title = {AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)},
author = {Hui-Lee Ooi and Nicholas Mitsakakis and Margerie Huet Dastarac and Roger Zemek and Amy C. Plint and Jeff Gilchrist and Khaled El Emam and Dhenuka Radhakrishnan},
journal= {arXiv preprint arXiv:2511.01018},
year = {2025}
}