人工智能辅助COPD患者急性加重的早期预警

罗桃姣

湖北省第三人民医院  湖北  武汉  430033

【摘要】目的：探讨人工智能（AI）模型在慢性阻塞性肺疾病（COPD）患者急性加重早期预警中的应用价值。方法：选取2025年3月-2026年2月的86例COPD患者为研究对象，采用随机数字表法分为对照组与实验组各43例。对照组采用常规监测，实验组应用AI预警模型，整合患者生命体征、炎症指标及症状数据进行实时分析预警。对比两组AECOPD早期识别准确率、预警提前时间及误诊率。结果：实验组AECOPD早期识别准确率（93.02%）高于对照组（72.09%），预警提前时间[（48.62±10.35）h]长于对照组[（12.35±4.28）h]，误诊率（4.65%）低于对照组（23.26%），差异均有统计学意义（P＜0.05）。结论：AI辅助预警可提升AECOPD早期识别精准性，延长预警时间，降低误诊率，为COPD患者急性加重早期干预提供有效支持。

【关键词】人工智能；慢性阻塞性肺疾病；急性加重；早期预警；临床监测

慢性阻塞性肺疾病（COPD）是全球重大公共卫生问题，其急性加重（AECOPD）是导致患者住院、病情进展及死亡的核心诱因，早期精准识别并干预是改善患者预后的关键^[1]。当前临床依赖医师经验结合症状、体征监测AECOPD，存在识别滞后、主观性强、漏诊误诊率较高等弊端。

1  资料与方法

1.1  一般资料  选取2025年3月-2026年2月本院呼吸与危重症医学科收治的86例COPD患者，所有患者均符合《老年慢性阻塞性肺疾病诊治与护理专家共识（2025）》及GOLD 2026相关诊断标准，涵盖GOLD 1～4级稳定期患者。纳入标准：年龄60~80岁（契合老年慢阻肺管理重点），确诊COPD≥1年，无严重脏器功能衰竭，无严重认知障碍，能配合居家监测及随访，自愿参与并签署知情同意书。排除标准：合并肺癌、支气管哮喘等其他呼吸系统疾病，近期接受过全身糖皮质激素治疗，无法使用智能设备，严重心肺功能衰竭、终末期疾病者。采用随机数字表法将其分为对照组与实验组各43例。

1.2实验方法  对照组采用常规临床监测模式，由医护人员定期监测患者呼吸频率、心率、血氧饱和度等生命体征，记录咳嗽、咳痰、喘息等症状，结合血常规、C反应蛋白等炎症指标，依据临床经验判断是急性加重风险，及时启动干预，并开展常规电话随访。实验组在常规监测基础上，应用基于梯度提升机（GBM）算法构建的AI预警模型，整合患者基线资料、实时生命体征、炎症指标、症状评分、衰弱评估及营养、跌倒风险等多维数据，适配老年患者多病共病及自我管理能力较弱的特点。通过机器学习识别AECOPD早期特征，设定分级预警阈值，并实行轻症居家干预、中症远程指导、重症绿色通道转诊的分级处置模式。

1.3  观察指标

1.3.1  AECOPD早期识别准确率：正确识别早期急性加重的病例数占本组总病例数的 比例；

1.3.2  预警提前时间：AI模型预警至患者出现典型AECOPD症状的时间差，并记录两组误诊率进行辅助评价。

1.4  统计学分析  采用SPSS 26.0分析，计量资料以（x±s）表示，行t检验；计数资料[n（%）]，行χ²检验。P＜0.05为差异有统计学意义。

2  结果

2.1  两组AECOPD早期识别准确率对比

表1两组AECOPD早期识别准确率对比

指标	对照组（n=43）	实验组（n=43）	χ²值	P值
早期识别准确例数	31（72.09%）	40（93.02%）	6.458	0.011

随访期间，对照组43例患者中31例被正确识别，识别准确率为72.09%；实验组43例患者中40例被正确识别，识别准确率为93.02%。两组早期识别准确率差异有统计学意义（χ²=6.458，P=0.011＜0.05）。

2.2  两组预警提前时间及误诊率对比

表2两组预警提前时间及误诊率对比

指标	对照组（n=43）	实验组（n=43）	t/χ²值	P值
预警提前时间（h，x±s）	12.35±4.28	48.62±10.35	19.872	0.000
误诊例数[n（%）]	10（23.26%）	2（4.65%）	6.185	0.013

实验组预警提前时间为（48.62±10.35）h，长于对照组（12.35±4.28）h，差异有统计学意义（t=19.872，P=0.000＜0.05）；实验组误诊2例，误诊率为4.65%，对照组误诊10例，误诊率为23.26%，差异有统计学意义（χ²=6.185，P=0.013＜0.05）。

3  讨论

3.1  AECOPD的早期识别与干预是降低COPD患者病死率、改善预后的关键，更是落实慢阻肺全程管理的核心环节。传统监测主要依赖医护人员主观判断，易受主观因素和监测频率影响，存在预警滞后、漏诊误诊等问题，难以满足精准管理需求^[2-3]。

3.2  AI预警模型可提升AECOPD早期识别能力。本研究结果显示，实验组AECOPD早期识别准确率显著高于对照组，误诊率低于对照组。传统监测多依赖单一症状或指标，难以全面反映疾病动态变化，而本研究采用的GBM算法整合患者生命体征、炎症指标及症状数据，通过机器学习分析指标间的关联，捕捉早期预警信号，减少人为判断误差，提升识别准确性，与既往AI辅助评估提升筛查准确率的结论一致。

4  结论

本研究证实，AI辅助预警模式可提高COPD患者AECOPD早期识别精准率，延长预警时间，降低误诊率，同时可精准捕捉疾病早期隐匿性特征，为临床早期干预提供技术支撑，弥补传统监测不足。该模式可降低患者急性加重及再住院率，提升患者管理质量，为构建AI辅助慢阻肺全程管理模式提供临床依据。未来可结合适老化优化推广，助力慢阻肺精准化、智能化、全程化管理。

【参考文献】

[1]林晓青,夏艺,范丽.CT定量分析及人工智能对COPD急性加重的研究进展[J].中国临床医学影像杂志,2024,35(1):61-64.

[2]陆泉行.COPD合并糖尿病住院患者血糖特点及多次住院危险因素分析——一项基于人工智能的回顾性研究[D].广州医科大学,2023.

[3]杨静,周玉梅,马林源,等.数字健康技术对老年COPD患者远程管理研究进展[J].护理学,2025,14(10):1718-1724.

...