孩子肺炎會不會變重？上海兒童醫院研發AI預警平臺，7個指標精準預測

*僅供醫學專業人士閱讀參考

從“憑經驗”到“靠數據”：兒童重癥肺炎有了智能化決策助手

整理：易艾藍

審核專家：上海市兒童醫院董曉艷教授

兒童重癥肺炎是全球5歲以下兒童死亡的主要原因，在兒童肺炎中重癥占比約15%~20%，病死率高達5%~10%。它起病急、進展快，有時病毒感染后短短48小時內就可能從輕癥急劇發展為呼吸衰竭。然而，當前臨床診斷面臨諸多困境：常規檢驗指標的靈敏度和特異度不足，不同醫生評估水平參差不齊，加上患兒年齡、病原體類型、基礎疾病等因素差異大，很容易導致部分患兒錯過最佳治療窗口。尤其在經濟欠發達地區，基層醫師從業年限短、設備資源有限，對隱匿性呼吸衰竭、膿毒癥早期表現等重癥預警指征的識別能力更為薄弱，首診誤判和轉診延誤時有發生。

如何讓重癥肺炎的識別跑在病情惡化之前？上海市兒童醫院呼吸科朱思宇、曾澤宇、董曉艷團隊在《上海醫學》發表了一項創新性研究成果。他們針對上述臨床瓶頸，基于多模態數據融合技術和多種機器學習算法，成功構建了兒童重癥肺炎預警決策平臺，并已將該平臺以軟件形式嵌入全院住院醫師工作站。這一系統突破了傳統單模態模型的局限，實現了從“風險預警—病情評估—決策支持”的全流程智能化輔助，為呼吸專科及基層兒科醫師提供了有力的決策支持工具[1]。

臨床痛點：數據孤島、預警滯后與基層困境

研究團隊首先系統梳理了兒童重癥肺炎臨床管理面臨的四大核心挑戰。

第一是多源數據碎片化。患兒的生命體征（體溫、呼吸頻率、血氧飽和度）存儲在醫院信息系統（HIS），實驗室指標（如CRP、降鈣素原、白蛋白等）在檢驗系統（LIS），影像資料在影像歸檔系統（PACS），可穿戴設備的動態監測數據則在移動醫療終端。這些系統各自獨立，缺乏標準化接口和統一數據倉庫，跨模態數據難以關聯分析，醫生難以對患兒病情進行全景式評估。

第二是傳統預警機制動態性不足。目前臨床上主要依賴靜態評分系統（如臨床肺部感染評分CPIS）或人工經驗判斷，需要手動采集離散時間點的數據，難以捕捉兒童肺炎快速進展的病理特性，往往滯后4~6小時才發現病情惡化，錯過早期干預的黃金窗口。

第三是基層識別能力薄弱。基層醫療機構是兒童肺炎的首診主陣地，但受限于人員經驗和設備條件，對重癥預警指征的識別能力明顯不足。

第四是現有模型泛化性差。基于單模態數據構建的模型未充分納入年齡分層、基礎疾病（如先天性心臟病、支氣管肺發育不良）、病原體類型和遺傳易感性等異質性因素，導致在不同亞組人群中應用價值受限。

解決方案：多模態融合與動態建模

針對上述痛點，研究團隊遵循“需求驅動—技術賦能—臨床驗證”的設計原則，構建了覆蓋四大核心功能模塊的智能化預警決策平臺。

多模態數據管理模塊是平臺的數據基石。它通過開發跨系統數據接口，對接HIS、LIS、PACS及可穿戴設備，實現生命體征、實驗室指標、影像資料和動態監測數據的實時采集與標準化整合。同時利用自然語言處理（NLP）技術提取電子病歷中的非結構化信息（如“三凹征陽性”“喘息加重”），將其轉換為標準化標簽（如“呼吸窘迫”），最終輸出涵蓋患者基本信息、靜態指標和時序動態指標的多模態數據集。

智能預警與決策支持模塊是平臺的核心算法中樞。團隊采用“卷積神經網絡（CNN）+長短期記憶網絡（LSTM）+Transformer”的混合架構融合多模態特征，并基于融合特征訓練輕量級梯度提升機（LightGBM）分類模型，實現了分鐘級的動態風險預測，突破傳統靜態評分系統平均滯后4~6小時的局限。平臺內置了《兒童社區獲得性肺炎管理指南（2024修訂）》和《兒童重癥肺炎臨床預警及早期決策專家共識》等權威知識庫，可結合患者的風險預測結果和個體特征（年齡、基礎疾病），自動推薦個性化干預方案。

交互界面優化模塊采用以用戶為中心的設計原則，左側面板展示患者基本信息，右側集成重癥動態指標趨勢圖、紅黃綠三色分級預警等級，關鍵異常指標自動標紅，底部嵌入“診療建議”標簽頁，支持一鍵導入電子病歷信息，操作流程大幅簡化。

智能提醒與協同模塊則通過多渠道信息觸達與遠程協作，支持實時共享患者數據、預警報告及影像資料，確保預警信息的時效性與臨床干預的連貫性，會診記錄可自動歸檔至患者電子病歷。

成效驗證：7個指標預測重癥，AUC達0.899

研究團隊納入了2019年11月至2023年12月期間在上海市兒童醫院確診為肺炎支原體肺炎的2381例患兒臨床數據，采用邏輯回歸算法構建重癥肺炎支原體肺炎（SMPP）預測模型。通過嚴格的數據篩選和特征工程，最終篩選出7個核心預測因子：發熱天數、乳酸脫氫酶（LDH）、白蛋白（ALB）、肌酸激酶同工酶（CK-MB）、中性粒細胞百分比、白細胞計數（WBC）和D-二聚體。

模型對這些指標分別賦予了不同的賦值規則，例如發熱天數>4天計為1分，LDH根據水平高低分三級賦分（<110 U/L計1分，110~290計2分，≥290計3分），ALB同樣三級賦分，中性粒細胞百分比和WBC計數也按水平分三級賦分，而CK-MB>25 U/L和D-二聚體>0.55 mg/L FEU則分別計為1分（見表1）。

經ROC曲線分析評估，該模型在驗證集上的曲線下面積（AUC）達到0.899（95%CI 0.861~0.937），靈敏度為0.827，特異度為0.861，準確度為0.838，精確度高達0.932（見圖1）。

圖1：兒童重癥肺炎預警模型預測肺炎患兒進展

重癥的ＲＯＣ曲線

這一結果表明，僅依靠7個常規臨床檢驗指標，模型就能以較高精度預測肺炎患兒進展為重癥的風險，且這些指標均為基層醫療機構可以開展的常規檢查項目，具有極佳的普適性和成本效益。

總結：從單中心到全國，從醫院到家庭

目前，該預警決策平臺已作為軟件系統嵌入上海市兒童醫院全院住院醫師工作站，并在其兒科醫療聯合體內多家醫院推廣應用。臨床實踐中，平臺通過對多模態數據中蘊含信息的實時分析，對患兒是否可能發展為重癥肺炎進行風險評估，并將結果以概率化形式直觀呈現給臨床醫師，輔助其做出更及時、更精準的診療決策。

當然，平臺仍面臨一些待優化的問題。當前數據庫以東部地區患兒為主（占比78%），對西部地區、少數民族及特殊體質（如早產兒、先天性心臟病）患兒的覆蓋不足；對腺病毒、鼻病毒等罕見病原體的預警能力因樣本量少（僅占8%）而受限；部分基層醫師對智能系統存在“經驗依賴”，傾向于“先看自己判斷，再參考平臺結果”，需要加強培訓以建立信任；對重癥患兒遠期預后（如肺功能恢復、再住院率）的驗證評估也有待完善。

未來，研究團隊計劃從多個方向持續拓展平臺功能：引入基因組學數據（如TLR4、IL-6R基因多態性），構建“多組學+多模態”融合模型；探索大語言模型在電子病歷分析中的應用；開發“家庭監測版”，通過可穿戴設備采集夜間血氧、活動量等居家數據，實現“醫院—家庭”全場景預警；與區域醫療云平臺對接，實現“市—縣—鄉”三級醫療機構預警數據共享；聯合行業學會制訂臨床應用指南，推動平臺納入國家兒童健康醫療大數據應用試點。

兒童重癥肺炎的早期識別和及時干預，關乎每一個孩子的生命安全和遠期健康。上海市兒童醫院團隊研發的這套預警決策平臺，通過多模態數據融合與人工智能技術的創新結合，為破解“識別難、干預晚、基層能力不足”這一臨床難題提供了切實可行的技術路徑，也為兒科重癥領域的數字化轉型樹立了標桿。未來，隨著平臺的持續優化和推廣，它有望讓更多孩子免于重癥肺炎的威脅，真正實現“早發現、早診斷、早治療、早管理”的兒科專病全周期管理目標。

參考文獻：

[1].朱思宇，曾澤宇，董曉艷. 基于多模態數據的兒童重癥肺炎預警決策平臺的構建與應用[J]. 上海醫學， 2025， 48（7）：445-449. DOI：10.19842/j.cnki.issn.0253-9934.2025.07.010

《上海醫學》雜志創刊于1978年，是由上海市衛生健康委員會主管、上海市醫學會主辦、國內外公開發行的醫藥衛生類綜合性學術刊物。為中國科技核心期刊（中國科技論文統計源期刊）、中國科技期刊卓越行動計劃（二期）集群化試點項目、中國科協高質量科技期刊分級目錄臨床醫學領域入選期刊、《復旦大學學位與研究生教育國內期刊指導目錄》A類期刊、CACJ中國應用型核心期刊、中國科學評價研究中心（RCCSE）來源期刊、中國生物醫學文獻數據庫（CBM）來源期刊、美國化學文摘（CA）來源期刊、日本科學技術振興機構數據庫（JST）來源期刊、中國學術期刊網絡出版總庫全文收錄期刊、中國學術期刊數據庫全文收錄期刊、中文科技期刊數據庫全文收錄期刊。獲評華東地區優秀期刊及優秀欄目。

本刊設有院士論壇、共識與指南、述評、專家筆談、創新論壇、青年學術論壇、專題研究、臨床研究、論著、短篇論著、衛生管理、MDT病例討論、病例報告、綜述、會議紀要等欄目，介紹上海醫學科技獎獲獎項目。雜志每年開設各重點學科的專輯或專題，并舉辦“春蕾杯”年度優秀科研論文和優秀病例報告評比活動，遴選青年才俊擔任審稿人并培養為青年編委。本刊對于具有較高創新水平和科學價值、聚焦于國家重大戰略的稿件，開設綠色通道，可予以優先發表。歡迎您訂閱與投稿。

官方網站：http://www.smasmj.com

編輯部地址：上海市北京西路1623號 郵政編碼：200040

聯系電話：021-62178606；官方郵箱：smasmj@shsma.org.cn

加入我們吧！

責任編輯：葉子

*"醫學界"力求所發表內容專業、可靠，但不對內容的準確性做出承諾；請相關各方在采用或以此作為決策依據時另行核查。