ARDS的早期识别：AI如何兼顾敏感性和特异性

作者：胡国栋

单位：东莞市人民医院呼吸与危重症医学科

1. ARDS定义及其影响

2012年欧洲危重病医学会（ESICM）在美国胸科学（ATS）和重症医学会（SCCM）的支持之下，提出了ARDS的柏林定义（轻度、中度、重度），强调低氧血症（PaO₂/FiO₂≤300 mmHg）、双肺浸润影非完全由心衰引起、症状在1周内急性出现等，ARDS的早期识别需结合临床病史和影像学。

2024年最新版ARDS柏林定义进行了内容更新，其中关键调整为：将脉搏血氧测量所得的SpO₂/FiO₂≤315且SpO₂≤97%作为PaO₂/FiO₂的替代指标。这一更新基于该指标已在临床广泛应用并验证，能更敏感、精准地助力ARDS早期诊断，契合定义更新以优化疾病识别的核心出发点。同时，在评估手段方面，除了传统胸片和CT外，若操作者熟练掌握，重症超声也可通过识别双侧肺通气减少（多发性B线和/或实变）参与评估，构建起多元互补的早期ARDS发现路径，适配不同临床场景下的诊断需求。

2. ARDS在临床诊疗中的两大痛点

研究表明，ICU中ARDS患者总体死亡率约达43%，且随疾病严重程度加深，ICU生存率与医院生存率均呈下降趋势。ARDS高发病、高致死的态势主要源于两大核心困境：其一，疾病识别滞后。ARDS病因繁杂、症状隐匿，早期诊断与精准识别难度大，漏诊风险高，特别是合并重症感染时，影像学呈现的肺部模糊影，难以及时区分是病毒感染灶还是ARDS病理改变，延误干预时机。其二，治疗响应差异显著。ARDS异质性强、病情进展迅猛，且缺乏普适性的高效治疗方案，不同地区及医疗机构之间的诊疗水平同质化程度低。基层医院受限于医生疾病识别能力等因素，这一问题更为突出。在这种诊疗困境下，AI凭借数据整合与模式识别优势，有望为ARDS的早期识别、病情评估及同质化诊疗提供关键指导，成为破解难题的重要方向。

2016年JAMA杂志发文揭示，临床医生对ARDS存在诊断不足问题，39.8%的ARDS患者遭遇误诊或漏诊。进一步研究显示，临床医生对不同严重程度ARDS的识别率呈梯度差异，对轻度ARDS识别率为51.3%（95%CI：47.5%～55.0%），重度ARDS识别率相对更高，达78.5%（95%CI：74.8%～81.8%），这一差异提示ARDS诊断常存在延迟现象。从发病进程看，迟发性ARDS患者虽发病时多器官功能紊乱程度与早发性患者相近，且初期氧合指数表现较好，但最终生存时间更短、死亡率更高。即便迟发性患者初始状态看似稳定，然而一旦病情发作，生存周期与预后结局均不容乐观。上述研究充分体现了早期识别ARDS的关键价值——及时精准识别，可有效阻断病情恶化链条，对延长患者生存时间、降低死亡率具有重要临床意义，为优化ARDS诊疗路径提供核心指引。

2025年Intensive Care Med Exp杂志发表的一项研究选取了一些变量进行聚类分析，这些变量包括呼气末正压（PEEP）、气道峰压、平台压、呼吸频率、分钟通气量、呼气末二氧化碳（EtCO₂）、二氧化碳生成量（VCO₂）、二氧化碳分压（PaCO₂）、氧分压（PaO₂）、氧合指数、驱动压、标准化潮气量、标准化机械功。呼吸系统静态顺应性和呼吸死腔（VD/VT）。高斯混合模型聚类方法确定了只有两个子表型提供了与观察数据的最佳拟合。这两个亚表型被命名为"高效型Efficent"和"限制型Restrictive"，以反映其基于通气效率和机械性能的主要特征。

ARDS具有明显的临床异质性，通过机器学习包括临床、通气力学和气体交换等变量，生成聚类和预测模型，可以对患者进行更准确的分层。国外的一项研究将ARDS患者分为两个聚类，基因型Efficient（n=172）与基因型Restrictive（n=52）相比，基因型Efficient具有更低的死亡率、更低的临床严重程度、更低的限制性模式和更好的气体交换，而基因型Restrictive则相反。模型的ROC曲线下面积为0.94，灵敏度为94.2%，特异度为87.5%，F1值为0.85。对表型区分度影响最大的变量是扩张压力、呼吸频率和呼出二氧化碳量。通过AI对异质性的分析具有优化ARDS患者个体化治疗选择和改善临床结局的潜力。

3. AI在ARDS诊疗各方面发挥作用

AI在医疗中的应用成为热点，其在医疗中的应用已从辅助诊断向全流程智能化发展。AI在肺部疾病中的应用更是涌现了大量研究。机器学习和AI对ARDS的诊疗涵盖了多方面，尤其在早期筛查、精准诊断、个性化治疗和健康管理方面展现出巨大潜力。

1. 多项数据来源的参数开发AI模型对ARDS的识别/诊断

在AI助力ARDS识别诊断的流程中，数据输入的准确性与全面性是模型有效运行的基石。如何确保输入数据精准且能完整反映患者真实状态。从数据来源看，构建以ARDS数据库、患者队列、临床医疗记录为基础，融合无创生理、快速呼吸分析、放射学报告及临床-放射混合数据的多模态数据集。这些数据需遵循标准化采集流程，统一生理参数监测设备与频率、规范呼吸分析算法、明确影像拍摄及阅片标注标准，确保不同来源数据在采集维度与精度上具备一致性。临床医生深度参与数据质控环节，同时通过医学逻辑规则筛选数据，确保输入模型的数据既契合算法要求，又贴合临床实际。经过全流程管控，输入AI的数据可以精准反映患者状态，支撑模型输出可靠的诊断辅助信息。

2. 基于无创生理参数识别ARDS的新方法

目前ARDS患者需要检测动脉血气，通过计算其动脉氧分压与吸入氧分数的比值（PaO₂/FiO₂）协助诊断ARDS。但对于没检测血气的患者，极易造成漏诊。因此，迫切需要建立一种基于患者无创生理参数估算PaO₂/FiO₂值以辅助诊断ARDS的模型。

2020年发表的一项研究通过对MIMIC-III数据库（公共重症监护室研究数据库）中的患者原始数据进行预处理，对数据集进行随机分组：75%的数据用于模型训练，剩余25%的数据用于模型测试，并将数据输入不同算法中进行对比实验，得到最终的结果。该研究纳入3万余例患者，并从中筛选出符合要求的患者8000余例。研究总结了训练集和测试集分类患者的生理参数分布情况，使用的无创生理参数包括：SpO₂、体温、心率、血压、GCS、呼吸频率、潮气量、平均气压、PEEP、FiO₂、S/F、OSI和人口统计学（年龄、性别、BMI）等。将多种参数特征输入到四种不同的算法中，通过交叉验证法检验算法识别ARDS的性能，发现随纳入参数种类的增多，算法的错码率下降，即算法借助生理参数诊断ARDS的准确率升高。将无创生理参数集输入到传统线性回归算法（Rice Linear Model ROC）中评估其诊断性能，并于四种机器算法对比，机器学习算法整体识别效果优于传统算法。

3. 基于新颖性检测和数据融合的ARDS早期预警模型

2018年有研究利用新颖性检测和数据融合对ARDS进行早期预警，研究提出将心率、呼吸频率、SpO₂和平均气道压这4项关键的生理信号输入通过新颖性检测算法中，新颖性算法通过定义参数的正常状态来分辨偏离的参数，生成单个信号决策，然后再运用线性和非线性数据融合算法结合各信号决策，对决策做出更细致的分类，根据融合结果判断是否需要发出警报——形成ARDS预警模型。最后利用MIMICII数据库验证该模型，检查此模型是否能完成ARDS早期检测。【新颖性算法指的是在仅接触正常数据或少量已知样本的情况下，建立正常模式的模型，进而检测出从未见过的、不符合常规模式的异常数据。数据融合是指将多源异构数据（如传感器数据、文本、图像、数据库记录等）通过技术手段整合处理，形成更完整、准确、可靠的信息，以支持决策或分析的过程】。采用新颖性检测算法，分别用核岭回归（KRR）的非线性融合、Perfomance性能融合、Simple error rate简单误差融合、WMV error rate错误率融合算法结合，处理新颖性算法所得的终决策，检验对应性能，发现KRR融合的特异性能够达到100%（后三者为线性融合）。所以，用三种不同的融合算法处理新颖性分析的决策，发现KRR融合算法，在决定是否发出预警的检测中特异性最高，所以后续采用KRR模型联合新颖性分析创建新预警模型。此外，新方法（新颖性检测+KRR融合）检测早期ARDS的性能优于现有方法，准确率升高达77.5%。

4. 呼吸机波形数据（VWD）开发机器学习模型进行早期ARDS筛查

2021年Crit Care Explor杂志发表的一项回顾性观察性队列研究利用VWD开发机器学习模型进行早期ARDS筛查，纳入的VWD包括吸气时间、呼气时间、呼气流量峰值、潮气量等。数据纳入的要求是符合ARDS标准后或机械通气开始后24小时内的患者，收集其至少1小时的VWD。将每个受试者的VWD分成连续的100次呼吸观察窗口。计算一个窗口内每次呼吸的生理特征，用中位数表示整个窗口。每个窗口被标记为ARDS或非ARDS，并标有受试者标识符。使用随机森林算法对呼吸波形窗口（长度为100次呼吸）传递的特征数据进行分类：分为非ARDS（蓝色）和ARDS（红色），从而建立成熟训练集。在患者水平上汇总分类窗口，以便根据任何给定时间段（例如24小时）输入到这个成熟的随机森林算法中，诊断ARDS和非ARDS窗口的百分比进行基于阈值的患者水平预测。结果显示：随机森林算法验证该机器学习模型使用前24小时和前6小时的波形数据区分ARDS和非ARDS病例上均有较好表现，准确性、敏感度较高（准确性达0.7+，敏感度达0.9），AUC分别为0.88和0.89，有助于早期筛查ARDS。

5. 半监督学习的机器学习模型预测ARDS

半监督学习（Semisupervised Deep Learning，SSL）的方式即通过Teacher- Pseudolabeled模型架构和迭代训练过程将未标记的数据变成“伪标记数据”进行学习（即SSL主要处理未标记的数据），从而逐步提升模型的性能。首先，通过SSL处理多个临床特征的时间序列数据，包括血氧饱和度、体温、心率、收缩压、舒张压、pH值、肌酐、呼吸频率等。然后，RNN模型接受处理后的SSL数据进行进一步的特征提取和权重分配。用与ARDS相关的所有标记数据All Data去预测ARDS，其在敏感度、特异度、精确率和召回率等指标上均优于其他方法，表示其分类性能最佳，SSL方法的性能次之。当RNN模型使用SSL技术结合未标记数据后，AUC-ROC从0.73提升到0.78，而使用All Data时达到0.84。这表明SSL在数据有限时能有效提升模型性能。

6. 机器模型学习胸部CT图像辨认ARDS优于人工判读

2024年EClinicalMedicine杂志发表的一项多中心队列研究收集患者CT图像和临床元数据，用3D Slicer（一个医学图像信息学、图像处理和三维可视化的综合开源平台）对CT图像进行分割分类，用于训练肺病变自动分割模型，并且将自动分割模型与UNETR构架相结合，形成性能更高的肺CT自动分割模型。然后对分割后的CT图像进行三维重建，以量化不同的肺病变，同时计算肺病变的CT参数，再将CT参数与患者临床信息和实验室检测数据进行了整合。最终建立7种不同机器算法的ARDS预测模型，将肺病变参数、临床数据输入模型中，检测预测性能。研究发现，ARDS预测模型中，结合肺CT病变与临床数据预测ARDS的模型比单纯使用肺CT病变预测ARDS的模型性能更高，且综合数据的极端梯度提升模型XGB模型表现最佳，内部、外部及前瞻性验证队列AUC分别为0.916、0.865、0.901和0.876。

7. 结合临床数据和胸片的ARDS人工智能辅助诊断模型

2022年Digit Health杂志发表的一项研究开发了结合临床数据和胸片的ARDS人工智能辅助诊断模型。研究通过X线胸片特征来训练ARDS的卷积神经网络（CNN）模型，使用极端梯度提升（XGBoost）、随机森林（RF）、线性回归（LR）三种算法处理临床数据从而预测ARDS的模型，将两种模型相结合用于预测ARDS。CNN先在ImageNet数据集上进行训练，用于对ImageNet中的图像进行分类。然后在ChestX-ray14数据集上继续训练，用于对15类胸部疾病相关的图像进行分类。最后在TCVGH医学图像数据集中验证并优化该模型，最终实现对ARDS的预测。结果显示：仅使用胸片数据预测ARDS—将图片信息输入到CNN模型中，以预测ARDS，最终验证的该模型的AUC为0.854。仅使用临床数据预测ARDS—将临床数据输入到3种不同的机器算法模型中，以预测ARDS，并验证3种模型的AUC分别为：XGB AUC-0.91、RF-AUC 0.91、LR-AUC 0.902。研究得出结论：结合临床数据和CXR图像的集成模型性能优于单一数据模型，有助于临床医生及时准确识别ARDS，减轻ICU医护人员负担，避免不必要的医疗错误，改善患者治疗结局，推动机器学习在危重症医学中的应用。

8. AI辅助分析电子病历数据可提高ARDS识别率

2025年Crit Care Med杂志发表的一项研究回顾性识别ARDS患者的检测模型的开发和外部验证。研究通过回顾性队列研究在3个低氧性呼吸衰竭患者队列中进行医生裁定以识别ARDS，并且训练机器学习模型，使用生命体征、呼吸支持、实验室数据、药物、胸部放射学报告和临床记录对ARDS进行分类。对最佳模型进行内外部验证，最终发现模型能准确识别不同机构的ARDS患者，可用于回顾性确定机械通气患者中ARDS的存在和发生时间。该研究结合放射学数据的电子病历-放射学模型（EHR-Radiology Model）在预测任务中比仅基于电子健康记录的模型表现更优，内部队列的受试者工作曲线下面积（AUROC）为0.90，外部队列的AUROC为0.88，内部队列准确率从56%升高为76%，外部队列准确率从75%升高为80%。所以，电子病历-放射学模型在不同医生对应的样本上表现出较好的区分能力，部分情况下模型性能优于重症监护医生，能更精确检测ARDS发病时间。

9. 医生与AI结合提高对ARDS的诊断准确率并且降低医生的工作量

有研究纳入了115例患者（急性缺氧性呼吸衰竭，定义为机械通气时PaO₂/FiO₂＜300 mmHg）的414张胸片。将对ARDS的诊断方式分为三种模式：a场景是临床医生先诊断，AI再诊断（AI辅助医生）；b场景是AI先诊断，临床医生辅助诊断（医生辅助AI）；c场景是AI和临床医生同时诊断（医生和AI平均评分）。选取至少6名医生分别用上述诊断方式单独审查胸片并给出诊断。结果发现：b和c场景的诊断效能最佳，且b场景医生只需为20%的胸片进行诊断，c场景医生则需要全部阅片。由此可见，临床中应用AI辅助，可以大大减少临床医生的工作量，并且能够提高诊断效能。

1. AI利用电子病历数据对ARDS进行危险分级

现有的ARDS预测模型需要手动提取图表，且性能有限，限制了其在驱动临床干预中的适用性。Zeiberg等试图开发一种用于ARDS预测的机器学习方法，利用电子健康记录数据，完全自动化地在患者整个住院期间的临床相关时间点应用。此算法使用患者的年龄、种族和性别作为基线特征，然后收集时间点的实验室值、生命体征和药物管理记录，从三级护理中心的电子健康记录中自动预测ARDS。其中最佳的模型可以达到56%的灵敏度和86%的特异度。此研究展示了一种临床数据利用的方法，仅从患者电子病历中的可用数据就对ARDS进行危险分层。

2. 使用机器学习算法对中国ICU患者ARDS严重程度的预测

2019年郑州大学第一附属医院孙同文教授等利用多中心前瞻性观察性队列研究中观察到的数据，使用常用的参数，如基线人口统计学、临床和实验室参数以及倾向条件，开发了用于预测ARDS严重程度的机器模型。该模型使用了11个关键预测因子，如最大和最小呼吸频率和心率、最小收缩压、平均动脉压、温度、白细胞计数、葡萄糖、红细胞压积和钠离子水平。所建立的模型具有83%的预测准确性和0.82的平均AUC，可以成功地预测ARDS患者的病情严重程度。

3. 基于连续无创参数来预测ARDS的发生率和严重程度的算法

2022年中国人民解放军总医院建立并评估了一种新的ARDS发病率和严重程度动态预测机器学习模型，主要基于普通监护仪和呼吸机的28个参数，来动态预测ARDS的发病率和严重程度。该研究纳入了来自159家医院的4738例需要ICU治疗的住院患者。模型通过电子病历的标准化数据进行训练，每小时记录28个结构化、连续的无创参数。开发了7个仅使用连续、非侵入性参数的机器学习模型用于动态预测，并与完全参数训练的方法和传统风险调整方法（即氧合饱和指数法）进行了比较。使用连续无创参数建立的ARDS发生率和严重程度预测模型的最优预测性能（AUC）分别达到了0.8691和0.7765。在轻度和重度ARDS预测方面，AUC均在0.85以上。由于连续的无创参数可以很容易地从普通监护仪和呼吸机中获得，因此该研究提出的方法友好且使用方便，有望应用于院前ARDS早期预警。

4. 集成学习的算法提高预测ARDS的严重程度的准确性

2019年杨鹏程等研究者利用MIMIC-Ⅳ数据库开发了一种基于集成学习的算法，结合神经网络、XGBoost等方法，通过无创生理参数（如血氧、呼吸频率）连续监测ARDS严重程度，AUC达0.923，优于单一模型。

5. 利用AI-CT评估和临床评分对入院患者进行ECMO治疗早期分层

2021年Diagnostics杂志发表的一项研究对比需要ECMO治疗和无需ECMO治疗的患者，评估临床预测参数和基于AI的CT成像特征预测ECMO治疗的诊断潜力。结果显示：接受ECMO治疗的患者在入院时的SOFA评分和肺部CT受累百分比均显著高于接受标准ICU治疗的患者，仅SOFA评分和入院CT成像结果与ECMO分配显著相关。并且ROC曲线显示，入院CT肺部受累和SOFA评分预测ECMO治疗的AUC分别为0.83和0.82，二者结合AUC达0.91。在区分接受标准ICU治疗和ECMO治疗的患者方面具有更高的准确性和区分能力。

6. AI可辅助ARDS的精准医疗

Zampieri FG等建立的模型旨在考察ARDS患者治疗效果的异质性。患者数据在经过分析后，分为三个聚类：聚类1由归因于肺炎的ARDS患者和随机使用血管活性药物的患者组成；聚类2由各种ARDS病因（包括肺炎）的患者组成，但未使用血管升压药；聚类3仅由正在使用血管升压药，但没有肺炎作为ARDS来源的患者组成。呼吸和生理变量的差异较小。结果表明：聚类1中患者病情严重程度更高，pH更低，PCO₂更高。在聚类1中，具有PEEP滴定的肺复张操作的患者具有较高的死亡率（危害概率>98%）。这种模型广泛适用于围手术期医学和危重症医学研究的精准医学方法可能有助于未来诊疗的精细化设计。

7. AI预测ARDS死亡率

Zhang等利用多中心RCT的数据，采用遗传算法对ARDS患者的死亡率进行预测，研究共纳入88个变量，包括人口统计学、入院资源、入院类型、实验室检查结果、生命体征、机械通气参数和研究期间的结局状态。采用前向选择和后向淘汰相结合的逐步逼近法建立了神经网络模型。研究显示：年龄、获得性免疫缺陷综合征、白血病、转移性肿瘤、肝衰竭、最低白蛋白、FiO₂是预测ARDS患者死亡的7个关键参数。并且研究观察到，在ARDS患者中，使用遗传算法的神经网络模型（AUC：0.821）比使用急性生理和慢性健康评估Ⅲ评分的传统评分系统（AUC：0.665）更好地预测死亡率。

8. AI对ARDS现有ARDS诊疗专家共识提出更好的建议

ARDS患者目前是以6 ml/kg PBW的潮气量进行通气，但实际使用的潮气量仍然存在变异性。2013年发表的一项研究旨在识别ARDS患者在潮气量和PEEP选择方面存在差异的患者情况，以确定医生在ARDS患者潮气量和PEEP选择上的差异性对ARDS结局的影响。当PEEP>5 cmH2O和SaO₂>90%时，PEEP的推荐变化变异性增加。在气道峰压和PEEP较高的情况下，医师对ARDS患者的管理存在差异，提示现阶段可能需要重新审视目前的6 ml/kg PBW目标。

2022年发表的《物联网辅助成人急性呼吸窘迫综合征诊治中国专家共识》推荐使用“ARDS智能辅助诊治程序”(ARapp)，该工具基于物联网技术，实时分析临床数据并生成诊断建议，同时支持多学科会诊，推动ARDS的同质化治疗。基于智能辅助ARDS诊治的5A法开发了微信ARapp 5A应用程序。扫描ARapp 5A二维码(向ARDS"云"管理中心申请通过审核后获得)后即可注册和获得授权，然后可通过其页面选择键与"云"实时在线交流互动，应用基于"云"平台上运行的应用程序辅助ARDS的同质化诊疗。

在ARDS诊疗领域，人工智能展现出巨大潜力。借由量化肺部病变参数、融合临床数据构建模型，能够提升预测性能，精准识别疾病亚表型，优化治疗策略。从减少误判漏诊、缩短干预时间，到助力个性化医疗、减轻医生负担，AI为ARDS的精准预防、治疗及医学研究提供了革命性工具。未来，随着技术迭代，AI有望持续突破，推动重症医学智能化升级，为攻克ARDS难题、改善患者预后奠定坚实基础，开启呼吸危重症诊疗的全新格局。

作者介绍

胡国栋 教授

南方医科大学附属第十医院 东莞市人民医院呼吸与危重症医学科，学科主任，主任医师，副教授，博士生导师，博士后合作导师；国家临床重点专科负责人；东莞市呼吸和重症医学研究所常务副所长，东莞市呼吸疾病基础研究临床转化重点实验室主任；中国医师学会呼吸医师分会危重症医学工作委员会委员，广东省医学会呼吸病学分会常委，东莞市医学会呼吸病学分会主任委员，广东省老年保健学会肺栓塞和深静脉血栓防治专委会主任委员，广东省慢性呼吸疾病防治专委会副主任委员，美国辛辛那提大学访问学者。