2024年9月7日至9月11日，2024年欧洲呼吸学会（ERS 2024）年会在奥地利维也纳盛大召开，超过万名来自全球各地的呼吸及相关领域医学专家参与本次学术盛会，共同分享与探讨全球范围内呼吸领域前沿研究。慢性阻塞性肺疾病（以下简称慢阻肺病）是常见的慢性呼吸系统疾病，慢阻肺病急性加重是患者死亡与疾病进展的主要诱因[1]，在本次会议上针对慢阻肺病及慢阻肺病急性加重的早期识别、诊断与评估有多项结果公布。现小编撷取重点，与君共享。
尽早诊断慢阻肺病，并对其严重程度进行正确地分级与评估有助于制定合适的个体化治疗策略，改善患者预后。
慢阻肺病与哮喘既有共性，又有区别，临床上常需对两者进行鉴别诊断。本次会议上一项系统评价评估了临时呼气峰流量（PF）值诊断哮喘的准确性，共纳入12项研究，其中5项与职业性哮喘（OA）相关。结果显示，所有研究中PF诊断哮喘的敏感性中位数为0.54（范围：0.1~0.87），特异性中位数为0.83（范围：0.32~1），在OA研究中分别为0.6（范围：0.5~0.87）和0.83（范围：0.32~0.91），在非OA研究中分别为0.43（范围：0.1~0.69）和0.83（范围：0.70~1）。该研究认为PF可作为初级保健和低医疗资源环境中的一种实用选择，重复测量PF的诊断价值值得进一步开展高质量研究进行评估[2]。
无论慢阻肺病或哮喘，进行性小气道疾病（SAD）均为其特点之一，可导致小气道阻力增加和气体潴留。本次会议上一项来自英国的研究比较了最大呼气流量（FEF）25%-75%和其他参数对于SAD的评估能力，其中AFV%用于评估流量-容积曲线（FVL）的大小，Ao%AR用于评估FVL的形状，AFVQ3+Q4%（第三和第四个四分位区域）和Vf0.1- 0.5%FVC（0.5-0.1 L/s之间的呼出体积）用于评估FVL的中间和末端区域。结果显示，除Vf0.1-0.5%FVC与小气道阻力呈弱相关外，其他所有参数均与小气道阻力中度相关；所有参数均与气体潴留有良好的相关性；R5-R20与RV/TLC相关（rho=0.38，P <0.05）。该研究认为AFV%和Ao%AR在评估小气道阻力和气体潴留方面表现最好，可能具备评估SAD的潜力[3]。
一项来自瑞典的研究评估了现实生活中慢阻肺病患者队列中SAD与症状的关系。该研究共纳入60例GOLD Ⅱ~Ⅳ级的患者。根据脉冲振荡（IOS）检测结果，整体患者中83.3 %患有SAD，所有GOLD Ⅳ期患者均患有SAD，R5-R20与电抗面积（AX）这两种SAD评估参数随着症状评分的增加而增加。该研究提示SAD可用于慢阻肺病所有疾病分期，在GOLD Ⅳ期最常见，SAD在严重慢阻肺病的临床病理中起重要作用[4]。
在慢阻肺病患者病情评估方面，除上述客观指标外，临床上还常采用慢阻肺病评估测试（CAT）问卷衡量患者健康损害状况。本次大会上我国学者对CAT进行了因子分析，并评估了减少CAT项目和特定领域的应用价值。该研究共纳入分析了1696例慢阻肺病患者的CAT数据，结果显示，删减第3、7、8项后的CAT-5与圣乔治呼吸问卷（SGRQ）总分的相关性与CAT-8一样强。据此，该研究认为CAT可减少到5个项目，主要在咳嗽咳痰、活动性这2个领域得分[5]。
今年ERS以“Humans and machines: getting the balance right ”为会议主题，部分研究探讨了人工智能（AI）对呼吸医学产生的影响。一项来自瑞典的横断面研究开发深度学习模型评估了5项数字移动结果（DMOs）（节奏、步幅时间、步长、步行速度、单次支持时间）在检测慢阻肺病严重程度方面的能力。该研究纳入17名患者，结果显示该模型在进行GOLD分级和预测FEV1%预计值方面具备良好性能[6]。
除人工智能外，另一项横断面研究探讨了呼气流量峰值（PEF）和吸气流量峰值（PIF）比值与慢阻肺病患者气道阻塞、生活质量和急性加重频率的相关性。研究共纳入58名患者，结果显示，PIF/PEF比值与FEV1/FVC比值（r=-0.41；P<0.0001）、FEV1（r=-0.51；P< 0.0001）和急性加重频率（r=0.45；P<0.0001）相关，与CAT评分之间无显著相关性。该研究认为PIF/PEF比值可作为慢阻肺病严重程度的肺活量测定指标[7]。
慢阻肺病急性加重与患者的健康状况、生活质量下降、劳动力丧失、肺功能减退、医疗支出增加、死亡风险提高密切相关。慢阻肺病治疗的主要目标之一是减少和预防急性加重，因此，预测、识别与评估慢阻肺病急性加重非常重要[1]。
一项来自西班牙的观察性研究纳入50例患者，通过CAT问卷将患者区分为三种急性加重模式，第一种是以咳嗽咳痰为主的患者，第二种是以呼吸困难和活动受限为主的患者，第三种是以睡眠质量和精力较差为主的患者。这或许有助于指导开展患者的个体化治疗[8]。我国一项多组学荟萃研究分析了频繁加重和不频繁加重这两种类型慢阻肺病急性加重患者的下呼吸道（LRT）微生物组特征。该分析共纳入5个LRT微生物组16S rRNA数据集，结果显示两类患者在7个属上存在显著差异，存在1214个差异表达基因；多组学分析表明有48个属对13种代谢物有显著贡献，并与16个宿主基因相关，最终建立了包含68个微生物组-代谢物-基因相互作用的网络。该研究结果可能为慢阻肺病频繁急性加重表型的发病机制提供新见解[9]。
本次ERS大会上还有多项研究从不同角度评估了不同措施对于慢阻肺病急性加重的预测能力。在科技辅助与人工智能方面，有研究显示可通过连续呼吸频率与人工测量呼吸频率之间的平均差异早期识别呼吸急促事件[10]，此外人工智能训练的预测模型可从出现呼吸衰竭和处方特征方面给出见解供临床医生参考，或在患者居家时识别急性加重，或通过纵向识别患者语音变化来捕捉早期急性加重迹象[11-13]；在通过症状、检查与检验指标的预测急性加重方面，多项研究显示慢性肺疾病急性加重工具（EXACT）日记，通过共病、呼吸困难、年龄、FEV1和体重指数（BMI）区分临床表型，IOS检测参数以及胸部超声都具备良好的评估潜力[14-17]，可帮助临床医生及时、准确地进行临床决策，具体见下表。
慢阻肺病通常与心血管疾病、胃食管反流疾病、骨质疏松和抑郁等疾病共同存在，慢阻肺病共病的有效评估有助于临床医护人员了解患者疾病的严重程度，为制定最佳治疗方案与护理措施提供依据。疾病累积评分表（CIRS量表）常用于评估患者的共病负担，一项来自意大利的研究基于CIRS创建了慢阻肺病多维评估（MAC）量表，结果显示，MAC评分对52周内中度或重度慢阻肺病急性加重的综合反应的预测性能较高，AUC达到0.812（95%CI：0.731-0.892），相比DOSE指数、CODEX指数，Charlson共病指数和COMCOLD指数更高[18]。
该团队还评估了MAC评分在120名65岁及以上、急性加重高风险慢阻肺病患者中的应用情况。结果显示，在预测12周发生中至重度急性加重（AUC=0.746，95%CI：0.642-0.850）、预测52周发生中至重度急性加重（AUC=0.800，95%CI：0.723-0.877）以及预测52周发生重度急性加重（AUC=0.750，95%CI：0.660-0.840）方面，MAC评分均具有较高效能，该研究认为MAC评分能够显著提高对慢阻肺病患者中短期预后的预测性能[19]。
本次ERS大会上公布了多项有关慢阻肺病诊断及严重程度分级、慢阻肺病急性加重预测、预后预测的相关研究，从检查结果、量表、患者报告等方面探讨了不同措施在综合评估慢阻肺病患者病情方面的价值，最终将有助于指导临床上慢阻肺病及急性加重患者的规范化治疗、后续访视和预防未来的急性加重，期待其对慢阻肺诊疗及临床研究方向能够带来新的思考和展望。
小调研
[1]慢性阻塞性肺疾病急性加重诊治专家组. 慢性阻塞性肺疾病急性加重诊治中国专家共识(2023年修订版)[J]. 国际呼吸杂志, 2023,43(2):132-149.
[2] P. Devani, et al. Diagnostic accuracy of ad-hoc peak expiratory flow rate measurements (PFs): a systematic review.ERS 2024.
[3] J. Dean, et al. Novel spirometric parameters and small airway disease in COPD.ERS 2024.
[4] N. Lazarinis, et al. Assessment of small airway dysfunction and symptoms in COPD.ERS 2024.
[5] J. Qu, et al. Exploration of specific domains within the COPD assessment test (CAT).ERS 2024.
[6] D. Megaritis, et al. Predicting Disease Severity using Novel Digital Mobility Outcomes: A Deep Learning Approach in COPD Patients.ERS 2024.
[7] S. Jamli, et al. PIF/PEF Ratio: ANovel Marker for COPD Severity.ERS 2024.
[8] Z. Ji, et al. Identification worsening patterns in the CAT Questionnaire during a severe exacerbation of COPD.ERS 2024.
[9] H. Jiang, et al. Lower respiratory tract microbiome modulating exacerbation risks in COPD patients : a multi-omics meta-analysis.ERS 2024.
[10] S. Gonem, et al. Early detection of respiratory deterioration using continuous respiratory rate monitoring.ERS 2024.
[11] A. Taylor, et al. Acceptability, feasibility and utility of presenting live AI-based risk prediction models to a COPD MDT.ERS 2024.
[12] O. Tuna, et al. Predicting exacerbation state of COPD patients with voice analysis: findings of the TACTICAS study.ERS 2024.
[13] A. Rajhan, et al. Improving out of hospital care of management of COPD exacerbations using health technology (COPD Predict App) in a novel way to identify exacerbations.ERS 2024.
[14] D. Leitl, et al. Predictors of an acute COPD exacerbation (the PACE-trial) – preliminary results from the EXACT diary.ERS 2024.
[15] J. Ellingsen, et al. Clinical phenotypes predict exacerbations of COPD: the TIE cohort study.ERS 2024.
[16] D. Gruden, et al. Association of impulse oscillometry and spirometry with COPD exacerbations.ERS 2024.
[17] A. Hedhli, et al. Chest Ultrasonography in Chronic Obstructive Pulmonary Disease Across Stability and Exacerbation.ERS 2024.
[18] D. Di Raimondo, et al. Development of the Multidimensional Assessment in COPD (MAC) score for short- and medium-term prognosis in highly-complex COPD patients at high risk of acute exacerbation.ERS 2024.
[19] E. Pirera, et al. Development of Multidimensional Assessment in COPD (MAC) score for short-tomedium-term prognosis in elderly COPD patients at high-risk of acute exacerbation.ERS 2024.
本材料由阿斯利康提供，旨在满足您的医学信息需求，仅供医疗卫生专业人士参考，不用于推广目的。