近日，雷杰斯特里弗研究所研究团队在《科学报告》期刊发表试点随机临床试验结果，证实机器学习技术可显著提升儿童持续哮喘风险的早期评估精度。该研究针对名为“被动数字标记物”的临床决策辅助工具。面对儿童喘息等症状的预后不确定性，传统临床评估往往面临挑战。该工具无需额外问卷或检测，直接挖掘电子健康档案中已记录的呼吸系统症状、过敏史、用药记录及家族史等数据，通过算法自动将患儿划分为高或低风险等级。在标准化病例测试中，使用辅助工具的儿科医生预测准确率攀升至百分之八十三，远高于仅依赖传统评估的百分之六十一，主要得益于对最终确诊持续哮喘患儿的高灵敏度识别。研究负责人强调，该系统定位为临床决策辅助，旨在快速整合多年病史，为医师提供量化参考而非取代专业判断。尽管试点数据表现优异，鉴于当前测试基于标准化虚拟病例，该工具在真实诊疗场景中的预后改善效果及广泛适用性仍需后续前瞻性研究进一步验证。