专辑 | 数字化技术与间质性肺病的未来
《柳叶刀-呼吸病学》（The Lancet Respiratory Medicine）和《柳叶刀-数字医疗》（The Lancet Digital Health）共同发表专辑——数字化技术与间质性肺病的未来（Digital technology and the future of interstitial lung diseases）。该专辑包括两篇文章，第一篇文章概述了间质性肺病家庭监测的经验，阐述了疾病护理和研究面临的挑战和局限性，并对未来进行了展望；第二篇文章概述了机器学习、图像分析和放射组学如何应用于疑似或确诊间质性肺病患者的研究。识别文中二维码或点击文末“阅读原文”，查看论文原文。
间质性肺病（interstitial lung diseases，ILD）患者群体的有效管理面临着挑战，数字化医疗为此带来了巨大的机遇。
ILD的家庭监测可以改善专科护理的可及性，减轻医疗保健体系的负担，改善患者的生活质量，识别疾病恶化程度，指导治疗决策，并简化临床试验。在第一篇专辑文章中，Marlies Wijsenbeek及其同事概述了ILD家庭监测的经验，阐述了疾病护理和研究面临的挑战和局限性，并对未来进行了展望。
计算能力的提高促进了放射图像分析的快速发展，包括借助机器学习来开发更精确的ILD数字生物标志物。在第二篇专辑文章中，Hayley Barnes及其同事概述了机器学习、图像分析和放射组学如何应用于疑似或确诊ILD患者的研究。
间质性肺病的家庭监护
智能手机和互联网的广泛使用使得自我监测和更多的混合护理模式成为可能。新冠肺炎疫情进一步加快了远程监测的应用，包括对于ILD患者群体的监测。ILD的家庭监测有可能改善专科护理的可及性，减轻医疗保健体系的负担，改善患者的生活质量，识别急性和慢性疾病恶化程度，指导治疗决策，并简化临床试验。家用肺活量计已用于ILD多年，并且也有针对使用其他器械（如脉搏血氧仪、活动跟踪器和咳嗽监测器）的研究。与此同时，包括技术、分析和实施问题在内的挑战也一一浮现。在这篇专辑文章中，我们概述了ILD家庭监测的经验，解决了疾病护理和研究面临的挑战和局限性，并对未来进行了展望。
放射学中的机器学习：间质性肺病的新前沿
有效管理ILD面临的挑战包括疾病的早期发现、基线数据准确预测以及对治疗精准的反应。本研究旨在描述ILD诊断和预后方面的临床和研究差距，以及如何将机器学习应用于图像生物标志物的研究从而弥补这些差距。机器学习算法可以识别高危人群中的ILD，预测肺纤维化程度，将放射学异常与肺功能下降相关联，并可用作治疗试验的终点，这些例子说明了如何将机器学习用于ILD患者的护理。图像处理和分析的进步提供了更多使用机器学习的机会，机器学习能将基于深度学习的图像分析和放射组学相结合。开发最佳算法需要协作性和一致性，应根据疾病结局的适当预测因素来验证候选的放射学生物标志物。
*中文翻译仅供参考，一切以英文原文为准。
相关阅读
推荐阅读
点击阅读原文，查看论文原文