类风湿关节炎（RA）和脊柱关节炎（SpA）作为慢性炎症性疾病，严重影响患者生活质量，给全球医疗系统带来沉重负担。每年因治疗过程中试错成本，耗费高达 1620 亿美元。即便生物和靶向合成改善病情抗风湿药（DMARDs）已广泛应用，仍有 30 - 40% 的患者对一线治疗反应不佳，平均延误疾病控制 6 - 12 个月。这是因为疾病治疗反应受遗传、蛋白质组学和环境等多种因素复杂交互影响，传统统计方法难以剖析。

而人工智能（AI）技术的兴起，为攻克这一难题带来希望。AI 中的机器学习（ML）和深度学习（DL）能够挖掘临床、基因和影像数据中的复杂模式，为预测治疗反应提供新视角，有望实现个性化医疗，优化治疗决策，改善患者预后。不过，目前 AI 在该领域的研究存在方法多样、数据来源不同、应用差异大等问题，因此有必要对现有研究进行系统梳理。

本次研究采用范围综述（Scoping Review，ScR）方法，旨在全面梳理 AI 在预测 RA 和 SpA 治疗反应方面的应用现状。研究团队未预设研究问题，而是致力于梳理相关文献中的关键概念、主要来源和证据类型。

研究人员在 Medline、Embase 和 Cochrane 等数据库进行广泛检索，检索时间截至 2024 年 8 月，且无语言和发表时间限制。检索词围绕人工智能、机器学习、治疗反应、类风湿关节炎和脊柱关节炎四个主题展开，并根据不同数据库特点进行调整。同时，手动检索纳入文献的参考文献，以确保全面性。

研究采用 PICOt 框架确定纳入标准：纳入成年 RA、SpA 或银屑病关节炎（PsA）患者；运用 AI 或 ML 技术预测治疗反应；关注治疗反应的预测结果，包括但不限于缓解率、疾病活动评分和治疗持续性。排除未报告原创研究、无全文以及 ML 未用于治疗反应分析的文章。

一位研究者（TO）负责电子数据库检索和初步筛选，第二位作者（LC）对所有文章标题、摘要进行二次筛选，并对 10% 的全文进行核对，二者筛选结果一致性达 100%。数据提取使用标准化模板，采用叙述性综述合成方法。虽 ScR 通常不强制进行质量评价，但研究团队仍使用 PROBAST 量表对纳入文章质量进行分析。由于缺乏预设假设，本研究未进行荟萃分析。

通过检索策略，共检索到 4257 篇文章，去除 1489 篇重复文献后，最终纳入 89 篇研究。其中，回顾性观察研究 45 篇，前瞻性观察研究 36 篇，8 篇使用临床试验数据。

这些研究聚焦多种药物治疗 RA、SpA 和 PsA，重点探索传统合成 DMARDs（csDMARDs）、生物 DMARDs（bDMARDs）和靶向合成 DMARDs（tsDMARDs）治疗效果的预测因素。甲氨蝶呤（MTX）作为研究最多的 csDMARDs，其治疗反应预测因素常与基线临床特征、遗传标记和疾病活动评分相关。肿瘤坏死因子抑制剂（aTNF）的预测因素包括抗瓜氨酸化蛋白抗体（ACPA）血清阳性、基线 C 反应蛋白（CRP）水平等。针对白细胞介素的抑制剂（如靶向 IL - 6）、Janus 激酶抑制剂（JAKi）等药物，也分别发现了与生物标志物、影像数据、分子和遗传蛋白质组学因素相关的预测因素。

研究使用的数据丰富多样，涵盖临床信息（疾病活动评分、患者人口统计学和治疗史）、生物标志物数据（遗传、蛋白质组和转录组谱）以及影像数据（超声和 MRI 结果）。主要评估指标为治疗反应的预测因素，聚焦缓解率、治疗持续性和临床改善指标（如 DAS28^{28 关节疾病活动评分}、CDAI^{临床疾病活动指数}、BASDAI^{巴斯强直性脊柱炎疾病活动指数}）。

在机器学习技术应用方面，监督学习方法应用最为广泛，如回归模型、随机森林（RF）、支持向量机（SVM）和梯度提升算法（XGBoost、AdaBoost），常用于预测缓解、治疗持续性或无反应。神经网络（包括深度学习模型）用于处理复杂数据集，如影像或多组学数据。无监督学习方法（如 UMAP^{统一流形近似和投影}和层次聚类）用于发现传统分析难以揭示的患者亚组或模式。此外，一些研究还使用 LASSO^{最小绝对收缩和选择算子}进行特征选择、Shapley Additive Explanations（SHAP）增强模型可解释性、贝叶斯框架进行概率预测。为提升复杂模型的临床相关性，可解释 AI（XAI）技术（如 SHAP 和部分依赖图）应用越来越多。研究还对模型验证情况进行分析，多数研究进行了内部验证，但外部验证及标准化仍有待加强。

本次范围综述全面展示了 AI 在预测 RA 和 SpA 治疗反应方面的应用现状，研究成果具有重要意义。多组学数据和先进影像技术在 AI 模型中的应用逐渐增多，如 Tao 等人研究表明，整合多组学数据和临床信息可显著提高 RA 患者治疗反应的预测准确性，体现了 AI 在处理复杂数据、挖掘潜在信息方面的强大能力。

然而，目前研究也存在诸多局限性。首先，研究设计、AI 方法和结果测量的异质性，导致不同研究间难以直接比较。其次，回顾性研究占比较大（89 篇中有 46 篇），未来需要更多前瞻性研究在临床环境中对 AI 模型进行验证。此外，与 RA 相比，针对 SpA 和 PsA 的研究较少，存在研究空白。

展望未来，为充分发挥 AI 在风湿领域的潜力，研究重点应放在知识整合上，确保 AI 生成的见解能有效融入临床决策。具体措施包括标准化数据收集和模型验证，以实现不同研究间的可比性，便于进行荟萃分析；开发可解释的 AI 模型，增强透明度，赢得临床医生信任；开展前瞻性、多中心研究，纳入多样化患者群体，提高模型的泛化能力和外部有效性；整合多组学数据、真实世界证据和患者报告结局，优化预测模型。同时，风湿科医生、数据科学家和监管机构需加强跨学科合作，制定临床实施指南，并将 AI 工具融入电子健康记录和临床工作流程，实现患者管理的实时应用。

尽管目前 AI 在预测 RA 和 SpA 治疗反应的研究中存在挑战，但前景广阔。AI 与药物基因组学结合，为个性化医疗开辟了新途径，如在预测患者对 MTX 等特定 RA 治疗反应的研究中已初见成效。随着研究不断深入，AI 有望实现更精准、有效和个性化的治疗，为患者带来更好的预后。

在科技飞速发展的当下，风湿领域正站在技术革命的前沿。合理整合 AI 技术，有望突破传统治疗困境，为 RA 和 SpA 患者带来更优质的医疗服务，开启风湿疾病治疗的新篇章。