特应性皮炎是一种常见的慢性炎症性皮肤病，约有20%的儿童和10%的成人受到影响。最近，计算模型和数据驱动的分析方法已经成为AD研究的强大新方法，特别是为了阐明其复杂的病理生理学，病人对治疗的反应或亚型。

大数据已经彻底改变了我们研究疾病的方式。大型和多样化的医学数据集的可用性增加，有利于采用现代计算方法，这些方法可以整合和审视大量的数据，并提取隐藏的模式和关联。数据驱动的研究有三种主要的分析方法或学科：多变量统计(MS)、贝叶斯统计(BS)和机器学习及其他人工智能方法(ML&AI)。多变量统计包括分析具有多个独立和/或因果变量的数据集的方法，这是生物医学数据集的一个关键特征，从而使多变量统计成为一种流行和强大的方法。

人工智能是一个关注建立能够模仿人类智能的系统的领域，而ML是人工智能的一个子领域。最后，BS允许我们将先验知识和观察到的数据结合起来，与仅基于观察到的数据进行分析的频繁主义方法形成对比，并且是一种有潜力的开发预测模型和利用临床数据的方法。这种数据驱动的方法已被应用于确定生物标志物，以诊断疾病和确定治疗目标深度神经网络已被开发用于帮助检测和诊断皮肤癌、乳腺癌、和前列腺癌。

方法：我们从SCOPUS数据库中检索了过去50年里将多元统计(MS)、人工智能(AI，包括机器学习-ML)和贝叶斯统计(BS)应用于AD和湿疹研究的出版物。我们进行了文献计量学分析，以突出该领域的出版趋势和概念性知识结构，并应用主题建模来检索文献中的关键主题。

结果：我们确定了关于AD和湿疹的数据驱动研究的五个关键主题。(1)过敏性合并症，(2)图像分析和分类，(3)分类，(4)生活质量和治疗反应，以及(5)风险因素和流行率。ML&AI方法适用于调查AD/eczema的生活质量、流行率、风险因素、过敏性共病和分类的研究，但很少用于治疗的研究。MS在各主题之间平均使用，特别是在关于风险因素和流行率的研究中。BS主要集中在三个关键主题：治疗、风险因素和过敏。AD或湿疹术语的使用并不统一，采用ML&AI方法的研究更经常使用湿疹一词。在MS中，使用聚类和因子分析的论文往往只用AD一词来识别。相反，那些使用逻辑回归和潜伏类/过渡模型的论文是 "湿疹 "论文。

结论：可以从数据驱动方法的应用中获益的研究领域包括研究病情的发病机制和相关风险因素，将其分解为有效的亚型，以及个性化的严重程度管理和预后。我们强调BS是AD和湿疹研究中一种新的和有前途的方法。

文献来源：DuverdierA,CustovicA,TanakaRJ,Data-driven research on eczema: Systematic characterization of the field and recommendations for the future.Clin Transl Allergy2022 Jun;12(6)