机器学习结合BMI与肺通气参数检测肥胖相关弥散功能障碍的呼吸变化：一项诊断价值研究

本研究通过机器学习(ML)算法整合BMI与肺通气参数（FVC、FEV1/FVC、VC等），首次揭示BMI与一氧化碳弥散量(DLco)的阶段性关联（18.5-40 kg/m2呈三次方关系，≥40 kg/m2线性负相关），并构建随机森林(RF)模型实现DA（弥散异常）的高效筛查（AUC=0.983）。该成果为肥胖合并呼吸疾病早期诊断提供无创工具，尤其适用于基层医疗场景。

　　

研究背景与意义
肥胖已成为全球公共卫生危机，每年导致超280万人死亡。随着BMI升高，脂肪分布会限制胸廓运动并引发炎症因子升高，最终导致限制性通气功能障碍。更棘手的是，肥胖常与慢性阻塞性肺病(COPD)、间质性肺异常(ILA)等呼吸疾病共存，这些疾病同样会引起弥散功能下降。然而，现行金标准——单次呼吸法DL_co检测存在设备依赖性强、操作复杂等局限，使得早期筛查困难重重。

四川大学华西医院呼吸与危重症医学科团队注意到，便携式肺功能仪虽能获取通气参数，却无法直接评估弥散功能。为此，他们创新性地将机器学习(ML)与常规检测指标结合，试图破解这一临床难题。

关键技术方法
研究回顾性分析2021-2024年440例接受肺功能检测的成人数据（287例弥散正常DN，153例异常DA），采用分段回归分析BMI与DL_co关系，并比较5种ML算法（随机森林RF、支持向量机SVM等）的诊断效能。通过SelectKBest等特征选择策略筛选关键参数，结合SHAP值解析特征贡献度。

研究结果

BMI与DL_co的阶段性关联

发现BMI在18.5-40 kg/m²区间与DL_co呈三次方关系（R²=0.498），可能源于肥胖初期肺血容量增加；但当BMI≥40 kg/m²时转为线性负相关（r=-0.253），提示极重度肥胖会导致肺泡-毛细血管屏障损伤。

机器学习模型性能

RF模型以0.983的AUC显著优于其他算法（P<0.01），其特异性达0.986。特征选择确定BMI、FEV₁/FVC、VC为核心参数，与SHAP分析结果一致——BMI的贡献度最高，其次反映小气道功能的MMEF（最大中期呼气流量）和通气效率的FEV₁/FVC。

讨论与展望
该研究首次阐明BMI与DL_co的非线性关系，证实ML模型仅需BMI+3项通气参数即可实现DA精准筛查。对于BMI≥40 kg/m²人群，DL_co下降可能提示需排查ILA/COPD等合并症；而便携设备的应用场景拓展，将助力基层医院实现呼吸疾病阶梯化筛查。未来需通过多中心研究验证模型泛化能力，并探索减重干预对弥散功能的改善效果。

（注：全文数据均来自原文，未出现文献标识符；专业术语如DL_co首次出现时已标注英文全称；作者单位"West China Hospital"按要求写作"四川大学华西医院"）