基于机器学习与流行病学建模的韩国成人哮喘表型识别及其多因素关联分析

《BMC Pulmonary Medicine》：Machine learning-based identification of multifactorial asthma phenotypes in Korean adults: insights from the Korea National Health and Nutrition Examination Survey

　　摘要背景哮喘是一种受遗传、环境和生活方式因素影响的异质性呼吸道疾病。本研究旨在基于全国健康数据，利用融合机器学习与流行病学建模的多因素分析框架，识别韩国成年人中不同的哮喘表型。方法分析了第8次全国健康与营养检查调查（KNHANES VIII，2019年）中198,964名参与者（其中3,529名经医生诊断患有哮喘）的数据。运用聚类分析和机器学习算法（梯度提升和随机森林），基于临床、生活方式及营养变量（包括BMI、FEV?%、吸烟、压力水平和营养素摄入）对哮喘表型进行分类。计算了比值比（ORs），以确定人口统计学、环境和营养因素与各聚类内哮喘风险之间的关联。结果识别出四种不同的哮喘表型：(1) BMI较高，伴吸烟和较高特应性患病率；(2) 吸烟患病率较高，特应性患病率相对较低；(3) FEV?%较高，伴较高过敏患病率；(4) FEV?%较低，吸烟、特应性和过敏患病率均较低。机器学习模型在哮喘预测中达到了95%以上的准确率。高压力和城市居住与特定聚类中较高的哮喘风险相关，而n-3脂肪酸、硫胺素、维生素D和膳食纤维的关联在不同聚类间存在差异。结论本研究为韩国成人人群中哮喘的多因素异质性提供了证据，并强调了基于机器学习的表型分析在个性化哮喘管理中的潜力。整合临床、环境和营养因素有望改善精准呼吸医学中的针对性预防和治疗策略。