基于机器学习的中重度慢性阻塞性肺疾病患者出院后3个月非计划再入院风险预测模型开发与验证：一项回顾性队列研究

《International Journal of Chronic Obstructive Pulmonary Disease》：Development and Validation of a Machine Learning Model for Predicting Three-Month Unplanned Readmission in Patients with Moderate-to-Severe Chronic Obstructive Pulmonary Disease: A Retrospective Cohort Study

　　

摘要专业翻译 目的：中重度慢性阻塞性肺疾病（COPD）患者出院后3个月内非计划再入院风险较高，然而在临床实践中早期识别高风险患者仍具挑战性。本研究旨在开发并验证机器学习（ML）模型以预测该风险，并为后续预测工具的开发与更新提供参考。 方法：这项单中心回顾性队列研究纳入了天津市胸科医院（2023年1月至2026年1月）中重度COPD患者。受试者按70%训练集和30%验证集随机划分。采用最小绝对收缩和选择算子（LASSO）回归筛选候选预测因子用于模型开发。构建了六种模型：逻辑回归（LR）、支持向量机（SVM）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、反向传播神经网络（BPNN）和朴素贝叶斯（NB）。模型性能通过受试者工作特征曲线下面积（AUC）、敏感性（SEN）和特异性（SPE）评估。校准通过校准曲线评估，临床效用通过决策曲线分析（DCA）评估。 结果：共纳入299例中重度COPD患者，其中59例（20%）在出院后3个月内发生非计划再入院。比较六种ML模型后，XGBoost模型在验证队列中表现最佳，AUC为0.809（95% CI：0.690–0.927），SEN为0.750，SPE为0.826。SHapley Additive exPlanations（SHAP）分析将关键预测因子按重要性降序排列为：过去一年住院史、FEV1、冠心病史和吸烟史。 结论：XGBoost模型在内部验证中预测中重度COPD患者非计划再入院风险方面显示出良好性能。然而，鉴于样本量较小和单中心设计，应谨慎解读这些发现。未来研究应使用来自不同地理区域的前瞻性、多中心数据对模型进行外部验证和更新。

论文解读文章

一、研究背景与意义

慢性阻塞性肺疾病（COPD）是全球最常见的慢性呼吸系统疾病之一，以持续气流受限、反复急性加重和进行性病情恶化为特征。随着人口老龄化和环境危险因素持续存在，全球COPD负担预计将大幅增加，预计到2050年病例数将增长23.3%，累计全球经济负担接近40万亿美元。根据慢性阻塞性肺疾病全球倡议（GOLD）指南，吸入支气管扩张剂后第1秒用力呼气容积（FEV₁）/用力肺活量（FVC）比值<0.7为COPD诊断金标准，气流受限严重程度依据FEV₁占预计值百分比分为四个等级，GOLD 2–4级即代表中重度COPD。中重度COPD患者是临床管理的重点人群，因其不良结局和再入院风险更高。研究显示，较低的FEV₁水平与较差的运动耐量和气道防御能力相关，从而增加COPD再入院风险。此外，肺功能下降还与更高的死亡风险相关，GOLD 2级人群死亡风险比（HR）为2.1（95% CI，1.7–2.6），更高级别HR可达4.2（95% CI，2.7–6.5）。

中重度COPD患者在急性加重期常出现快速临床恶化，频繁需要住院治疗，重症患者可能需要通气支持，并可进展为呼吸衰竭、意识障碍或重症监护室（ICU）入住。研究表明，与轻度COPD患者相比，中重度COPD人群住院时间更长、急性加重期间死亡率更高。每次急性加重都会加速肺功能下降，部分患者即使在事件发生八周后仍无法恢复基线肺功能。急性加重还增加心肌梗死（MI）、肺栓塞和卒中合并症风险。超过三分之一的COPD人群在出院后90天内因病情恶化而再入院，这既严重降低生活质量，也给医疗系统带来沉重负担。不准确的风险分层可能导致高风险患者被忽视而错失早期干预机会，而低风险患者可能接受不必要的干预，造成有限医疗资源利用效率低下。准确识别出院后早期再入院高风险患者对于实施个体化管理策略至关重要。

近年来，已有多种预测模型和生物标志物被提出，包括基于传统统计学方法开发的临床评分、基于电子健康记录的机器学习（ML）模型以及基于生物标志物的预测模型。临床上用于评估COPD预后的传统评分系统包括ADO评分、BODEx评分、CODEX指数、DOSE评分和PEARL评分等。然而，这些评分最初主要开发用于预测长期全因死亡率，对短期非计划再入院的预测性能可能有限。现有大多数基于电子健康记录和生物标志物的ML模型是在涵盖从轻度到极重度广泛疾病严重程度谱的普通COPD人群中开发的，其预测因子权重反映了不同严重程度水平的模式，可能限制其对中重度COPD患者的适用性。中重度COPD患者与轻度疾病患者在生命体征和实验室参数上可能存在显著差异，可能导致再入院预测因子不同。此外，这些模型的临床应用受限于可解释性和数据可及性。可解释性有限的模型可能不易被临床医生接受，且对指导靶向干预提供的洞察不足。因此，开发基于常规可获取临床变量的可解释预测模型对于促进临床实施至关重要。从方法学角度看，传统逻辑回归（LR）可能无法充分捕捉预测因子与结局之间的非线性关系。为此，本研究开发了LR模型及多种ML模型，并在验证队列中比较其区分度和校准性能，以确定最佳模型。

二、研究设计与主要技术方法

这是一项单中心回顾性队列研究，利用天津市胸科医院呼吸与危重症医学科2023年1月至2026年1月住院的中重度COPD人群临床数据。纳入标准为：1）根据2025年GOLD指南诊断为中重度COPD；2）随访记录完整。排除标准为：1）失访患者；2）合并支气管扩张、哮喘或肺肿瘤等慢性肺部疾病患者。研究收集了人口学信息、吸烟史、COPD病程和严重程度、过去一年急性加重和住院情况、合并症、实验室参数、肺功能指标、呼吸支持干预、ICU入住及院内并发症等临床数据。样本量根据事件每变量（EPV）原则估算，推荐最小EPV为10，假设最终纳入5个变量，至少需要50个再入院事件，按约20%的非计划再入院率计算，最小所需样本量约为250例。数据集按7：3比例随机分为训练集和验证集。在训练集中，采用最小绝对收缩和选择算子（LASSO）回归进行变量筛选，使用五折交叉验证确定最优惩罚参数（λ），方差膨胀因子（VIF）>5的变量被排除。基于LASSO筛选的变量开发了六种模型：逻辑回归（LR）、极端梯度提升（XGBoost）、支持向量机（SVM）、轻量级梯度提升机（LightGBM）、反向传播神经网络（BPNN）和朴素贝叶斯（NB）。模型开发过程中使用重复分层五折交叉验证结合网格搜索优化超参数。模型性能通过受试者工作特征曲线下面积（AUC）评估，内部验证采用bootstrap重抽样，最优截断概率基于约登指数确定，同时计算敏感性（SEN）和特异性（SPE）。决策曲线分析（DCA）评估临床适用性，校准曲线评估模型校准。基于验证集最高AUC选择最优模型，并采用SHapley Additive exPlanations（SHAP）分析增强模型可解释性。

三、研究结果

患者基线特征：最终纳入299例中重度COPD患者，其中59例（20%）在出院后3个月内发生非计划再入院。299例患者中，53例为中度COPD，125例为重度COPD，121例为极重度COPD。数据随机分割的随机数种子设为3，患者被分为训练集（n=210）和验证集（n=89）。平均年龄70岁，74%为男性。

变量筛选过程：在训练集应用LASSO回归进行预测变量筛选，五折交叉验证确定最终λ，随机种子设为3。LASSO回归确定的最优惩罚参数为λ=0.035。最终筛选出四个预测中重度COPD患者3个月非计划再入院的变量：过去一年住院史（VIF=1.048）、FEV₁（VIF=1.042）、冠心病（CHD）史（VIF=1.009）和吸烟史（VIF=1.012）。

ML模型构建：基于筛选的预测因子开发了六种ML模型。在训练队列中，LR模型AUC为0.696（95% CI：0.605–0.787），校正后AUC为0.657（95% CI：0.577–0.740），最优截断概率为0.115，SEN为0.692，SPE为0.661。SVM模型AUC为0.785（95% CI：0.703–0.866），校正后AUC为0.768（95% CI：0.660–0.884），截断概率为0.186，SEN为0.744，SPE为0.690。XGBoost模型表现出最高的区分能力，AUC为0.817（95% CI：0.748–0.886），校正后AUC为0.803（95% CI：0.740–0.866），截断概率为0.155，SEN为0.795，SPE为0.655。LightGBM模型AUC为0.735（95% CI：0.645–0.825），校正后AUC为0.706（95% CI：0.637–0.772），截断概率为0.186，SEN为0.590，SPE为0.795。BPNN模型AUC为0.805（95% CI：0.727–0.883），校正后AUC为0.700（95% CI：0.631–0.766），截断概率为0.364，SEN为0.692，SPE为0.854。NB模型AUC为0.696（95% CI：0.603–0.789），校正后AUC为0.650（95% CI：0.568–0.732），截断概率为0.247，SEN为0.667，SPE为0.713。校准图显示LightGBM、LR和BPNN模型在预测概率与观测概率之间具有良好一致性。DCA显示所有模型在训练集中各阈值概率下均表现出净获益。

模型验证：在验证队列中，LR模型AUC为0.730（95% CI：0.584–0.875），截断概率为0.115，SEN为0.650，SPE为0.812。SVM模型AUC为0.604（95% CI：0.430–0.778），截断概率为0.186，SEN为0.500，SPE为0.580。XGBoost模型AUC为0.809（95% CI：0.690–0.927），截断概率为0.155，SEN为0.750，SPE为0.826。LightGBM模型AUC为0.726（95% CI：0.589–0.864），截断概率为0.186，SEN为0.600，SPE为0.768。BPNN模型AUC为0.679（95% CI：0.508–0.850），截断概率为0.364，SEN为0.400，SPE为0.899。NB模型AUC为0.760（95% CI：0.624–0.897），截断概率为0.247，SEN为0.650，SPE为0.855。XGBoost模型显示出更好的预测价值。校准曲线显示LightGBM、XGBoost和BPNN模型校准相对良好。DCA进一步证明所有模型在验证集中各阈值概率下均产生净临床获益。

最优模型的SHAP分析：基于XGBoost最优模型的SHAP分析将变量重要性排序为：过去一年住院史、FEV₁、CHD史和吸烟史。

四、讨论总结与结论

本研究开发了预测中重度COPD人群3个月内非计划再入院的ML模型。变量最初在训练集中通过LASSO回归筛选，最终确定四个独立预测因子：过去一年住院史、FEV₁、CHD史和吸烟史。利用这四个变量在两组中构建了六种模型，其中XGBoost表现优越，验证集AUC为0.809（95% CI：0.690–0.927），最佳阈值为0.155，SEN为0.750，SPE为0.826。其他模型包括SVM和BPNN的验证性能似乎不稳定，从训练集到验证集性能明显下降。此外，XGBoost的置信区间相对较宽，需谨慎解读其预测性能。

LASSO回归确定的四个预测因子均有成熟的病理生理机制和临床证据支持。既往住院史是COPD再入院的最强预测因子。急性加重导致的反复住院延续气道炎症，加速进行性肺功能下降，并常伴有肺动脉高压和心功能不全等高风险状况，形成加重-住院-再加重的恶性循环。FEV₁仍是评估COPD气流受限严重程度的金标准。较低的FEV₁与较差的运动耐量和气道防御受损相关，使患者即使面对轻微诱因也易发生急性加重。一项在亚洲人群进行的荟萃分析报告，FEV₁<50%且过去一年至少两次急性加重的患者90天再入院率高达31%。多项研究一致表明，COPD合并CHD患者在急性加重住院后具有显著更高的再入院和死亡风险。COPD与CHD共享复杂的病理生理相互作用，包括全身炎症、内皮功能障碍、血小板反应性增加、动脉粥样硬化和低氧血症。长期吸烟是COPD发生和持续气道炎症的可修饰危险因素，烟草烟雾中的有害成分损害黏液纤毛清除功能，诱导气道上皮凋亡和重塑，进行性加重通气功能障碍，显著增加急性加重和短期再入院风险。

本研究存在一定局限性。样本量有限，3个月内发生非计划再入院的患者数量相对较少。单中心设计限制了研究结果的普适性，尚未进行外部验证。因此，应谨慎解读研究结果。未来需要涉及不同地理区域人群的前瞻性多中心研究来外部验证和更新模型。

结论：总之，过去一年住院史、FEV₁、CHD史和吸烟史是中重度COPD患者3个月非计划再入院的预测因子。使用常规可获取、可解释的临床特征系统比较六种ML模型，确定XGBoost为具有最有前景区分性能的模型。该模型针对目标人群定制，纳入了简洁且易于获取的预测因子集。然而，鉴于样本量小、单中心设计和类别不平衡，基于内部验证的这项探索性预测研究结果应谨慎解读。未来需要涉及不同地理区域多中心队列的研究进行外部验证和更新模型。若经进一步验证，该模型可能帮助临床医生识别再入院高风险患者，优先安排强化随访，并制定个体化肺康复计划以降低3个月内再入院风险。