基于屏气试验血氧饱和度数据的机器学习模型预测系统性硬化症患者肺功能

《Scientific Reports》：Lung function prediction using machine learning-assisted breath-holding tests in patients with systemic sclerosis

　　

摘要

间质性肺病是系统性硬化症（SSc）死亡的主要原因之一，但对于某些患者而言，传统的肺功能检查往往难以完成。屏气试验（BHT）提供了 6 分钟步行试验（6MWT）的简单床边替代方案。在此，我们开发了一种机器学习（ML）模型，利用 BHT 期间收集的实时血氧饱和度（SpO?）和心率数据来预测肺功能。分析了两个 SSc 队列：队列 1（n = 72）用于模型训练和内部验证，队列 2（n = 84）用于时间验证。应用随机森林分类器来预测用力肺活量（%FVC）< 70 和肺一氧化碳弥散量（%DLCO）< 60。使用 BHT 数据，该模型在%FVC 方面取得了 0.739（0.043）的平均 AUROC（标准差）值，在%DLCO 方面取得了 0.713（0.075）的平均 AUROC（标准差）值。仅使用 SpO? 的模型表现出相似的性能（%FVC 的 AUROC 为 0.767（0.096）；%DLCO 的 AUROC 为 0.763（0.041）），使用 6MWT 数据也观察到可比的结果。时间验证证实了模型的稳健性（%FVC 的 AUROC 为 0.686；%DLCO 的 AUROC 为 0.669）。这些发现表明，源自 BHT 的基于 SpO? 的 ML 模型可作为评估无法进行常规检查的 SSc 患者肺功能的实用、无创补充工具。

试验注册号：NCT04484948。