基于机器学习的慢性阻塞性肺疾病患者抑郁症状升高风险预测模型的开发与外部验证:一项多队列横断面研究

《International Journal of Chronic Obstructive Pulmonary Disease》:Development and Validation of a Machine Learning-Based Model for Elevated Depressive Symptom Risk in COPD Patients: A Multi-Cohort Cross-Sectional Study

【字体: 大 中 小 】 时间:2026年10月21日 来源:International Journal of Chronic Obstructive Pulmonary Disease 4.1

编辑推荐:

  背景: 抑郁是慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)中常见但未被充分认识的合并症。现有预测模型多缺乏外部验证,限制了跨人群的普适性。研究人员旨在利用三个国际老龄化队列,开发并外部测试用于预测CO

  
背景: 抑郁是慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)中常见但未被充分认识的合并症。现有预测模型多缺乏外部验证,限制了跨人群的普适性。研究人员旨在利用三个国际老龄化队列,开发并外部测试用于预测COPD患者合并抑郁症状升高的机器学习模型。 方法: 研究人员纳入美国健康与退休研究(Health and Retirement Study,HRS,n=1,899)和中国健康与养老追踪调查(China Health and Retirement Longitudinal Study,CHARLS,n=2,206)的COPD患者用于模型开发,并以英国英格兰老龄化纵向研究(English Longitudinal Study of Ageing,ELSA,n=538)作为外部测试集。抑郁症状升高采用统一化截断值定义(HRS/ELSA采用CES-D-8≥3;CHARLS采用CES-D-10≥10)。经递归特征消除后,训练并评估了七种机器学习算法的判别力、校准度和临床效用,并采用SHapley Additive exPlanations(SHAP)分析进行模型可解释性分析。 结果: 研究采用八个变量构建七种模型。XGBoost模型在内部性能中表现最佳(训练集AUC 0.824,95% CI:0.809–0.838;验证集AUC 0.757,95% CI:0.731–0.783),并在ELSA外部测试中保持稳健的外部效度(测试集AUC 0.785,95% CI:0.748–0.824)。校准曲线和决策曲线分析支持其临床效用。SHAP分析识别出功能依赖、自评健康和生活满意度为主要预测因子。较高的功能依赖程度和较差的自评健康对SHAP值呈正向贡献,提示模型预测风险较高;而较高的生活满意度呈负向贡献,提示模型预测风险较低。体重指数(body mass index,BMI)呈现U型关联。 结论: XGBoost模型在独立队列中具有良好的泛化能力,并已部署为研究原型网络应用程序用于风险分层。SHAP分析识别出COPD风险分层中的重要模型贡献因子,但这些解释描述的是模型预测结果,并非确立因果干预靶点。临床效用仍需前瞻性研究评估。
一、研究背景与问题提出
慢性阻塞性肺疾病(COPD)是全球范围内导致发病和死亡的主要原因之一,约影响全球10%的成年人口。除肺部表现外,COPD常伴随多种合并症,其中抑郁尤为普遍且具有重要临床意义。荟萃分析估计,COPD患者中具有临床意义的抑郁症状患病率超过30%,显著高于同龄一般人群。COPD与抑郁共存与治疗依从性差、肺功能加速下降、急性加重频率增加、医疗资源利用增加及死亡风险升高相关。然而,抑郁在COPD诊疗中仍常被忽视和治疗不足,主要因为呼吸症状往往掩盖了心理困扰。
传统风险预测模型多依赖逻辑回归及有限的预设预测因子,可能无法充分捕捉人口学、行为学和临床变量之间复杂的非线性交互作用。机器学习方法能够自动检测非线性关系和交互效应,处理高维数据及缺失值,并常较传统方法获得更优的预测性能。然而,已发表的COPD抑郁机器学习模型通常在单一数据库中开发和验证,跨人群普适性问题未得到解答。外部验证是任何预测模型在临床部署前的必要条件。
利用统一化的国际老龄化队列——美国健康与退休研究(HRS)、中国健康与养老追踪调查(CHARLS)和英国英格兰老龄化纵向研究(ELSA)——为在东西方合并数据上开发模型并在第三个独立西方人群中测试其性能提供了独特机会。此外,SHapley Additive exPlanations(SHAP)分析已成为解释机器学习模型的强大工具,可提供全局解释和局部解释。但需明确,SHAP值解释的是模型输出,并不估计因果效应。
二、研究设计与方法
本研究为横断面分析,使用HRS(第13波)、CHARLS(第3波)和ELSA(第8波)的统一化数据。COPD患者经自我报告慢性肺病识别,抑郁症状升高采用队列特异性CES-D截断值定义(HRS/ELSA:CES-D-8≥3;CHARLS:CES-D-10≥10)。候选预测因子涵盖人口学特征、生物计量指标、生活方式因素和健康状态指标四大领域。缺失数据采用链式方程多重插补(MICE)处理。特征选择结合相关性诊断、递归特征消除(RFE)和序贯交叉验证三个步骤。最终纳入八个预测因子:功能依赖、自评健康、生活满意度、年龄、身高、记忆评分、执行功能评分和BMI。研究训练并比较了七种机器学习算法:逻辑回归、决策树、随机森林、XGBoost、LightGBM、支持向量机(SVM)和人工神经网络(ANN)。模型性能通过判别力(AUC)、校准度(校准曲线和Brier评分)和决策曲线分析(DCA)评估。最终选定XGBoost作为主要模型,并使用SHAP分析进行模型解释。
三、研究结果
1. 人群特征: 开发集包含4,105例COPD患者(HRS 1,899例,CHARLS 2,206例),其中1,738例(42.30%)筛查为抑郁症状升高阳性。女性抑郁症状升高比例高于男性(60.30% vs 39.70%,P<0.001)。未婚者、教育程度较低者、农村居民在抑郁组中占比更高。疼痛在抑郁症状升高者中更为常见(71.75% vs 37.47%,P<0.001),生活满意度和自评健康在抑郁组中显著较低,各认知域评分在抑郁阳性组中均较低,功能依赖在抑郁个体中更为突出(63.00%)。外部测试集(ELSA,n=538)抑郁患病率为34.01%。
2. 数据驱动特征选择: 经三步选择程序(相关性诊断、递归特征消除、序贯前向选择结合交叉验证),保留了前八个预测因子——功能依赖、自评健康、生活满意度、年龄、身高、记忆评分、执行功能评分和BMI。添加更多特征未能在交叉验证AUC上产生有意义的改善。
3. 模型开发与性能: XGBoost模型在训练集取得AUC 0.824(95% CI:0.809–0.838),准确率75.33%,灵敏度64.01%,特异度83.65%;验证集AUC 0.757(95% CI:0.731–0.783);外部ELSA测试集AUC 0.785(95% CI:0.748–0.824),准确率74.63%,灵敏度55.25%,特异度85.68%。虽然随机森林在训练集AUC最高,人工神经网络在测试集AUC最高,但综合评估显示XGBoost在内部验证性能、校准度和跨数据集稳定性方面最优。随机森林表现出明显的过拟合倾向。
4. 模型可解释性与应用: SHAP分析显示,功能依赖是最具影响力的预测因子(平均|SHAP|=0.090),其后依次为自评健康、生活满意度、年龄、身高、记忆评分、执行功能评分和BMI。功能依赖呈阈值效应,独立状态(值=0)与较低预测风险相关,任何程度的依赖(值≥1)均使SHAP贡献急剧转向较高预测风险。自评健康和生活满意度呈单调关系,数值下降时SHAP值由负转正,提示风险升高。BMI呈U型关联,BMI约25–30区间贡献负向,提示较低预测风险。模型已部署为Streamlit框架的交互式网络应用程序,源代码存放于公开GitHub仓库。
四、讨论与结论
本研究在三个国际老龄化队列中开发并外部测试了七种预测COPD患者抑郁症状升高的机器学习模型。XGBoost模型在训练集、内部验证集和外部测试集均表现最佳,AUC分别为0.824、0.757和0.785。SHAP分析揭示功能依赖、自评健康和生活满意度为前三大模型贡献因子。模型成功泛化至完全独立的西方人群(ELSA队列),凸显其跨文化风险分层部署的潜力。
功能依赖的高预测贡献与既往将身体残疾与慢性病抑郁相关联的证据一致。自评健康呈强单调梯度,支持其作为风险分层直接预测因子的潜在效用。生活满意度涵盖社会关系、经济安全和个人成就感等更广泛的心理社会领域,作为简短的患者报告指标,可捕捉生理指标未完全反映的心理社会负担。BMI的U型关联与既往将低体重和肥胖均与慢性病抑郁相关联的证据一致,在COPD背景下,低BMI可能反映营养不良、肌肉消耗或疾病严重程度,而高BMI可能与全身性炎症或心理社会负担相关。
本研究的优势包括:利用三个大型全国代表性队列及统一化测量、严格的外部验证、七种机器学习算法的全面比较、SHAP可解释性分析,以及开放获取的网络实现工具。局限性包括:横断面设计无法进行因果推断;COPD诊断基于自我报告而非肺功能检查;各队列使用不同版本的CES-D量表;ELSA测试集规模较小;个体预测概率和SHAP值为点估计,未量化预测不确定性;机器学习方法存在固有方法学局限,包括残余过拟合可能、计算复杂度、部署挑战及可重复性受数据访问政策、变量统一化、软件版本和随机种子设置影响等问题。
研究结论为:在多队列分析中,基于HRS和CHARLS统一化数据训练的XGBoost模型展示了稳健的预测性能,并成功泛化至独立ELSA队列。SHAP可解释性分析识别出功能依赖、自评健康和生活满意度为对模型预测风险贡献最大的变量。这些关联是预测性的而非因果性的,不确立干预靶点。值得注意的是,BMI与模型预测风险呈U型关联。该模型辅以可解释输出并以交互式网络应用形式提供,可作为风险分层辅助工具,有待前瞻性验证。该模型不用于指导治疗,也不暗示改变任何预测因子将降低抑郁风险。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号