《Sensors》:Machine Learning-Based Prediction of Pulmonary Function Test Outcomes Using Oscillometry in Patients with COPD
编辑推荐:
振荡肺功能(oscillometry)已被认为是一种无创评估呼吸状况的方法,并日益应用于常规临床实践。目前,完整的肺功能检查(PFT)仍是全面评估肺功能的标准,但其需要大量基础设施和经过培训的人员。此外,尽管大多数轻度慢性阻塞性肺疾病(COPD)患者能够完成完
振荡肺功能(oscillometry)已被认为是一种无创评估呼吸状况的方法,并日益应用于常规临床实践。目前,完整的肺功能检查(PFT)仍是全面评估肺功能的标准,但其需要大量基础设施和经过培训的人员。此外,尽管大多数轻度慢性阻塞性肺疾病(COPD)患者能够完成完整PFT,但在疾病更晚期患者中,完整PFT可能极其困难且繁琐。本研究旨在探讨在轻度和极重度COPD患者中,通过振荡肺功能(一种仅需平静呼吸的无创技术)获得的肺功能参数与标准PFT中技术难度更高的组成部分——体描记(plethysmography)和弥散功能(diffusing capacity)——所获参数之间的关系。通过Spearman分析,观察到振荡肺功能中的5 Hz阻力(R5)及5 Hz与19 Hz之间阻力差(R5–R19)与PFT中的残气量(RV)与肺总量(TLC)比值(RV/TLC——气体陷闭)及一氧化碳弥散量(DLco——弥散功能)之间最强关联(分别为0.69和?0.74)。为扩展振荡肺功能的临床适用性,研究人员实施了三种适用于小数据集的机器学习(ML)模型,即极端梯度提升(XGBoost)、随机森林(RF)和支持向量回归(SVR),仅利用振荡肺功能指标和基线人口学数据预测这些关键PFT结局。XGBoost取得最佳性能,RV/TLC和DLco的平均绝对误差(MAE)分别为9.7和8.1。相反,所有模型均无法准确预测TLC。特征重要性分析显示,年龄增强了RV/TLC预测,而DLco预测始终受体重指数(BMI)加入的影响。总之,振荡肺功能有潜力作为PFT的补充,用于评估原本繁琐、资源密集且常难以获得的气体陷闭和气体交换信息,尤其适用于患有晚期疾病的老年人或衰弱成人,同时仍提供较高准确性。
研究背景与目的:慢性阻塞性肺疾病(COPD)是一种以持续性、通常不可逆气流受限为特征的常见进行性呼吸系统疾病,包括慢性支气管炎和肺气肿;据风险因素趋势建模,2050年全球患病数预计约6亿,较2020年增加23%。慢性阻塞性肺疾病全球倡议(GOLD)按气流受限严重度将COPD分为GOLD 1至GOLD 4,极重度患者临床结局最差。完整肺功能检查(PFT)由肺量计、体描记(plethysmography)和弥散功能(diffusing capacity)组成,可分别提供气流阻塞、肺过度充气、气体陷闭和气体交换信息,但体描记和一氧化碳弥散量(DL
co)测量需要专用设备、受训人员和患者完成困难呼吸动作,在社区、资源受限环境及年老、衰弱、行动不便或晚期患者中可及性和可行性受限。振荡肺功能(oscillometry)仅需平静呼吸、无创、便携,已用于COPD疾病严重度、小气道功能障碍、急性加重风险和支气管舒张反应评估,但其能否判断气体陷闭、过度充气和弥散功能尚不明确。因此,本研究在一个COPD队列中分析振荡肺功能参数与完整PFT中体描记及弥散功能参数的关系,并进一步用机器学习(ML)模型结合基线人口学信息提高对关键PFT结局的预测能力,以评估振荡肺功能作为完整PFT简便替代或补充的适用性。
关键技术方法(不超过250字):样本来自麦吉尔大学健康中心(MUHC)的Montreal Chest Institute(MCI)COPD临床项目单中心横断面观察研究,连续纳入年龄≥40岁、吸烟≥10包年、经肺量计确诊GOLD 1或GOLD 4的COPD患者,排除哮喘、家庭氧疗、4周内急性加重等,最终18例(两组各9例)。同一日先作振荡肺功能(Tremoflo C-100,5–37 Hz,记录R5、X5、R10、X10、R19、Ax,3次合格测量且R5变异系数≤10%),再按ERS/ATS标准完成体描记和DL
co。采用Spearman相关;以XGBoost、随机森林(RF)、支持向量回归(SVR)三种小样本ML模型,输入振荡参数及基线人口学变量,独热编码和标准化,留一交叉验证(LOOCV)与网格搜索以平均绝对误差(MAE)优化,报告MAE、均方根误差(RMSE)和R
2,并用SHAP分析特征重要性,另作排除GOLD严重度的消融分析。
研究结果:
参与者流程与基线特征:流程图显示19例招募测试,18例最终分析;GOLD 1和GOLD 4各9例。GOLD 1组年龄更大、体重指数(BMI)更高,两组性别和累计吸烟史相近;按定义气流阻塞严重度差异显著,GOLD 1组平均第一秒用力呼气容积(FEV
1)超过预计值90%,GOLD 4组约24%。结论:两组处于疾病严重度两端,但人口学部分存在组间差异。
PFT与振荡肺功能参数分布:体描记和弥散功能显示GOLD 4组RV/TLC和TLC更明显,气体陷闭在组间差异比过度充气更不一致;GOLD 4组DL
co中位数仅为预计值28%。振荡肺功能中GOLD 4组所有阻力参数更高、所有电抗参数更负、电抗曲线下面积(Ax)更大。结论:疾病越重,振荡肺功能指标越严重,并与PFT异常方向一致。
振荡肺功能与PFT参数相关性:Spearman相关显示RV/TLC和TLC与阻力参数正相关、与电抗参数负相关;DL
co呈相反方向。最强关联为R5与RV/TLC(ρ=0.69)及R5–R19与DL
co(ρ=?0.74);振荡参数与TLC仅中等关联,最高为R5(ρ=0.45)。结论:振荡肺功能对气体陷闭和弥散功能的关联强于对过度充气的关联。
机器学习模型预测性能:XGBoost、RF和SVR用于以振荡参数加基线人口学变量预测各PFT指标。多数模型预测落在RV/TLC及部分DL
co的95%置信区间内;TLC预测未见清晰一致的相关。XGBoost对RV/TLC(R
2=0.44,Spearman ρ=0.72,p=0.001)和DL
co(R
2=0.76,Spearman ρ=0.85,p=0.001)准确性最高;TLC在所有模型中R
2为负或接近零且秩相关不显著。结论:ML可较好预测RV/TLC和DL
co,不能准确预测TLC。
特征重要性及消融分析:SHAP显示人口学变量贡献显著。XGBoost预测RV/TLC时年龄和BMI列第一、第二,其后为GOLD严重度和R19、R5等;三个模型预测DL
co时BMI均最重要,R5–R19在XGBoost和RF中列第二;TLC预测受影响特征较少且不一致。排除GOLD严重度后MAE仅轻度增加(RV/TLC 9.70至9.85,DL
co 8.10至8.20)。结论:年龄增强RV/TLC预测,BMI持续影响DL
co预测,GOLD严重度贡献有限且临床易获得。
讨论总结:讨论部分指出,振荡肺功能(尤其R5)与TLC仅中等关联,而与RV/TLC强关联;R5、X5、R10、R5–R19、Ax与RV/TLC相关,除电抗参数外多数振荡参数与DL
co负相关,其中R5–R19和Ax相关性最强。原文认为振荡参数与体描记结局可能更直接,与DL
co关系可能更间接并反映疾病严重度和小气道功能障碍。TLC预测不佳被解释为振荡肺功能评估过度充气的基本局限;既往研究亦显示RV/TLC较TLC与COPD临床结局和疾病严重度更密切。DL
co与R5–R19的强关联可能共同反映肺气肿负担:肺泡毛细血管破坏影响气体交换,小气道失去牵拉支撑影响小气道阻力。与Wu等、Savushkina等和Nemeth等的研究一致,振荡肺功能与ML结合在COPD等呼吸疾病中具应用前景,但既往多用于疾病分类,本研究新颖之处在于直接预测体描记和弥散功能PFT测量。年龄促进RV/TLC预测,可能因增龄促进气体陷闭;BMI持续影响DL
co预测,原文认为与COPD中低BMI和肺气肿表型的共同后果有关。XGBoost预测性能最佳,原文归因于梯度提升框架可序贯纠正误差、捕捉非线性关系及正则化。临床意义在于振荡肺功能无需大型固定实验室设备或专门人员,结合ML可在床旁提供气体陷闭和气体交换信息,简化临床决策、减少患者负担并促进常规呼吸评估。原文同时提示振荡肺功能设备间变异可能较大,Dandurand等用机械负荷测试六种设备发现高阻抗值时设备间差异增大,未来需考虑设备指示变量等协调化(harmonization)。局限性包括仅纳入轻度和极重度COPD、未纳入GOLD 2和GOLD 3,模型可能不适用于中度或重度患者;样本量有限可能限制模型能力。
研究结论与未来方向(翻译):本研究探讨了COPD患者振荡肺功能参数与标准体描记和弥散功能PFT测量之间的关联。振荡肺功能参数与气体陷闭和弥散功能表现出更强关联。利用这些生理关系,研究人员实施了多个结合振荡肺功能参数与基线人口学信息的ML模型。这种简单且临床适用的方法可预测体描记和弥散功能测量。值得注意的是,没有任何模型能够准确预测TLC,这很可能反映振荡肺功能评估过度充气的基本局限,而非模型失败。这些初步发现凸显振荡肺功能作为常规PFT实用、可及补充手段的潜力,可在床旁实施、促进临床决策并减轻患者和卫生系统负担。未来工作应集中于在更大数据集和更多样化人群中实施该技术,包括所有GOLD分级患者。由于振荡肺功能输出因设备而异,在考虑常规临床使用前,需要通过使用不同振荡肺功能设备的独立多中心队列进行外部验证。此类异质数据集将使更先进建模方法(包括深度学习)的应用成为可能,并有望进一步提高完整PFT结局的预测准确性。最终,该方法可能支持床旁评估并影响一线临床照护。