人工智能和機(jī)器學(xué)習(xí)在慢性阻塞性肺疾病診療中的應(yīng)用2

2022人工智能和機(jī)器學(xué)習(xí)在慢性阻塞性肺疾病診療中的應(yīng)用摘要本文簡述了近年來國外人工智能在慢性阻塞性肺疾病診治和管理中的應(yīng)用情況，包括慢阻肺的篩查和診斷、疾病分級和病情評估、疾病管理和監(jiān)測及治療等方面，最后指出未來應(yīng)用的前景。近年來人工智能(artificialintelligence)領(lǐng)域中的機(jī)器學(xué)習(xí)(machinelearning,ML)，尤其是深度學(xué)習(xí)在呼吸病臨床醫(yī)學(xué)應(yīng)用中的進(jìn)展迅速，包括慢阻肺、支氣管哮喘、肺癌和肺間質(zhì)病等方面［1,2］。本文將進(jìn)一步介紹AI在慢阻肺的篩查和診斷、分級和評估、管理和監(jiān)測以及治療中的應(yīng)用，現(xiàn)分述如下。一、AI/ML用于慢阻肺的篩查和診斷慢阻肺患者缺乏特異性癥狀，其臨床診斷主要是根據(jù)肺功能檢測結(jié)果，因而，其準(zhǔn)確性高度依賴于受試者的配合情況，這就可以解釋臨床實(shí)踐中常見的慢阻肺診斷不足和過度診斷問題。應(yīng)對這種挑戰(zhàn)，幾種AI/ML技術(shù)應(yīng)用于臨床，產(chǎn)生一種既經(jīng)濟(jì)又安全有效的慢阻肺診斷方法，比如依據(jù)下述步驟構(gòu)建AI診斷專家系統(tǒng)：詢問表格、WebFlex密碼、專家專門小組控制效力及臨床效力。詢問表格包括人學(xué)資料、癥狀、環(huán)境和診斷實(shí)驗(yàn)。在臨床效力方面，專家系統(tǒng)在241例慢阻肺患者中總體準(zhǔn)確率達(dá)到97.5%［3］。目前慢阻肺存在診斷不足（大約70%）和過度診斷（30%~62%）問題。來自歐洲16家醫(yī)院的120名肺病專家和AI軟件系統(tǒng)對具備完整的肺功能檢測資料和有限的臨床信息，包括吸煙史、咳嗽、咳痰和呼吸困難的50例患者進(jìn)行評估。這些患者包括阻塞性和限制性肺部疾病、肺血管疾病和健康對照組。相關(guān)診斷標(biāo)準(zhǔn)系由3名肺科專家根據(jù)肺功能試驗(yàn)、完整的病史加上任何一項(xiàng)輔助檢查結(jié)果制定出來的。盡管專家能夠?qū)Ψ喂δ軝z測結(jié)果進(jìn)行正確的分類（阻塞性、限制性或正常），其正確率為74.4%±5.9%,但肺病專家的診斷精確度（precision）僅為44.6%±8.7%,而根據(jù)AI軟件對于肺功能檢測結(jié)果類型判斷的正確率為1%，診斷率為82%（P<0.01）。這一項(xiàng)研究中對于8種情況的判斷，AI算法的敏感性和陽性率、預(yù)測效力均優(yōu)于肺病專家。AI系統(tǒng)可以對現(xiàn)有的醫(yī)學(xué)資料、患者的臨床數(shù)據(jù)和診斷案例等大數(shù)據(jù)進(jìn)行學(xué)習(xí)，并將這些資料抽取成高維特征數(shù)據(jù)庫。當(dāng)診斷新患者時(shí)，首先提取典型患者臨床資料的特征，然后將該特征與數(shù)據(jù)庫進(jìn)行比對，查找到與該患者特征相似的案例被用作診斷參考。作者得出結(jié)論認(rèn)為，由于肺病專家對于肺功能檢測結(jié)果的解釋可能會(huì)引起錯(cuò)誤，而以AI為基礎(chǔ)的軟件系統(tǒng)可以提供更準(zhǔn)確的解釋，同樣可以作為一種有效的決策支持工具，以改善臨床實(shí)踐水平。然而應(yīng)當(dāng)注意到，臨床醫(yī)生的真實(shí)臨床表現(xiàn)水平可能會(huì)被低估，因?yàn)樗麄兘邮艿呐R床信息較少。如果不考慮這一點(diǎn)，本項(xiàng)研究表明AI對于呼吸病學(xué)具有一種潛在的作用并且遠(yuǎn)遠(yuǎn)超出圖像分析范疇［4］。為了進(jìn)一步驗(yàn)證專家系統(tǒng)對于慢阻肺診斷的價(jià)值，Braido等［3］設(shè)計(jì)了一套問卷和應(yīng)用硅片研發(fā)和驗(yàn)證WebFlex密碼。他們首先在60例患者中驗(yàn)證這種專家模板導(dǎo)向器的性能，之后在241例患者中驗(yàn)證其臨床效應(yīng),結(jié)果顯示專家診斷系統(tǒng)證實(shí)的慢阻肺的診斷準(zhǔn)確率為97.5%,認(rèn)為這種專家系統(tǒng)即使在基層單位對慢阻肺的診斷也是一種安全可用的工具。另一項(xiàng)相似的研究結(jié)果顯示，應(yīng)用臨床決策支持系統(tǒng)評估323例慢阻肺患者的敏感度為96%,特異度為90%。為了減少慢阻肺早期診斷中對于肺功能檢測的依賴，ML算法也被用于分析來自人體支氣管上皮細(xì)胞提取物的轉(zhuǎn)錄資料。這將有助于確定慢阻肺發(fā)病過程中15種基因的異常表達(dá)。其中10種基因以前沒有報(bào)道過可作為慢阻肺的生物標(biāo)志物。其后應(yīng)用隨機(jī)森林算法對于這些不同基因組進(jìn)行分析，以區(qū)別非吸煙者和吸煙者及慢阻肺患者［5L盡管每個(gè)亞組具有明顯的診斷準(zhǔn)確率（65%），但是還需要進(jìn)一步研究，以改善這種模型用以區(qū)分慢阻肺患者和單純吸煙者的性能。鑒于慢阻肺患者診斷缺少特異性生物標(biāo)志物，今后還需要結(jié)合另外兩種血液生物標(biāo)志物——N乙酰糖蛋白和脂蛋白，通過比較54例慢阻肺患者與74名正常人。這種模式診斷準(zhǔn)確率可達(dá)84.62%，AUC為0.90［6］。這提示聯(lián)合應(yīng)用ML算法和生物標(biāo)志物有助于慢阻肺的診斷，并可減少對于肺功能檢測的依賴，然而這些尚需要采用大樣本研究進(jìn)一步驗(yàn)證其效力。最近有一項(xiàng)研究采用30例慢阻肺患者和25名健康人的39項(xiàng)呼吸音資料，結(jié)合3項(xiàng)肺功能特征，采用ML算法進(jìn)行5級分層以區(qū)別正常人與慢阻肺患者，支持向量機(jī)以及l(fā)ogisti回歸分析，其診斷準(zhǔn)確性、敏感性和特異性均為1%[7],通過同樣途徑從132例慢阻肺患者中提取22種不同的臨床特征，根據(jù)這些證據(jù)產(chǎn)生一種可用于慢阻肺和哮喘的診斷決策支持系統(tǒng)，根據(jù)隨機(jī)森林分類法，結(jié)果表明與其他技術(shù)相比，慢阻肺的診斷準(zhǔn)確率最高達(dá)97.7%。此外研究表明吸煙、FEV1、年齡、FVC也是重要的預(yù)測指標(biāo)[8]，但是這些研究的樣本數(shù)較小，而且為單中心研究結(jié)果，醫(yī)學(xué)資料的輸入不夠均衡，可能會(huì)影響到慢阻肺的診斷，特別是在欠發(fā)達(dá)地區(qū)。最近研發(fā)的一種自動(dòng)遠(yuǎn)距離健康A(chǔ)I處理系統(tǒng)，在幾個(gè)研究機(jī)構(gòu)中對780例慢阻肺患者進(jìn)行驗(yàn)證，診斷準(zhǔn)確率達(dá)97%[9]，這種簡單的設(shè)備可用于邊遠(yuǎn)地區(qū)和死亡率較低的患者中。二、AI/ML用于慢阻肺的分級和評估按照GOLD建議，根據(jù)癥狀評估、急性加重情況和既往住院情況，慢阻肺患者可以分為四種表型。然而，這一模式的分辨率并不很高，而以AI/ML為基礎(chǔ)的整合算法需要更多信息，包括生理學(xué)特點(diǎn)、肺功能檢測結(jié)果、合并癥、基因和生物學(xué)標(biāo)志物，這樣才能產(chǎn)生準(zhǔn)確的表型分組、病情嚴(yán)重評估和指導(dǎo)治療[10,11,12,13,14,15,]16比如應(yīng)用K-means分組就是分析了1195例慢阻肺患者的生理學(xué)特征、病史、慢阻肺評估計(jì)分以及應(yīng)用支氣管舒張劑之后的FEV1，這樣就確立了公認(rèn)的4種表型：ACO（1組）、輕度慢阻肺（2組）、中度慢阻肺（3組）和重度慢阻肺（4組），第4組患者應(yīng)用支氣管舒張劑后的FEV1最低（46.7%預(yù)計(jì)值），6min步行距離最短（365m），慢阻肺評估實(shí)驗(yàn)計(jì)分最高（17.5分），然而，第1組急性發(fā)作風(fēng)險(xiǎn)最高［12］。不過這些結(jié)果尚需要更長時(shí)間的隨訪（＞6個(gè)月）的支持和驗(yàn)證。另一項(xiàng)研究納入1676例亞洲慢阻肺患者，對其肺功能和生命質(zhì)量計(jì)分進(jìn)行為期1年的監(jiān)測，將慢阻肺患者分為3種亞型：第1組的定義是肺功能結(jié)果惡化，但是癥狀很少。第3組顯示癥狀并不嚴(yán)重，但是BMI高（肥胖）。第2組顯示病情重，癥狀多，包括急性加重風(fēng)險(xiǎn)更高，F(xiàn)EV1惡化速度更快［13］，然而這項(xiàng)重要研究的一個(gè)局限性在于90%的研究對象均為男性。另一項(xiàng)使用兩種ML方法（K-means和等級分組）并根據(jù)患者的合并癥和危險(xiǎn)因素將30961例慢阻肺患者分為五種表型：焦慮和抑郁組、重度氣流受限和衰竭組、心血管疾病和糖尿病組、肥胖/特應(yīng)性組以及無合并癥組［10］。雖然上述研究應(yīng)用不同的ML算法和臨床變量，但是都具有某些局限性，全部有證據(jù)的設(shè)想都是在探索不同的表型分組，以改善個(gè)體治療。出于同樣的目的，應(yīng)用8980例慢阻肺患者的肺量計(jì)測值形成深度神經(jīng)網(wǎng)絡(luò)模式，確定了4種胸部CT圖像掃描表型（正常、氣道病變?yōu)橹?、肺氣腫為主、混合型），與FEV1/FVC、FEV1占預(yù)計(jì)值％和隨機(jī)森林分組相比，這種深度神經(jīng)網(wǎng)絡(luò)模型對于肺氣腫/氣道為主型，肺氣腫/小氣道為主型具有較高的準(zhǔn)確性（AUC分別為0.80、0.91），然而，這項(xiàng)研究沒有包括非吸煙的慢阻肺高危因素［17］。慢阻肺患者存在的持續(xù)氣流受限評估主要是依賴肺功能檢測結(jié)果，然而臨床實(shí)踐中僅有少數(shù)患者能夠完成這些實(shí)驗(yàn)檢查，這就限制了高達(dá)56%的氣流受限患者的診斷［18,19］，鑒于在電子健康記錄系統(tǒng)中很難確定FEV1測值，為此設(shè)計(jì)了一種自動(dòng)AI工具，在41659例患有慢阻肺的退伍軍人中確定FEV1,這種新型AI模型顯示出95%的正確率，作為一種檢測工具有助于在大樣本的患者人群中評估慢阻肺的病情［20］。胸部CT掃描技術(shù)廣泛用于確定肺部結(jié)構(gòu)異常改變和評估慢阻肺的狀態(tài)，然而大量的掃描資料并不能通過肉眼識別，這就提示在這個(gè)領(lǐng)域內(nèi)需要應(yīng)用AI和AI/ML系統(tǒng)［21］,最近一項(xiàng)前瞻性研究，為了分析胸部CT掃描影像結(jié)果，采用支持向量機(jī)對慢阻肺患者的肺通氣功能進(jìn)行評估，這種評估模型采納了87項(xiàng)掃描圖像特點(diǎn)，在27例慢阻肺患者中進(jìn)行效力檢驗(yàn)，準(zhǔn)確性為88%，AUC為0.82［22］。這些結(jié)果是令人鼓舞的，但可惜樣本數(shù)較小。其中，大部分是中重度慢阻肺患者，將來的研究中應(yīng)當(dāng)包括輕度慢阻肺患者。有作者應(yīng)用一系列資料將人工智能算法用于預(yù)測慢阻肺患者臨床預(yù)后或確定氣道阻塞模型［23］，ML模型成功的用于肺功能檢測結(jié)果的自動(dòng)解釋、阻塞性肺疾病的鑒別診斷。卷積神經(jīng)網(wǎng)絡(luò)模型是一種用以辨認(rèn)CT阻塞模式的適時(shí)方法［23］。Gonzalez等［24］在慢阻肺Gene和Eclipse患者中（以下簡稱為Gene組和Eclipse組）應(yīng)用胸部CT以確定這種方法是否可用于慢阻肺的診斷和分型，并預(yù)測加重和死亡，在第一階段患者先應(yīng)用來自Gene組的慢阻肺患者的胸部CT資料進(jìn)行模型訓(xùn)練，之后應(yīng)用已經(jīng)產(chǎn)生的算法在其余10例Gene組慢阻肺患者和1672例Eclipse組患者，在Gene組慢阻肺患者中根據(jù)可能性＞50%進(jìn)行預(yù)測，確定一致性指數(shù)為0.856。根據(jù)GOLD分期標(biāo)準(zhǔn)大約二分之一患者可以正確分期，75%的分期正確或接近正確，同樣這種算法表明在Eclipse組中判斷結(jié)果稍差一些，29%分期正確，75%分期相同或接近。同時(shí)還研究了預(yù)測急性加重的能力，根據(jù)這種模式測算Gene組慢阻肺患者發(fā)生AE的可能性是對照組的2.15倍（一致性指數(shù)為0.64），但是在Eclipse組這種模型并不能預(yù)測危險(xiǎn)性增加的患者，在Gene組死亡預(yù)測能力很好（一致性指數(shù)為0.72），但是在Eclipse組則不好?？傮w而言，AI的使用在慢阻肺的診斷中顯示出有希望的結(jié)果。因?yàn)榧毙约又囟≡菏锹璺位颊卟∏閲?yán)重程度的評估指標(biāo)，這對于臨床實(shí)踐也是很有用的，因而有作者采用改良式?jīng)Q策樹算法分析了202例重度急性加重慢阻肺住院患者和208例輕度急性加重慢阻肺住院患者，共分析了28項(xiàng)臨床特征，包括人學(xué)、病史、生物標(biāo)志物，根據(jù)患者入住ICU時(shí)的情況將患者分為重度和輕度兩組，總體分期準(zhǔn)確率達(dá)80.3%，提示這種算法可以用于評估住院的急性加重慢阻肺患者的嚴(yán)重程度［25］，但是這項(xiàng)研究中沒有包括住院患者的BMI和其他炎癥因子。慢阻肺與急性加重、早期確定急性加重是慢阻肺研究的重要目標(biāo)之一，采用機(jī)器學(xué)習(xí)法進(jìn)行一項(xiàng)為期6個(gè)月的研究，旨在形成一種預(yù)測急性加重的模式［26］。采用這種方法只能通過患者提供的資料進(jìn)行學(xué)習(xí)，不管急性加重的定義如何，全部模型都具有很好的預(yù)測價(jià)值，便攜式神經(jīng)網(wǎng)絡(luò)模式是最準(zhǔn)確的（89.3%），而K-means準(zhǔn)確率為84.7%，放射狀基線功能神經(jīng)網(wǎng)絡(luò)模式準(zhǔn)確率為82.8%。另外一項(xiàng)研究顯示，便攜式神經(jīng)網(wǎng)絡(luò)模型（居家電子監(jiān)測癥狀）可以在急性加重發(fā)生之前4.8d預(yù)測其發(fā)生，準(zhǔn)確率為80.5%，只有3%的假陽性率［26］,但其樣本數(shù)較?。?5例患者共發(fā)生41例次急性加重）。2015年同一組作者報(bào)道了相似的結(jié)果，15例患者中發(fā)生33例次急性加重，其中31例次急性加重發(fā)生前（4.5±2.1）d預(yù)測出來，這種方法有助于早期預(yù)測急性加重，這對于醫(yī)生和患者都是非常有好處的［24］。2014年Hardenge等應(yīng)用個(gè)體生理學(xué)特點(diǎn)、患者報(bào)告的癥狀、所用藥物（吸入裝置、抗生素、服激素），通過可移動(dòng)設(shè)備進(jìn)行檢驗(yàn)的一種算法，40%的急性加重者在患者開始用藥3d前即可發(fā)出報(bào)警信號［27］。Gonzale等［24］將深度學(xué)習(xí)技術(shù)用于預(yù)測7983例慢性阻塞性肺疾病患者急性加重和呼吸衰竭的發(fā)生率，預(yù)測結(jié)果與臨床的吻合率為74.6%。Ying等［27］建立了一種慢性阻塞性肺疾病疾病危重程度的自動(dòng)分類算法，通過分析各種臨床特點(diǎn)的權(quán)重建立預(yù)測模型，與GOLD指南相比，分類準(zhǔn)確率達(dá)到90%。三、AI/ML用于慢阻肺的管理和監(jiān)測慢阻肺患者持續(xù)存在氣道炎癥和氣流受限，可引起反復(fù)急性加重和反復(fù)住院。為了有效管理慢阻肺患者和監(jiān)測疾病進(jìn)展，幾項(xiàng)ML方法被證明比常規(guī)方法更有效［33,34,35］，特別是ML算法。比如Lasso回歸和深度神經(jīng)網(wǎng)絡(luò)被用于分析了44929例住院的慢阻肺患者，這些患者被分為訓(xùn)練期（70%）和檢驗(yàn)期（30%）。這一模型旨在預(yù)測和提示患者出院30d后再住院的因素，結(jié)果表明該模式具有較高的預(yù)測提示效力，驗(yàn)差比C值為0.61，優(yōu)于傳統(tǒng)算法［28］。同樣，幾項(xiàng)深度和非深度ML算法也被用于分析慢阻肺患者具有醫(yī)學(xué)法律效力的基線資料，以確立出院30d再住院的可能性，結(jié)果顯示最佳AUC為0.653［29］。在法蘭西進(jìn)行的一項(xiàng)回顧性研究應(yīng)用決策樹分析法，預(yù)測＞40歲的1436例慢阻肺患者再住院的可能性，這項(xiàng)研究不僅顯示再住院的最相關(guān)的危險(xiǎn)因素為既往住院的次數(shù)，還評估了6個(gè)月內(nèi)再住院的費(fèi)用［9］。盡管這些報(bào)告上具有幾種局限性，比如缺少重要的臨床特征，但是這些預(yù)測模型還是可以作為臨床參考。持續(xù)存在氣流受限，但同時(shí)呼吸道持續(xù)無癥狀使得慢阻肺成為一種終生性威脅生命的疾病，因此監(jiān)測肺功能的變化和預(yù)防持續(xù)氣流受限就顯得特別重要。最近研發(fā)了一種基于隨機(jī)森林算法的ML模型，對于4167例慢阻肺患者的肺量計(jì)資料進(jìn)行分析，旨在預(yù)測最可能發(fā)生慢阻肺或未發(fā)展為慢阻肺的患者，該模型最初研究結(jié)果顯示是FEV1，其次FEV1/FVC是發(fā)生氣流受限的危險(xiǎn)因子，這項(xiàng)模型研究可用于確定具有氣流受限個(gè)體和早期預(yù)防慢阻肺［9］。鑒于慢阻肺患者病情不可逆，早期決策和診斷是很關(guān)鍵的，于是有6項(xiàng)ML模型用于預(yù)測慢阻肺的發(fā)生。根據(jù)來自441例患者和192名正常人的101項(xiàng)單核苷酸多態(tài)性和5項(xiàng)臨床特征進(jìn)行分析，其中9項(xiàng)單核苷酸多態(tài)性與本病顯著相關(guān)，包括6種危險(xiǎn)因素和3種保護(hù)因素，在此實(shí)驗(yàn)條件下在所驗(yàn)證的模型中K-nearest相鄰分級和logisti回歸分析法顯示最高精確率為82%，準(zhǔn)確率為81%，應(yīng)用多層感知機(jī)，根據(jù)人工神經(jīng)網(wǎng)絡(luò)算法[30],盡管本研究只涵蓋了少數(shù)幾個(gè)基因和臨床特征，但這一模型對于慢阻肺的早期診斷還是有效的。這對于疾病早期階段患者缺乏肺功能檢測結(jié)果是一種補(bǔ)償[31]oGurbeta等[9]開制了一種可用于診斷哮喘和慢阻肺的自動(dòng)診斷遙控系統(tǒng)，為了評價(jià)該系統(tǒng)的診斷效能，他們在3個(gè)偏遠(yuǎn)的初級健康照護(hù)單位以及Bosniabos的一家醫(yī)院和Herzegovina健康照護(hù)系統(tǒng)進(jìn)行預(yù)實(shí)驗(yàn)，在為期6個(gè)月的研究中，對780例患者進(jìn)行評估，其診斷準(zhǔn)確率達(dá)97%,所采用的設(shè)備簡便、方法簡單，特別適用于偏遠(yuǎn)農(nóng)村和孤立的社團(tuán)患者會(huì)診，以及用于年齡大活動(dòng)不便患者的診斷。ML算法還可用于分析功能性呼吸顯像資料以預(yù)測急性加重和早期確定慢阻肺急性加重[32]。同樣，一系列ML算法被用于分析來自135例慢阻肺急性加重患者和168名對照組的電子健康記錄資料。進(jìn)一步進(jìn)行有效性驗(yàn)證，并與已有的模型進(jìn)行比較，結(jié)果提示支持向量機(jī)性能最好，AUC為0.90[33],因此ML模型，特別是支持向量機(jī)有助于醫(yī)生確定慢阻肺急性加重患者并及時(shí)做出決策，然而這一模型的性能還需要根據(jù)更多的數(shù)據(jù)進(jìn)行驗(yàn)證。慢阻肺的全球經(jīng)濟(jì)負(fù)擔(dān)逐年增加，尤其是在高齡人群中更為突出。據(jù)測算，在歐洲用于慢阻肺的總支出占呼吸系統(tǒng)疾病每年健康保健費(fèi)用的56%[34]。為了明確和預(yù)測中國慢阻肺患者的醫(yī)療消費(fèi)，并提供重要的健康管理信息，用三種ML算法分析了54種不同的人資料和來自780295例住院患者的醫(yī)學(xué)信息，全部ML模型顯示出相當(dāng)好的預(yù)測效能，極限梯度提升模型顯示其最高敏感度為71.3%,AUC為0.801[35],提示在發(fā)展中國家對于患者、臨床醫(yī)生、醫(yī)療保險(xiǎn)決策者和其他健康管理人員均可作為一種有效的管理工具。因?yàn)樵谌蚍秶鷥?nèi)慢阻肺是一種主要的死亡原因，某些研究也應(yīng)用AI/ML技術(shù)預(yù)測慢阻肺患者的死亡風(fēng)險(xiǎn)[36,37]。一項(xiàng)廣泛用于預(yù)測慢阻肺死亡的指標(biāo)是BMI、氣流受限和呼吸困難、運(yùn)動(dòng)能力指數(shù)，另一項(xiàng)模型包括呼吸困難、氣流受限、吸煙狀態(tài)、加重頻率指數(shù)、年齡、氣流受限指數(shù)以及圣喬治呼吸問卷計(jì)分、氣流受限和運(yùn)動(dòng)耐力指數(shù)，對來自11個(gè)慢阻肺隊(duì)列，＞35例慢阻肺患者的存活進(jìn)行分析并比較研究，結(jié)果發(fā)現(xiàn)ADO、BODE和改良式BODE性能最好，校正年齡后，改良式BODE優(yōu)于ADO[38]。有作者假設(shè)應(yīng)用機(jī)器學(xué)習(xí)法處理臨床和定量CT掃描數(shù)據(jù)，可以改善慢阻肺患者死亡預(yù)測水平，為此，作者選擇了30項(xiàng)指標(biāo)，包括臨床肺量計(jì)測定結(jié)果和CT掃描特征作為隨機(jī)存活森林預(yù)測法的輸入項(xiàng)目，作者在Cox回歸分析中應(yīng)用若干頂層特征以生成ML預(yù)測慢阻肺死亡的指標(biāo)（MLMP），同時(shí)評估其他統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)模型的預(yù)測性能。作者首先在遺傳流行病學(xué)研究的慢阻肺患者（Gene組）中選擇部分中、重度慢阻肺患者進(jìn)行模擬訓(xùn)練，之后在其余的部分中、重度患者中檢驗(yàn)其預(yù)測性能，并且對慢阻肺患者進(jìn)行長期評估，以確定替代終點(diǎn)指標(biāo)的預(yù)測作用（Eclipse組）。此外，作者還將他們的模型與BMI、氣流阻塞、呼吸困難、運(yùn)動(dòng)耐力指數(shù)改良式BODE指數(shù)，以及年齡、氣流受限指數(shù)進(jìn)行比較。本研究中2632例慢阻肺患者來自Gene組，1268例來自Eclipse組，預(yù)測死亡頂級指標(biāo)是6min步行距離、FEV1占預(yù)計(jì)值％和年齡，頂級CT掃描預(yù)測指標(biāo)為肺動(dòng)脈/主動(dòng)脈之比。在Gene和Eclipse組中MLMP慢阻肺模型產(chǎn)生的C指數(shù)>0.7，中位隨訪