返回
Identifying Undiagnosed COPD Using Machine Learning-Based Classification
DOI:10.1177/19433654261429455.png)
摘要
En 中文
背景:COPD是全球致残和致死的主要原因。然而,80%的COPD患者未获诊断,导致疾病进展加速和医疗成本增加。已有不同筛查和病例发现工具被提出,但仅有少数探索了机器学习(ML)在此领域的应用。因此,本研究旨在开发一个基于ML的分类模型,仅利用初级保健数据,以识别未诊断的COPD患者。方法:本研究使用了2007-2012年国家健康与营养 Examination Survey的数据。纳入的参与者年龄≥20岁,完成完整的肺功能检查,且无已知的COPD诊断。未诊断COPD定义为支气管扩张剂后FEV1/FVC < 0.7。训练并评估了四种不同的ML模型,通过敏感性、精确度和受试者工作特征曲线下面积(AUROC)评估性能。对于表现最佳的模型(基于AUROC),探索了真阳性组和假阴性组在特征上的差异。结果:共纳入11,265名参与者,其中449名未诊断COPD,10,816名非COPD。表现最佳的模型是逻辑回归模型,AUROC为0.84(95% CI 0.81-0.87),敏感性为0.72(95% CI: 0.64-0.79),但精确度较低(0.12,95% CI: 0.11-0.14),表明模型存在大量假阳性分类。假阴性分类的参与者明显年轻,吸烟包年数较少,且从不吸烟者的比例更高,与真阳性组相比。结论:一个仅使用初级保健信息中可用信息的ML分类模型,可以识别未诊断的COPD患者。然而,需进一步开发以提高模型精确度,并对外部验证模型以确保普适性,才能在临床环境中实施。
Keyword:
chronic obstructive pulmonary disease
machine learning
early diagnosis
national health and nutrition examination survey (NHANES)

