开发并外部验证一种可解释的机器学习模型，用于预测慢性阻塞性肺疾病（COPD）患者合并高肺动脉压性心力衰竭（HFpEF）的风险

《Respiratory Research》：Development and external validation of an interpretable machine-learning model for HFpEF comorbidity risk in COPD patients

　　

摘要

背景

慢性阻塞性肺病（COPD）和射血分数保留的心力衰竭（HFpEF）常常同时存在，导致住院率、死亡率及医疗负担增加。在COPD患者中早期识别HFpEF的风险对于及时干预至关重要。

目的

开发并验证一个可解释的机器学习（ML）模型，用于预测COPD患者中HFpEF的风险，并利用可解释的人工智能技术识别关键预测因子。

方法

这项回顾性研究分析了1,550名COPD患者，将其分为仅患COPD组和同时患有COPD和HFpEF的组。特征选择采用了LASSO回归、逻辑回归和Boruta随机森林方法。开发了十个ML模型，并在内部测试集上进行了评估，其中最佳模型在外部队列（n = 69）上进一步得到了验证。模型可解释性通过SHapley加性解释（SHAP）方法进行评估。

结果

共有九个预测因子被一致选中：NT-proBNP、红细胞计数、纤维蛋白原、胆固醇、动脉血氧分压（PaO?）、吸气容量（IC）、预测的IC百分比、二尖瓣晚期舒张期流入速度（A波）和CAT评分。XGBoost模型表现最佳，在内部测试集上的AUC为0.898（95%置信区间：0.867–0.929），在外部验证集上的AUC为0.819（95%置信区间：0.713–0.924）。SHAP分析指出NT-proBNP是最具影响力的预测因子。

结论

所开发的XGBoost模型能够准确预测COPD患者的HFpEF风险，并提供了关于关键预测标志物的临床可解释性见解，有助于早期识别和分层管理。