使用机器学习预测香港慢性阻塞性肺病患者的不良结果

慢性阻塞性肺病 (COPD) 是一种常见的、可预防和可治疗的疾病，其特征是持续的呼吸道症状和气流受限，这是由于气道和/或肺泡异常引起的，通常是由于大量暴露于有毒颗粒或气体并受宿主影响肺发育异常等因素。 据估计，2015年全球有320万人死于慢性阻塞性肺病，与1990年相比增加了11.6%。 COPD 是 2019 年全球第三大死因。

在香港 (HK)，根据 1 秒用力呼气容积 (FEV1)/用力肺活量 (FVC) 比率 <70 的肺量计定义，≥ 60 岁老年人口的慢性阻塞性肺病患病率分别为 25.9% 和 12.4% % 和 FEV1/FVC 的正常下限分别为 4 根据我们最近对 COPD 入院的研究，2017 年 1 月第 1 周至 2020 年 1 月第 3 周（COVID 大流行之前）共有 67,628 例 COPD 入院，2020 年 1 月第 4 周至 2020 年 12 月第 4 周（COVID 大流行期间）共有 11,065 例入院). 5 COPD 住院的负担很重，了解这些入院的驱动因素对于制定合适的策略来解决问题和改善 COPD 患者的健康结果非常重要。

COPD 导致的早期再入院和频繁入院是通常研究的医院结果，因为个人和国家的经济负担都很高，而且公共医疗资源的使用率很高。 随着人工智能 (AI) 和机器学习 (ML) 的出现，人们对其在医学上的应用产生了相当大的兴趣。 最近的荟萃分析显示这些模型在预测 COPD 结果方面具有兼容性。 7 然而，很少有研究能够证明AI/ML优于传统的统计建模方法，AI/ML是可解释的，可以与临床相关联，AI/ML可以直接应用于临床。

本研究旨在为出院时诊断为慢性阻塞性肺病的患者开发以下结果的预测模型：

主要结果：提前入院

次要结果：

1. 频繁再入院
2. 综合结果（早期+频繁再入院）
3. 死亡
4. 长住者

将评估机器学习 (ML) 模型作为传统统计学习方法的替代方案的可行性和据称的优越性。 除此之外，还将确定每个感兴趣结果的主要预测因子，以提供可能改善结果的干预措施建议（即 降低早期入院率、频繁入院率和死亡率）。 还将开发用于临床环境部署的临床评分。