背景：在美國，慢性阻塞性肺病 (COPD) 影響 6.5% 的成年人，是除 COVID-19 之外的第四大死亡原因。每年，COPD 導致 150 萬次急診 (ED) 就診、70 萬次住院和 321 億美元的總醫療費用。重度 COPD 加重是指需要 ED 就診或住院，占與 COPD 相關的總醫療費用的 90.3%，並且通常會導致肺功能和健康狀況不可逆轉的下降。許多嚴重的 COPD 惡化(例如，47% 的 COPD 住院患者)被認為可以通過適當的門診護理來預防，因為 COPD 是一種對門診護理敏感的疾病。減少 COPD 嚴重惡化的常用方法是將患者置於高風險的預防性護理管理計劃中。可以使用預測模型前瞻性地識別高風險患者。一旦患者進入護理管理計劃，護理經理將定期聯係患者進行健康狀況評估並幫助協調健康和相關服務。這種方法被許多健康計劃采用，例如12個大都市社區中的 9 個以及許多醫療保健係統。成功的護理管理可以減少高達 27% 的 ED就診次數和 40% 的 COPD 患者住院時間。

        然而，由於資源和服務能力的限製，隻有 ≤3% 的患者可以進入護理管理計劃。其有效性的上限取決於這些患者的風險水平，這取決於所使用的預測模型的準確性。單獨的 COPD 階段和既往有嚴重 COPD 惡化都不能很好地預測患者未來嚴重 COPD 惡化的風險水平。此前，研究人員已經建立了幾個模型來預測 COPD 患者的嚴重 COPD 惡化。這些模型不準確且不適合用於護理管理，因為它們錯過了超過 50% 的未來將經曆嚴重 COPD 惡化的患者，錯誤地預測了許多其他患者將經曆嚴重的 COPD 惡化，使用常規臨床實踐中沒有數據，或者是為與典型 COPD 患者具有不同特征的患者設計的。此外，這些模型中的大多數僅預測 COPD 的住院時間。為了更好地指導護理管理的使用，我們需要預測COPD 的 ED 就診次數和住院時間，而這些模型中隻有2個可以做到這一點。在實踐中，一旦為護理管理部署模型，該模型產生的預測誤差將導致患者預後下降和不必要的醫療保健成本。由於患有慢性阻塞性肺病的患者數量眾多，即使模型準確性的微小改進加上適當的預防性幹預措施，也可以幫助改善結果並避免每年因慢性阻塞性肺病而多次就診和住院。

        目的：本研究的目的是開發一個更準確的模型來預測嚴重的 COPD 惡化。方法：我們檢查了 2011 年至 2019 年期間訪問華盛頓大學醫學設施的所有 COPD 患者，並確定了 278 個候選特征。通過對 2011 年至 2019 年的 43,576 個華盛頓大學醫學數據實例進行二次分析，我們創建了一個機器學習模型來預測 COPD 患者明年的嚴重 COPD 惡化。

        結果：最終模型的受試者工作特征曲線下麵積為 0.866。當使用預測風險最大的前 9.99% (752/7529) 的患者設置二元分類的截止閾值時，模型獲得了 90.33% (6801/7529) 的準確度，56.6% (103/ 182)，特異性為 91.17% (6698/7347)。

        表 1. 數據實例和不良結果隨時間的分布。

        表 2主要分析訓練集中數據實例的患者特征

        圖 1主分析中最終模型的受試者工作特征曲線。

        表 3. 在主要分析中，最終模型在使用不同的截止閾值進行二元分類方麵的性能測量。

        表 6. 使用預測風險最大的前 9.99% (794/7944) 的患者設置二元分類的截止閾值時，主分析中最終模型的混淆矩陣。

        表 7 主分析中最終模型的性能和性能穩定性分析中的模型

        結論：與之前發表的模型相比，我們的模型提供了對明年嚴重 COPD 惡化的更準確的預測。在進一步改進其績效指標後(例如，通過添加從臨床記錄中提取的特征)，我們的模型可用於決策支持工具，以指導識別 COPD 患者和高風險的護理管理以改善結果。

        原文出處：ZengS,ArjomandiM,TongY,et al.Developing a Machine Learning Model to Predict Severe Chronic Obstructive Pulmonary Disease Exacerbations: Retrospective Cohort Study.J Med Internet Res2022 01 06;24(1)