Application progress of machine learning in chronic obstructive pulmonary disease

LI Meng1，GAO Meng'ai1，DONG Li2*

1.Graduate School of Tianjin Universityof Traditional Chinese Medicine，Tianjin 301617 China；2.The First

Afiliated Hospitalof TianjinUniversityof TraditionalChineseMedicine

*Corresponding Author DONG Li，E-mail：15022008086@139.com

Keywordsmachine learning； chronic obstructive pulmonary disease； review； nursing

慢性阻塞性肺疾?。╟hronic obstructive pulmonarydisease，COPD）是一種具有多種全身表現(xiàn)的以持續(xù)性氣流受限為特征的且呈進行性發(fā)展的可以預(yù)防和治療的慢性呼吸系統(tǒng)疾病[1]。目前，COPD已經(jīng)成為全球第三大死因，其多數(shù)在中低收入國家[2]。同時，COPD反復(fù)發(fā)作也是導(dǎo)致病人肺功能下降、死亡率增加以及醫(yī)療資源利用率和經(jīng)濟成本增加的重要原因[3]。如今，人工智能（artificial intelligence，AI）技術(shù)為疾病的診斷和評估提供了一種新的方法，其通過分析大量數(shù)據(jù)間復(fù)雜的非線性關(guān)系識別圖像數(shù)據(jù)類型，整合基因組學(xué)數(shù)據(jù)，以提高診斷和評估疾病的準確性[4]。機器學(xué)習(xí)（machinelearning，ML）是AI的一個分支，也是計算機科學(xué)的分支，其將統(tǒng)計方法應(yīng)用于數(shù)據(jù)分析，以便根據(jù)先前觀察到的數(shù)據(jù)進行分類、預(yù)測或優(yōu)化。近年來，機器學(xué)習(xí)在醫(yī)學(xué)中的應(yīng)用取得了長足的進步，研究人員可通過使用大型臨床數(shù)據(jù)庫解決既往無法回答的問題，并創(chuàng)建增強人類決策技能的支持系統(tǒng)?；跈C器學(xué)習(xí)的模型已被證明是用于特定臨床目的的有效工具[5]，也越來越多地用于預(yù)測COPD病人的長期疾病進展。因此，本研究就機器學(xué)習(xí)在COPD中的應(yīng)用進行綜述，旨在為今后更好地開展COPD病人機器學(xué)習(xí)相關(guān)研究提供借鑒和參考。

1 機器學(xué)習(xí)概述

機器學(xué)習(xí)是指計算機算法，是計算機科學(xué)中的一門專注于AI學(xué)習(xí)方面的分支學(xué)科，無須明確編程就能從大量數(shù)據(jù)中“學(xué)習(xí)\"以找到特定模式[6]。其中，輸入和輸出數(shù)據(jù)之間的規(guī)則和相關(guān)性會自動從數(shù)據(jù)集中學(xué)習(xí)，從而允許在無假設(shè)的框架中進行自動推理[]。在機器學(xué)習(xí)中，有3種常用的學(xué)習(xí)方法，每種方法都可以用于解決不同的任務(wù)，即監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)[8]。常用的監(jiān)督學(xué)習(xí)算法包括樸素貝葉斯（naivebayes，NB）線性回歸、邏輯回歸（logistic regression，LR）、決策樹（decisiontree，DT）、隨機森林（randomforest，RF）、支持向量機（supportvectormachine，SVM）、K近鄰（K-nearestneighbor，KNN）算法以及人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN）；常用的無監(jiān)督學(xué)習(xí)算法包括關(guān)聯(lián)分析（correlationanalysis，CA）、K-均值聚類（K-means，K-M）算法、主成分分析（principalcomponentanalysis，PCA）以及特征選擇（featureselection，F(xiàn)S）；常用的強化學(xué)習(xí)算法包括Q-學(xué)習(xí)（Q-learming，Q-L）算法、自適應(yīng)啟發(fā)評價（adaptiveheuristiccritic，AHC）算法和時間差分學(xué)習(xí)（temporaldifference learning，TDLearning）[9]。其中，經(jīng)典的機器學(xué)習(xí)算法有：1）線性回歸，是一種分析技術(shù)，通過使用直線描述數(shù)據(jù)集來解決回歸問題，是最簡單的機器學(xué)習(xí)算法；主要思想為指定1個或多個數(shù)值特征與單個數(shù)值目標之間的關(guān)系。2）邏輯回歸，是一種分類算法，其目標是找到特征與特定結(jié)果概率之間的關(guān)系，使用S形曲線即Sigmoid函數(shù)估計樣本屬于某個類別的概率。3）決策樹，主要用于分類任務(wù)，也可用于回歸分析，其起始于根節(jié)點，根節(jié)點是拆分數(shù)據(jù)集的第1個決策點且包含1個特征，該特征能夠使用最佳方法將數(shù)據(jù)拆分為各自的分類。4）隨機森林，是一種集成學(xué)習(xí)方法，也是決策樹的擴展，可生成多個決策樹。在構(gòu)建每棵決策樹時，隨機森林不會使用所有特征，而是從所有特征中隨機選擇一個子集來構(gòu)建每棵決策樹，每棵決策樹都會對輸入數(shù)據(jù)進行分類預(yù)測，然后隨機森林模型根據(jù)所有決策樹的預(yù)測結(jié)果進行投票，最終選擇得票最多的類別作為模型的預(yù)測結(jié)果。5）ANN，是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的機器學(xué)習(xí)算法；每個ANN都包含類似于細胞體的節(jié)點，這些節(jié)點通過類似于軸突和樹突的連接與其他節(jié)點進行通信[8]。此外，深度學(xué)習(xí)（deeplearning，DL）是機器學(xué)習(xí)的一個分支領(lǐng)域，它基于ANN的結(jié)構(gòu)和算法，通過模擬人腦的神經(jīng)元連接方式，自動從大量數(shù)據(jù)中學(xué)習(xí)復(fù)雜的模式和特征，以實現(xiàn)對數(shù)據(jù)的分類、預(yù)測和生成等任務(wù)。典型模型包括卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）、長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）、Transformer架構(gòu)（TransformerArchitecture）以及生成對抗網(wǎng)絡(luò)（GenerativeAdversarialNetwork，GAN）[10]。

2 機器學(xué)習(xí)在COPD中的應(yīng)用

2.1早期篩查和診斷COPD

早期發(fā)現(xiàn)并實施針對性干預(yù)策略對于減輕COPD病人疾病負擔(dān)至關(guān)重要。自前，機器學(xué)習(xí)算法已廣泛應(yīng)用于疾病篩檢中，母應(yīng)姣等[]的研究通過邏輯回歸、隨機森林和支持向量機3種模型建立變量少、操作簡單且性能較好的COPD病人篩檢工具，并提醒篩檢出的病人及時進行確診與治療。機器學(xué)習(xí)模型可以篩選出未來可能患COPD的高風(fēng)險個體，為其早期干預(yù)提供可能[12]；通過結(jié)合遺傳和電子病歷數(shù)據(jù)，有望提高COPD風(fēng)險預(yù)測的準確性[13]。Liu等[14]的研究利用常規(guī)篩查數(shù)據(jù)、多基因風(fēng)險評分以及其他臨床數(shù)據(jù)等開發(fā)并評估了8種用于COPD初步篩查的機器學(xué)習(xí)模型，并對英國生物樣本數(shù)據(jù)庫中329396例病人進行了回顧性分析，結(jié)果表明機器學(xué)習(xí)模型可以用于準確預(yù)測 20～50 歲個體的COPD風(fēng)險，為COPD的早期發(fā)現(xiàn)和十預(yù)提供了有價值的工具。肺活量測定是COPD診斷和嚴重程度評估的核心工具，但其依賴于檢測技術(shù)且具有非特異性，需要由訓(xùn)練有素的醫(yī)療保健專業(yè)人員進行管理，亟須一種快速、可靠、精確的替代診斷測試。Talker等[15]的研究使用快速響應(yīng)型二氧化碳傳感器和可解釋機器學(xué)習(xí)診斷COPD并進行嚴重程度評估，結(jié)果顯示其能有效監(jiān)測疾病進展，為肺活量測定提供替代方案。還有研究僅基于肺活量測定探究若干曲線建模技術(shù)與結(jié)合機器學(xué)習(xí)技術(shù)在COPD中的診斷性能，結(jié)果發(fā)現(xiàn)通過二次和三次多項式系數(shù)訓(xùn)練的ANN，具有模擬臨床診斷過程的潛力，可以成為初級保健中的重要輔助工具，以幫助早期診斷COPD[16]。AI技術(shù)的數(shù)據(jù)挖掘、語音和圖像識別在疾病診斷和篩查中顯示出巨大的潛力[17]。CT掃描的大規(guī)模無監(jiān)督機器學(xué)習(xí)定義了6種可重復(fù)的、熟悉的CT肺氣腫亞型，這些亞型為COPD和COPD前期的特定診斷以及個性化治療提供了借鑒[18]。此外，咳嗽聲分類器使用先進的技術(shù)對呼吸系統(tǒng)疾病進行早期檢測和管理，為傳統(tǒng)診斷提供了一種侵入性更小、更有效的替代方案。Isangula等[19]的研究通過比較肺結(jié)核、哮喘和COPD相關(guān)的聲學(xué)特征和模式，生成了一種能夠自動進行疾病區(qū)分的強大算法，創(chuàng)建了一種可靠的、無創(chuàng)的、AI驅(qū)動的診斷性咳嗽音頻分類器，使醫(yī)護人員和病人能夠根據(jù)咳嗽的聲音模式識別和區(qū)分不同的呼吸系統(tǒng)疾病。

2.2 COPD分期分類和再人院預(yù)測

COPD是一種異質(zhì)性較高疾病，存在多種亞型，亞型是指基于不同的病理生理機制、臨床特征、對治療的反應(yīng)等因素對COPD進行得更為細致的分類。然而，臨床醫(yī)生的專業(yè)知識是不可替代的，輔以AI技術(shù)可以更準確地識別COPD的亞型，改進其分類并預(yù)測疾病的發(fā)展軌跡[20]。機器學(xué)習(xí)提供的模型能為COPD分期提供較準確的分類依據(jù)。王慧泉等[21]使用SHAP（shapleyadditiveexplanations）（是一種基于博弈論機器學(xué)習(xí)模型的可解釋性方法）對模型進行解釋，利用支持向量機進行建模，通過獲取不同疾病分期病人使用呼吸機時產(chǎn)生的波形數(shù)據(jù)和機器統(tǒng)計數(shù)據(jù)，從數(shù)據(jù)中提取特征以建立模型，從而對不同疾病分期病人的樣本進行分類；結(jié)果發(fā)現(xiàn)基于無創(chuàng)生理參數(shù)（NPP）特征集和呼吸機統(tǒng)計參數(shù)（STA）特征集建立的分類模型能夠?qū)OPD穩(wěn)定期和COPD急性加重期（AECOPD）的病人進行有效分類。應(yīng)俊等[22]的研究通過特征選擇、模型訓(xùn)練、參數(shù)優(yōu)化、模型測試建立了基于深信度網(wǎng)絡(luò)架構(gòu)的分類預(yù)測模型，對2007年和2011年2個版本的慢性阻塞性肺病全球倡議（globalinitiative for chronic obstructive lung disease，GOLD）危重程度進行自動分類與測試，分類準確率均達到 90% 以上，證實了深信度網(wǎng)絡(luò)分類模型的有效性。張啟銘[23]的研究使用多種機器學(xué)習(xí)算法對COPD病人電子病歷數(shù)據(jù)進行挖掘，構(gòu)建了COPD的輔助分期診斷、風(fēng)險預(yù)警等預(yù)測模型，基于預(yù)測模型成果設(shè)計并開發(fā)COPD管理系統(tǒng)，結(jié)果發(fā)現(xiàn)邏輯回歸在構(gòu)建輔助分期診斷模型中性能表現(xiàn)較好，而XGBoost（extremegradientboosting）模型是一種基于梯度提升的機器學(xué)習(xí)算法，其在構(gòu)建風(fēng)險預(yù)警模型的綜合性能表現(xiàn)較好。另外，使用機器學(xué)習(xí)算法預(yù)測COPD病人的不良結(jié)局是一個有價值的研究方向，可以為COPD的疾病進展提供信息，有助于盡早評估病人人院后疾病的嚴重程度。而氣流受限程度是評價COPD病人疾病進展的關(guān)鍵指標。周麗娟[24]的研究通過構(gòu)建COPD病人重度氣流受限程度的風(fēng)險模型來預(yù)測病人氣流受限的嚴重程度。此外，預(yù)測COPD病人再入院的風(fēng)險是當前研究的關(guān)鍵問題，醫(yī)療機構(gòu)可根據(jù)機器學(xué)習(xí)提供的數(shù)據(jù)支持進行更合理的資源配置，有助于COPD病人的及早預(yù)防并有效干預(yù)，從而提高健康水平，并減輕經(jīng)濟負擔(dān)。路曉云25的研究將結(jié)構(gòu)化特征和病例文本中獲取的特征合并和預(yù)處理后，使用邏輯回歸、支持向量機、隨機森林、XGBoost和BP神經(jīng)網(wǎng)絡(luò)（backpropagation neural network，BPNN）5種機器學(xué)習(xí)算法構(gòu)建COPD病人再入院預(yù)測模型，并對其預(yù)測性能進行對比，結(jié)果發(fā)現(xiàn)XGBoost的各項指標表現(xiàn)最佳。還有研究發(fā)現(xiàn)ANN模型在預(yù)測COPD病人再人院風(fēng)險方面具有一定有效性[13]。

2.3 AECOPD的預(yù)測

早期識別AECOPD是COPD管理的重要組成部分[26]。然而，識別AECOPD個體并有效預(yù)防具有一定的挑戰(zhàn)性。顧馨雨2的研究構(gòu)建了列線圖（Nomogram）預(yù)測模型（一種基于多因素回歸分析的圖形化預(yù)測工具）和決策樹預(yù)測模型，并對模型進行內(nèi)部和外部驗證，為AECOPD病人提供有效的篩查工具；并基于此幫助醫(yī)護人員和病人對當前的健康狀態(tài)提供未來并發(fā)Ⅱ型呼吸衰竭風(fēng)險的量化風(fēng)險值。由于數(shù)字健康工具和軟件能夠提供實時的醫(yī)學(xué)信息以及疾病診斷、治療方案等知識性內(nèi)容，目前已逐步成為輔助臨床決策的重要工具[28]。Zeng等[29]的研究創(chuàng)建的機器學(xué)習(xí)模型對嚴重COPD的惡化提供了更準確的預(yù)測，進一步改進性能指標后的模型可用于決策支持，以指導(dǎo)識別高風(fēng)險病人。而針對AECOPD病人肺功能檢測存在誤差大、準確性差的問題。張博超等[3的研究開發(fā)了AECOPD病人的肺功能預(yù)測模型，通過比較不同機器學(xué)習(xí)模型的預(yù)測性能找到最優(yōu)的模型，結(jié)果發(fā)現(xiàn)隨機森林模型預(yù)測準確率最高，能夠輔助臨床醫(yī)生在難以給出確切診斷時提供多角度決策支持。有研究顯示，機器學(xué)習(xí)模型結(jié)合SHAP和局部解釋方法能夠為個體化風(fēng)險預(yù)測提供可視化的解釋，準確評估AECOPD的風(fēng)險，幫助臨床醫(yī)生理解模型中關(guān)鍵特征的影響和決策過程[31]。由此可見，臨床醫(yī)生與AI的合作提高了COPD風(fēng)險預(yù)測的性能，并凸顯了臨床決策在AI整合中的重要作用。

2.4 COPD相關(guān)疾病結(jié)局的預(yù)測

AI分析還提高了對COPD相關(guān)健康結(jié)局的預(yù)測。Smith等[32]對使用機器學(xué)習(xí)的COPD預(yù)后研究進行了系統(tǒng)評價和Meta分析，結(jié)果發(fā)現(xiàn)相比于獨立架構(gòu)或特征的現(xiàn)有回歸模型，機器學(xué)習(xí)算法在預(yù)測疾病死亡率方面有更好的性能。但耿祺餛等[33]的回顧性研究發(fā)現(xiàn)，基于美國多中心急診重癥監(jiān)護病房數(shù)據(jù)庫開發(fā)的一種可解釋機器學(xué)習(xí)模型只能進行早期的死亡風(fēng)險預(yù)測，無法對整個住院期間的全因住院病死率進行實時監(jiān)測。而Moll等[34]的研究使用Cox回歸中的主要特征在COPD模型中創(chuàng)建機器學(xué)習(xí)死亡率預(yù)測模型（MachineLearningMortalityPredictionModel），并將該模型稱為MLMP-COPD，并評估其他統(tǒng)計和機器學(xué)習(xí)模型的性能，結(jié)果發(fā)現(xiàn)MLMP-COPD模型在預(yù)測全因死亡率方面性能最優(yōu)。不僅如此，越來越多的研究呼呼整合其他影響因素作為有助于更全面表征COPD內(nèi)型的獨特生物學(xué)性質(zhì)的寶貴信息[35]，從而有望提高其對臨床相關(guān)結(jié)果的預(yù)測能力。商澤斌等[36]的研究基于加權(quán)基因共表達網(wǎng)絡(luò)分析和機器學(xué)習(xí)探索COPD肺泡巨噬細胞在疾病進展中的潛在病理機制，識別具有臨床價值的潛在生物標志物。另外，國外學(xué)者也利用機器學(xué)習(xí)進行研究，發(fā)現(xiàn)基因EXPH5是早期診斷COPD的標記基因，STUA1和SLC27A3是COPD的重要診斷生物標志物[37-38]。

3 機器學(xué)習(xí)在COPD中應(yīng)用的問題與挑戰(zhàn)

機器學(xué)習(xí)已被證明是醫(yī)學(xué)領(lǐng)域中一種很有前途的工具，該技術(shù)可以開發(fā)有效的診斷和預(yù)測工具來識別和區(qū)分COPD?；跈C器學(xué)習(xí)的程序因其能夠協(xié)助診斷和管理疾病，未來可能成為病人就診不可或缺的一部分。近年來，由于信息的數(shù)字化和可用性，機器學(xué)習(xí)已成為醫(yī)學(xué)領(lǐng)域的熱門話題，但仍然存在許多問題與挑戰(zhàn)。1）目前仍很少有基于證據(jù)的信息既能系統(tǒng)化當前關(guān)于COPD表型表征的聚類分析知識，又能確定不同方法的核心優(yōu)點和局限性。2）許多研究在同一病人隊列中開發(fā)并驗證了機器學(xué)習(xí)模型，但尚未評估在其他人群中的推廣性；這些模型也尚未進行前瞻性測試，證明對臨床實踐的益處[5]。3）機器學(xué)習(xí)算法多樣，同一個數(shù)據(jù)集使用不同算法所得出的各個模型的性能并不相同；同樣，不同數(shù)據(jù)集下同一種模型的性能也不相同。因此，為了得到性能最佳的模型往往需調(diào)用多種不同算法進行比較，研究過程較為煩瑣[4。4）機器學(xué)習(xí)受訓(xùn)練模型數(shù)據(jù)的數(shù)量和質(zhì)量的限制[8]，大型數(shù)據(jù)集不易獲得，很難充分估計可靠的訓(xùn)練機器學(xué)習(xí)系統(tǒng)所需的數(shù)據(jù)量；且并非越多的數(shù)據(jù)帶來的模型就越好，如果訓(xùn)練數(shù)據(jù)的質(zhì)量不精確、標記錯誤或與測試群體有某種系統(tǒng)性差異，則在非常大的數(shù)據(jù)集上進行訓(xùn)練可能會導(dǎo)致模型在現(xiàn)實場景中表現(xiàn)不佳。由于機器學(xué)習(xí)不僅取決于輸入訓(xùn)練數(shù)據(jù)的質(zhì)量，還取決于任務(wù)的復(fù)雜性，通常需要數(shù)千個訓(xùn)練示例才能創(chuàng)建既準確又可泛化的模型。此外，數(shù)據(jù)集是由人類評分員標記的，這也是一個潛在誤差。5）在數(shù)據(jù)的收集和安全使用方面仍然存在重大的信任問題[5，需要更多的研究來確保機器學(xué)習(xí)模型應(yīng)用于實際臨床決策中的安全性與有效性。目前，將機器學(xué)習(xí)方法擴展到不同領(lǐng)域和醫(yī)學(xué)用途所需的研究正處于急劇增長階段，機器學(xué)習(xí)極大可能會更充分地甚至完全地融入未來醫(yī)學(xué)實踐中。因此，醫(yī)護人員和研究者必須了解并掌握機器學(xué)習(xí)的基礎(chǔ)知識，明確應(yīng)用于臨床的目的和可及的研究領(lǐng)域，采取積極的方法應(yīng)對挑戰(zhàn)，以減少誤差并確保數(shù)據(jù)安全，最終使病人受益。

4小結(jié)

機器學(xué)習(xí)和更廣泛的AI概念已被證明在醫(yī)學(xué)領(lǐng)域中有較高的應(yīng)用價值，有可能徹底改變醫(yī)學(xué)實踐方式。目前，機器學(xué)習(xí)應(yīng)用最有效的特定領(lǐng)域是肺部成像和結(jié)節(jié)檢測、COPD和肺功能檢查（pulmonaryfunctiontest，PFT）以及危重病人相關(guān)結(jié)局的預(yù)測建模；其在提高準確有效診斷和治療病人的能力、改善病人預(yù)后方面有較大的潛力。未來的研究應(yīng)確保病人安全，保障研究的高質(zhì)量，并推動機器學(xué)習(xí)方法得到更廣泛的認可與應(yīng)用。因此，醫(yī)護人員應(yīng)積極學(xué)習(xí)并理解機器學(xué)習(xí)背后的理論知識及其在醫(yī)學(xué)領(lǐng)域的效用，探索機器學(xué)習(xí)在COPD中更多的應(yīng)用價值，為COPD病人提供最佳的診治及護理提供參考。

參考文獻：

[1]LI Y，LI XY，YUANL R，et al.Evaluation of small airway function and its application in patients with chronic obstructive pulmonary disease （review）[J].Experimental and Therapeutic Medicine，2021，22（6）：1386.

[2]徐小涵，杜云紅，李娟，等.移動健康在慢性阻塞性肺疾病患者個 案管理中的研究進展[J].護士進修雜志，2023，38（15）：1388-1391.

[3]HAUGHNEY J，LEE AJ，NATHM，et al.The long-term clinical impact of COPD exacerbations：a 3-year observational study （SHERLOCK）[J]. Therapeutic Advances in Respiratory Disease， 2022，16：17534666211070139.

[4]陸琳娟，姚欣.人工智能在慢性炎癥性氣道疾病中的研究進展[J]. 醫(yī)學(xué)綜述，2022，28（5）：959-963.

[5]MLODZINSKI E，STONE D J， CELI L A.Machine learning for pulmonary and critical care medicine：a narrative review[J]. Pulmonary Therapy，2020，6（1）：67-77.

[6]BEAM A L，KOHANE I S.Big data and machine learning in health care[J].JAMA，2018，319（13）：1317-1318.

[7]XIANGGL，ZHU XD，MAL，et al.Clinical guidelines on the application of Internet of things （IOT） medical technology in the rehabilitation of chronic obstructive pulmonary disease[J].Journal of Thoracic Disease，2021，13（8）：4629-4637.

[8]CHOIRY，COYNERA S，KALPATHY-CRAMERJ，et al. Introduction to machine learning，neural networks，and deep learning[J].Translational Vision Scienceamp;Technology，2020， 9（2）：14.

[9]周麗娟，溫賢秀，蔣蓉，等.機器學(xué)習(xí)在護理領(lǐng)域中的應(yīng)用研究進 展[J].護士進修雜志，2022，37（15）：1388-1392.

[10]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature， 2015，521（7553）：436-444.

[11］母應(yīng)姣，王子云，蘇旭，等.基于三種機器學(xué)習(xí)方法的慢性阻塞性 肺疾病人群早篩模型的建立與驗證[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2024，51 （9）：1677-1683.

[12]CHEN W J，SIN D D，F(xiàn)ITZGERALD J M，et al.An individualized prediction model for long-term lung function trajectory and risk of COPD in the general population[J].Chest， 2020，157（3）：547-557.

[13]WANGL，LIGH，EZEANA CF，et al.An AI-driven clinical care pathway to reduce 3O-day readmission for chronic obstructive pulmonary disease （COPD） patients[J].Scientific Reports，2022，12 （1）：20633.

[14]LIU G L，HU J N，YANG J Z，et al.Predicting early-onset COPDrisk in adultsaged 2O-5O using electronic health records and machine learning[J].PeerJ，2024，12：e16950.

[15]TALKER L，DOGAN C，NEVILLE D，et al. Diagnosis and severity assessment of COPD using a novel fast-response capnometer and interpretable machine learning[J].COPD，2024，21 （1）：2321379.

[16]MALDONADO-FRANCO A，GIRALDO-CADAVID L F， TUTA-QUINTERO E，et al. Curve-modeling and machine learning for a better COPD diagnosis[J].International Journal of Chronic Obstructive Pulmonary Disease，2024，19：1333-1343.

[17]KUMAR Y，KOUL A，SINGLAR，et al.Artificial intellgence in disease diagnosis： a systematic literature review，synthesizing framework and future research agenda[J].Journal of Ambient Intelligence and Humanized Computing，2023，14（7）：8459-8486.

[18]ANGELINI E D，YANG J，BALTE P P，et al. Pulmonary emphysema subtypes defined by unsupervised machine learning on CT scans[J].Thorax，2023，78（11）：1067-1079.

[19]ISANGULA K G，HAULE R J.Leveraging AI and machine learning to develop and evaluate a contextualized user-friendly cough audio classifier for detecting respiratory diseases：protocol fora diagnostic study in rural Tanzania[J]. JMIR Research Protocols，2024，13：e54388.

[20]ROBERTSON N M，CENTNERC S，SIDDHARTHAN T. Integrating artificial intelligence in the diagnosis of COPD globally：away forward[J].Chronic Obstructive Pulmonary Diseases，2024，11（1）：114-120.

[21]王慧泉，趙偉標，孟慶凱，等.基于無創(chuàng)生理參數(shù)的家用慢阻肺疾 病分類方法[J].生物醫(yī)學(xué)工程研究，2023，42（1）：23-29.

[22]應(yīng)俊，楊策源，李全政，等.基于深度學(xué)習(xí)方法的慢性阻塞性肺疾 病危重度分類研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2017，34（6）： 842-849.

[23］張啟銘.基于電子病歷挖掘的慢阻肺分期預(yù)測研究[D].廣州：廣 東工業(yè)大學(xué)，2021.

[24]周麗娟，溫賢秀，呂琴，等.使用機器學(xué)習(xí)建立慢性阻塞性肺疾病 患者重度氣流受限風(fēng)險預(yù)警模型研究[J].中國全科醫(yī)學(xué)，2022， 25（2）：217-226.

[25]路曉云.基于機器學(xué)習(xí)的慢阻肺患者再入院預(yù)測和風(fēng)險分類[D]. 廣州：廣東工業(yè)大學(xué)，2022.

[26]WATSONA，WILKINSONTMA.Digital healthcare in COPD management： a narrative review on the advantages，pitfalls，and need for further research[J].Therapeutic Advances in Respiratory Disease，2022，16：17534666221075493.

[27]顧馨雨.慢性阻塞性肺疾病急性加重期并發(fā)Ⅱ型呼吸衰竭的臨 床預(yù)測模型構(gòu)建及驗證[D].揚州：揚州大學(xué)，2023.

[28]李禎祺，靳晨琦，李偉，等.2023年數(shù)字健康發(fā)展態(tài)勢[J].生命科 學(xué)，2024，36（1）：81-93.

[29]ZENG S Y，ARJOMANDI M，TONG Y，et al. Developing a machine learning model to predict severe chronic obstructive pulmonary disease exacerbations： retrospective cohort study[J] JournalofMedical InternetResearch，2O22，24（1）：e28953.

[30]張博超，楊朝，郭立泉，等.基于機器學(xué)習(xí)的慢性阻塞性肺疾病急 性加重預(yù)測模型的研究[J].中國康復(fù)理論與實踐，2022，28（6）： 678-683.

[31]KOR C T，LI Y R，LIN P R，et al.Explainable machine learning model for predicting first-time acute exacerbation in patients with chronic obstructive pulmonary disease[J].Journal of Personalized Medicine，2022，12（2）：228.

[32] SMITH L A，OAKDEN-RAYNER L，BIRD A，et al.Machine learning and deep learning predictive models for long-term prognosis in patients with chronic obstructive pulmonary disease：a systematic review and Meta-analysis[J]. The Lancet Digital Health，2023，5（12）：e872-e881.

[33］耿祺焜，李吉利，胡雲(yún)迪，等.基于可解釋機器學(xué)習(xí)的重癥慢性阻 塞性肺疾病的預(yù)后模型[J].中國呼吸與危重監(jiān)護雜志，2024，23 （3）：153-159.

[34]MOLL M，QIAO D D，REGAN E A，et al.Machine learning and prediction of all-cause mortality in COPD[J].Chest，202O，158（3）： 952-964.

[35]NIKOLAOU V，MASSARO S，F(xiàn)AKHIMI M，et al.COPD phenotypes and machine learning cluster analysis：a systematic reviewand future research agenda[J].Respiratory Medicine，2020， 171：106093.

[36］商澤斌，楊天昊，賀曉生，等.基于加權(quán)基因共表達網(wǎng)絡(luò)分析和機 器學(xué)習(xí)探索慢性阻塞性肺疾病患者肺泡巨噬細胞的作用機制及 潛在生物標志物[J].臨床醫(yī)學(xué)研究與實踐，2023，8（34）：1-8.

[37]YANG YW，CAO Y，HAN XB，et al.Revealing EXPH5 as a potential diagnostic gene biomarker of the late stage of COPD based on machine learning analysis[J].Computers in Biology and Medicine，2023，154：106621.

[38]ZHANG YP，XIARY，LV MY，et al.Machine-learning algorithm-based prediction of diagnostic gene biomarkersrelated toimmune infiltration in patients with chronic obstructive pulmonary disease[J].Frontiers in Immunology，2022，13：740513. （收稿日期：2024-08-02；修回日期：2025-03-24） （本文編輯 趙奕雯）