Skip to main content
NCBI home page
Journal of Southern Medical University logoLink to Journal of Southern Medical University
. 2026 Sep 20;46(9):2091–2100. [Article in Chinese] doi: 10.12122/j.issn.1673-4254.2026.09.09

基于机器学习算法构建老年患者肺功能智能评估模型

Development of a machine learning-based model for assessing pulmonary function in elderly patients

CHEN Cuiyan 1,2,2, ZHANG Wenxian 1,2, CAI Yilin 1,2, OUYANG Mei 1,2, LIANG Ye 2,3, LIANG Mingbiao 2, LIANG Huiying 1,2,✉
Editor: 经 媛
PMCID: PMC13624982  PMID: 42812055

Abstract

Objective

To develop a machine learning-based model with good generalization ability for pulmonary function assessment in elderly patients with impaired pulmonary function.

Methods

A total of 7720 elderly patients undergoing pulmonary function testing (PFT) in Guangdong Provincial People's Hospital between September 1, 2020 and December 31, 2024 were enrolled. After variable screening by univariate analysis and LASSO regression, the patients were randomly assigned in an 8:2 ratio to the training set (n=6176) and test set (n=1544). Five regression models were constructed for predicting forced vital capacity (FVC) and forced expiratory volume in one second (FEV1), and their performance was evaluated based on Pearson correlation coefficient (r) and intraclass correlation coefficient (ICC). Feature contributions were interpreted using Shapley additive explanations, and the classification performance of the models for high-risk populations was assessed.

Results

XGBoost showed the best predictive performance in the elderly patients (r=0.733 for FVC and 0.711 for FEV1; ICC=0.694 for FVCand 0.668 for FEV1). Male gender and a younger age showed positive effects on pulmonary function, while female gender and an advanced age showed negative effects. The optimal cut-off values of FVC% and FEV1% were 82.93% and 85.46%, with AUC of 0.700 and 0.706, respectively.

Conclusion

The XGBoost-based model developed in this study is simple and reliable with good generalization ability for pulmonary function assessment in elderly patients.

Keywords: machine learning, elderly, pulmonary function, model evaluation, extreme gradient boosting

根据2020年第7次人口普查数据，我国≥60岁老年人口已达2.64亿，占总人口18.7%［1］。随着人口老龄化加剧，老年人肺功能水平随年龄增长自然下降，不仅与各类呼吸系统疾病密切相关，还会增加心血管疾病、阿尔兹海默症及脑卒中等多种疾病的患病风险，甚至与全因死亡风险呈负相关，肺功能水平越低，全因死亡率越高，严重威胁老年居民健康［2-5］。

肺功能检查（PFT）是评估肺功能水平的重要手段，已被证实与改善患者预后、降低全因死亡率相关［6］。中华医学会明确建议，将PFT纳入≥60岁人群的定期体检项目，对肺功能减退的老年人群，每3~6个月进行1次监测筛查［7］。但临床实践中，PFT对受试者配合度要求较高，部分老年患者常因自身疾病、认知障碍等原因而导致数据缺失，给肺功能评估带来了挑战［6， 8］。

机器学习作为人工智能核心分支，凭借参数优化与特征工程优势，已在医学领域展现出良好的应用前景［9］。现有研究虽在特定呼吸系统疾病的诊断预测方面取得一定进展，但针对老年患者的肺功能评估研究仍较为匮乏［10， 11］。基于此，本研究以用力肺活量（FVC）和1s用力呼气量（FEV1）为目标，整合易获取的临床指标，利用机器学习算法构建接受度高、普适性广的肺功能评估模型，为老年患者肺功能异常的早期识别、及时干预及个体化诊疗决策提供参考。

1. 资料和方法

1.1. 研究对象

选取2020年9月1日~2024年12月31日在广东省人民医院进行PFT的7720例老年患者作为研究对象。根据中华医学会呼吸病学分会发布的《肺功能检查指南（第二部分）—肺量计检查》，肺量计对FVC和FEV1的标准测量量程为0.5~8 L［12］。纳入标准：年龄≥60岁；行PFT前未使用支气管扩张剂。排除标准：FVC或FEV1检测数据缺失者；FVC或FEV1超出仪器标准测量范围者。本研究已通过广东省人民医院伦理委员会审批（伦理批号：KY2024-1206-01）。

1.2. 研究方法

1.2.1. 肺功能检查

由经验丰富的技术人员严格遵循美国胸科学会和欧洲呼吸学会的相关标准规范操作［13］，采用Cosmed K4b2肺功能仪进行检测。呼吸高危人群的定义标准为：使用支气管扩张剂前FVC占正常预计值的百分比（FVC%）或FEV1占正常预计值的百分比（FEV1%）低于80%［14］。

1.2.2. 数据收集及预处理

从电子病历中收集研究对象的数据：基本信息：年龄、性别、婚姻状况、体质量指数（BMI）、吸烟史、饮酒史；疾病相关因素：住院次数、糖尿病、脑卒中、高血压、冠状动脉粥样硬化（CAD）、肺动脉高压以及呼吸系统疾病（其中包括肺部感染、肺炎、支气管炎、哮喘、慢性阻塞性肺病、支气管扩张、间质性肺炎、肺结核、肺气肿、肺不张和肺癌）；实验室检查：中性粒细胞比例（NEUT%）、乳酸脱氢酶（LDH）、凝血酶原时间（PT）、凝血酶时间（TT）、嗜酸性粒细胞百分比（EOS%）、大血小板比率（P-LCR）、氯（Cl）、活化部分凝血活酶时间（APTT）、红细胞分布宽度变异系数（RDW-CV）、红细胞分布宽度标准差（RDW-SD）、红细胞压积（HCT）、红细胞计数（RBC）、葡萄糖（Glu）、血小板计数（PLT）、血浆纤维蛋白原（FIB）、血红蛋白（HGB）、钙（Ca）、钠（Na）、钾（K）。对缺失比例≥30%的临床变量进行删除，缺失比例<30%的变量使用多重插补法进行填补（表1）。

表1.

变量缺失情况统计

Tab.1 Statistics of missing values of the variables

Variable Missing (%) Variable Missing (%)
FT4 47.14 (deleted) Number of hospitalizations 0.99
D-Dimer 37.98 (deleted) TT 0.69
CK 37.11 (deleted) APTT 0.69
Mg 35.85 (deleted) FIB 0.69
Drinking 27.82 K 0.33
Smoking 27.72 Glu 0.28
PT 18.85 RDW-SD 0.27
Cl 18.10 NEUT% 0.15
Ca 18.10 EOS% 0.15
Na 18.10 RDW-CV 0.15
LDH 17.75 RBC 0.15
HCT 17.73 Marriage 0.14
HGB 17.73 BMI 0.05
P-LCR 12.13
FT4: Free thyroxine; CK: Creatine kinase; PT: Prothrombin time; LDH: Lactate dehydrogenase; HCT: Hematocrit; HGB: Hemoglobin; P-LCR: Platelet-large cell ratio; TT: Thrombin time; APTT: Activated partial thromboplastin time; FIB: Fibrinogen; Glu: Glucose; RDW-SD: Red cell distribution width-standard deviation; PLT: Platelets; NEUT%: Neutrophil percentage; EOS%: Eosinophil percentage; RDW-CV: Red cell distribution width-coefficient of variation; RBC: Red blood cell count; BMI: Body mass index.
Open in a new tab

1.2.3. 变量筛选与模型构建

首先通过单因素分析初步筛选预测变量，然后采用LASSO回归进一步筛选变量，通过十折交叉验证确定最优惩罚参数，以减少多重共线性。按照8∶2的比例将数据集随机划分为训练集（6176例）和测试集（1544例）。使用线性回归（LR）、随机森林（RF）、极端梯度提升（XGBoost）、梯度提升机（GBM）和支持向量回归（SVR）构建筛查模型。采用Pearson相关系数（r）、组内相关系数（ICC）、均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）评估模型的预测性能并筛选出最优模型。同时比较完整数据集与多重插补后数据集的模型性能差异，以评估缺失数据处理方法对模型预测结果的影响。使用沙普利加性解释（SHAP）方法分析预测变量对最优模型的影响。此外，通过确定最佳截断值，比较模型预测值与真实测量值的受试者工作特征曲线（ROC）下面积（AUC）、敏感度和特异度，评估模型对呼吸高危人群的分类效能，并与临床标准截断值进行对比。

1.2.4. 统计学分析

根据FVC和FEV1的四分位数，将研究对象分为4个水平组进行基线特征分析。其中，连续变量以均数±标准差描述，组间比较采用t检验或方差分析，分类变量使用频数（百分比）描述，使用卡方检验或Fisher确切概率法比较组间差异。P<0.05为差异有统计学意义，所有统计分析均使用R4.5.1进行。

2. 结果

2.1. 研究对象的基线特征及单因素分析

本研究共纳入7720例研究对象，其中，男性4197例（54.4%），女性3523例（45.6%）；年龄60~96（68.56±6.27）岁。肺功能指标方面，FVC为0.5~5.19 L，2.45±0.69 L；FEV1为0.5~3.93 L，1.99±0.54 L。单因素分析结果显示，FVC中共计28个变量的差异有统计学意义，FEV1中27个变量的差异有统计学意义（表2、3）。

表2.

根据FVC四分位数划分的基线特征

Tab.2 Baseline characteristics of the participants stratified by the quartiles of forced vital capacity （FVC）

Variable Overall Q1 Q2 Q3 Q4 P
Sample (n) 7720 1968 1911 1937 1904
FVC (L) 2.45±0.69 1.6±0.28 2.19±0.13 2.66±0.15 3.36±0.34 <0.001
Age (year) 68.56±6.27 71.25±6.83 68.68±6.20 68.01±5.76 66.22±5.03 <0.001
Gender (men) 4197 (54.4%) 354 (18.0%) 688 (36.0%) 1339 (69.1%) 1816 (95.4%) <0.001
BMI (kg/m2) 25.09±7.38 25.1±7.63 25.17±7.65 25.04±7.15 25.04±7.09 0.94
Smoking 1762 (22.8%) 171 (8.7%) 324 (17%) 546 (28.2%) 721 (37.9%) <0.001
Drinking 551 (7.1%) 46 (2.3%) 97 (5.1%) 158 (8.2%) 250 (13.1%) <0.001
Marital status <0.001
Never married 43 (0.6%) 15 (0.8%) 13 (0.7%) 8 (0.4%) 7 (0.4%)
Married 7127 (92.3%) 1708 (86.8%) 1751 (91.6%) 1829 (94.4%) 1839 (96.6%)
Divorced/seperated/widowed 550 (7.1%) 245 (12.4%) 147 (7.7%) 100 (5.2%) 58 (3.0%)
Number of hospitalizations 1.81±2.37 1.81±2.22 1.73±1.98 1.89±2.93 1.81±2.22 0.22
Disease of respiratory system 626( 8.1%) 157 (8.0%) 135 (7.1%) 152 (7.8%) 182 (9.6%) 0.04
Hypertention 2559 (33.1%) 731 (37.1%) 622 (32.5%) 644 (33.2%) 562 (29.5%) <0.001
Diabetes 1189 (15.4%) 339 (17.2%) 286 (15.0%) 301 (15.5%) 263 (13.8%) 0.03
Stroke 392 (5.1%) 137 (7.0%) 86 (4.5%) 100 (5.2%) 69 (3.6%) <0.001
Pulmonary arterial hypertension 271 (3.5%) 158 (8.0%) 57 (3.0%) 35 (1.8%) 21 (1.1%) <0.001
CAD 837 (10.8%) 236 (12.0%) 199 (10.4%) 209 (10.8%) 193 (10.1%) 0.26
NEUT (%) 70.47±8.52 71.2±9.04 70.84±8.1 70.08±8.64 69.73±8.16 <0.001
LDH (U/L) 243.67±412.54 269.88±303.08 237.51±249.84 236.37±430.66 230.19±585.7 0.01
PT (s) 14.32±2.55 15.11±3.56 14.16±2.25 14.04±1.97 13.96±1.85 <0.001
TT (s) 18.6±8.47 19.93±11.69 18.29±7.56 18.31±7.32 17.83±5.95 <0.001
EOS (%) 2.1±2.03 1.92±1.93 1.92±1.83 2.24±2.34 2.33±1.94 <0.001
P-LCR (%) 27.64±24.86 28.19±9.05 28.44±47.8 26.95±8.08 26.96±7.81 0.12
Cl(mmol/L) 105.09±2.98 104.92±3.21 105.29±3.01 105.09±2.82 105.05±2.86 0.002
APTT (s) 38.9±7.35 40.27±9.51 38.3±6.85 38.55±6.39 38.43±5.87 <0.001
RDW-CV 0.14±0.02 0.14±0.03 0.14±0.02 0.14±0.02 0.14±0.02 <0.001
RDW-SD (fl) 44.9±5.62 45.68±6.18 44.57±5.58 44.76±5.25 44.58±5.33 <0.001
HCT (%) 36.27±5.05 34.55±5.00 35.78±4.76 36.79±4.92 38.01±4.86 <0.001
RBC (×1012/L) 4.03±0.64 3.87±0.64 3.99±0.62 4.08±0.64 4.19±0.63 <0.001
Glu (mmol/L) 6.3±1.85 6.54±2.02 6.33±1.82 6.22±1.81 6.08±1.69 <0.001
PLT (×109/L) 212.03±71.58 212.43±75.93 215.59±73.07 212.8±70.48 207.24±66.14 0.004
FIB (g/L) 3.74±1.00 3.87±0.99 3.75±0.99 3.73±1.00 3.6±0.98 <0.001
HGB (g/L) 119.59±17.28 113.18±16.87 117.71±16.14 121.49±16.8 126.17±16.57 <0.001
Ca (mmol/L) 2.23±0.12 2.23±0.12 2.23±0.12 2.23±0.11 2.22±0.12 0.04
Na (mmol/L) 139.21±3.19 139.36±3.25 139.34±3.36 139.17±2.95 138.97±3.15 <0.001
K (mmol/L) 3.85±0.46 3.87±0.40 3.83±0.44 3.83±0.39 3.86±0.59 0.007
FVC: Forced vital capacity; BMI: Body mass index; NEUT%: Neutrophil percentage; LDH: Lactate dehydrogenase; PT: Prothrombin time; TT: Thrombin time; EOS%: Eosimophil; P-LCR: Platelet-large cell ratio; Cl: Chloride; APTT: Activated partialthromboplastin time; RDW-CV: Red cell distribution width-coefficient of variation; RDW-SD: Red cell distribution width-standard deviation; HCT: Hematocrit; RBC: Red blood cell count; Glu: Glucose; PLT: Platelets; FIB: Fibrinogen; HGB: Hemoglobin; Ca: Calcium; Na: Sodium; K: Kalium
Open in a new tab

表3.

根据FEV1四分位数划分的基线特征表

Tab.3 Baseline characteristics of the participants stratified by the quartiles of forced expiratory volume in 1 second (FEV1)

Variable Overall Q1 Q2 Q3 Q4 P
Sample 7720 1971 1932 1904 1913
FEV1 (L) 1.99±0.54 1.32±0.24 1.8±0.1 2.16±0.11 2.69±0.26 <0.001
Age (year) 68.56±6.27 71.82±6.75 68.82±6.17 67.59±5.56 65.91±4.83 <0.001
Gender (men) 4197 (54.4%) 474(24%) 728 (37.7%) 1193 (62.7%) 1802 (94.2%) <0.001
BMI (kg/m2) 25.09±7.38 24.81±7.5 25.1±7.42 25.23±7.48 25.22±7.12 0.24
Smoking 1762 (22.8%) 254 (12.9%) 379(19.6%) 462 (24.3%) 667 (34.9%) <0.001
Drinking 551 (7.1%) 63 (3.2%) 100 (5.2%) 132 (6.9%) 256 (13.4%) <0.001
Marital status <0.001
Never married 43 (0.6%) 16 (0.8%) 13 (0.7%) 4 (0.2%) 10 (0.5%)
Married 7127 (92.3%) 1716 (87.1%) 1759 (91%) 1799 (94.5%) 1853 (96.9%)
Divorced/seperated/widowed 550 (7.1%) 239 (12.1%) 160 (8.3%) 101 (5.3%) 50 (2.6%)
Number of hospitalizations 1.81±2.37 1.87±2.23 1.77±2.13 1.84±2.53 1.76±2.56 0.43
Disease of respiratory system 626 (8.1%) 212 (10.8%) 151 (7.8%) 125 (6.6%) 138 (7.2%) <0.001
Hypertention 2559 (33.1%) 713 (36.2%) 645 (33.4%) 621 (32.6%) 580 (30.3%) 0.002
Diabetes 1189 (15.4%) 317 (16.1%) 295( 15.3%) 294 (15.4%) 283 (14.8%) 0.74
Stroke 392 (5.1%) 132 (6.7%) 98 (5.1%) 98 (5.1%) 64 (3.3%) <0.001
Pulmonary arterial hypertension 271 (3.5%) 150 (7.6%) 67 (3.5%) 30 (1.6%) 24 (1.3%) <0.001
CAD 837 (10.8%) 238 (12.1%) 205 (10.6%) 200 (10.5%) 194 (10.1%) 0.22
NEUT (%) 70.47±8.52 71.11±9 70.74±8.48 70.26±8.39 69.73±8.1 <0.001
LDH(U/L) 243.67±412.54 269.32±327.14 251.35±393.6 225.9±301.33 227.18±573.27 0.002
PT (s) 14.32±2.55 15.03±3.5 14.22±2.33 13.99±1.93 14.02±1.94 <0.001
TT (s) 18.6±8.47 19.73±11.39 18.24±6.98 18.37±7.93 18.03±6.52 <0.001
EOS (%) 2.1±2.03 2.05±2.04 1.95±2.2 2.11±1.88 2.3±1.96 <0.001
P-LCR (%) 27.64±24.86 29.14±47.23 26.98±8.07 27.14±8.15 27.25±7.86 0.02
Cl (mmol/L) 105.09±2.98 104.84±3.2 105.25±3.04 105.18±2.78 105.09±2.88 <0.001
APTT (s) 38.9±7.35 40.38±9.38 38.4±6.8 38.35±6.37 38.41±6.11 <0.001
RDW-CV 0.14±0.02 0.14±0.03 0.14±0.02 0.14±0.02 0.14±0.02 <0.001
RDW-SD (fl) 44.9±5.62 45.86±6.32 44.72±5.56 44.62±5.19 44.4±5.19 <0.001
HCT (%) 36.27±5.05 34.59±5.08 35.77±4.85 36.73±4.88 38.06±4.73 <0.001
RBC (×1012/L) 4.03±0.64 3.86±0.65 4±0.64 4.06±0.62 4.21±0.62 <0.001
Glu (mmol/L) 6.3±1.85 6.46±1.99 6.4±1.82 6.18±1.8 6.14±1.76 <0.001
PLT (×109/L) 212.03±71.58 212.39±77.02 218.53±74.39 212.34±67.7 204.77±65.79 <0.001
FIB (g/L) 3.74±1 3.88±0.99 3.79±1.02 3.7±0.97 3.58±0.98 <0.001
HGB (g/L) 119.59±17.28 113.27±17.11 117.66±16.38 121.39±16.72 126.26±16.17 <0.001
Ca (mmol/L) 2.23±0.12 2.23±0.12 2.23±0.11 2.23±0.12 2.22±0.11 0.29
Na (mmol/L) 139.21±3.19 139.22±3.18 139.36±3.42 139.23±2.9 139.03±3.22 0.01
K (mmol/L) 3.85±0.46 3.87±0.4 3.83±0.4 3.83±0.42 3.86±0.6 0.01
FEV1: Forced expiratory volume in the first second; BMI: Body mass index; NEUT%: Neutrophil percentage; LDH: Lactate dehydrogenase; PT: Prothrombin time; TT: Thrombin time; EOS%: Eosimophil; P-LCR: Platelet-large cell ratio; Cl: chloride; APTT: Activated partialthromboplastin time; RDW-CV: Red cell distribution width-coefficient of variation; RDW-SD: Red cell distribution width-standard deviation; HCT: Hematocrit; RBC: Red blood cell count; Glu: Glucose; PLT: Platelets; FIB: Fibrinogen; HGB: Hemoglobin; Ca: Calcium; Na: Sodium; K: Kalium.
Open in a new tab

2.2. 预测变量的LASSO回归筛选

LASSO回归结果显示，FVC的 λmin 和 λlse 分别为0.0013和0.0191，分别筛选出27个和14个变量；FEV1的 λmin 和 λlse 分别为0.0004和0.0099，分别筛选出29个和16个变量。为平衡模型拟合度与复杂度，避免过拟合，本研究基于 λlse 筛选变量，最终FVC的预测变量为年龄、BMI、性别、呼吸系统疾病、肺动脉高压、脑卒中、PT、Na、Cl、APTT、RDW-CV、FIB、HGB和K，FEV1的预测变量为年龄、性别、吸烟史、呼吸系统疾病、肺动脉高压、脑卒中、PT、EOS%、P-LCR、Cl、APTT、RDW-CV、RDW-SD、PLT、FIB和HGB（图1）。

图1.

图1

Open in a new tab

预测变量的LASSO回归筛选过程和最佳参数 λ 的选择

Fig.1 LASSO regression screening of predictive variables and selection of the optimal parameters λ . A: LASSO regression coefficient trajectory plot for FVC. B: Binomial deviance plot for optimal λ selection in LASSO regression (FVC). C: LASSO regression coefficient trajectory plot for FEV1. D: Binomial deviance plot for optimal λ selection in LASSO regression (FEV1).

2.3. 5种机器学习模型比较

在插补后数据集中构建5种机器学习模型，结果显示XGBoost对FVC和FEV1的预测性能最佳，r值分别为0.733和0.711，ICC值为0.694和0.668，MSE值为0.210L2和0.136L2，RMSE值为0.459L和0.369L，MAE值为0.364L和0.291L（表4、图2）。

表4.

5种模型预测FVC和FEV1的性能比较（插补后数据集）

Tab.4 Performance comparison of the 5 models for predicting FVC and FEV1 (imputed dataset)

Model r ICC MSE RMSE MAE
FVC
LR 0.728 0.695 0.212 0.461 0.365
RF 0.727 0.691 0.213 0.462 0.366
XGBoost 0.733 0.694 0.210 0.459 0.364
GBM 0.728 0.692 0.211 0.460 0.364
SVR 0.721 0.694 0.218 0.467 0.368
FEV1
LR 0.709 0.666 0.141 0.376 0.292
RF 0.701 0.659 0.140 0.374 0.293
XGBoost 0.711 0.668 0.136 0.369 0.291
GBM 0.708 0.665 0.142 0.380 0.296
SVR 0.688 0.662 0.146 0.382 0.297
ICC: Intraclass correlation coefficient; MSE: Mean squared error; RMSE: Root mean square error; MAE: Mean absolute error; LR: Linear regression; RF: Random forest; XGBoost: Extreme gradient boosting; GBM: Gradient boosting machine; SVR: Support vector regression.
Open in a new tab

图2.

图2

Open in a new tab

XGBoost预测FVC和FEV1的性能

Fig.2 Performance of XGBoost model for predicting FVC and FEV1. A: Scatter plot of predicted vs measured FVC. B: Bland-Altman plot of FVC predictions. C: Scatter plot of predicted vs measured FEV1. D: Bland-Altman plot of FEV1 predictions.

2.4. 完整数据集与插补后数据集模型性能对比

结果显示，完整数据集下所有模型的r和ICC均略有降低，MSE、RMSE、MAE等误差指标较插补后数据集有所升高，提示多重插补对模型预测性能有所改善。各模型的预测性能差异幅度较小，且XGBoost在两种数据集中均保持了接近最优的表现，表明本研究基于插补后数据集构建的模型结论具有一定稳健性（表5）。

表5.

5种模型预测FVC和FEV1的性能比较（完整数据集）

Tab.5 Performance comparison of the 5 models for predicting FVC and FEV1 （complete dataset）

Model r ICC MSE RMSE MAE
FVC
LR 0.677 0.639 0.264 0.514 0.399
RF 0.674 0.595 0.268 0.518 0.403
XGBoost 0.668 0.621 0.269 0.519 0.403
GBM 0.671 0.628 0.268 0.517 0.402
SVR 0.659 0.636 0.281 0.530 0.410
FEV1
LR 0.695 0.655 0.149 0.386 0.304
RF 0.679 0.634 0.155 0.394 0.312
XGBoost 0.683 0.633 0.154 0.39 0.311
GBM 0.685 0.639 0.153 0.391 0.308
SVR 0.700 0.668 0.147 0.384 0.304
FVC: Forced vital capacity; FEV1: Forced expiratory volume in the first second; ICC: Intraclass correlation coefficient; MSE: Mean squared error;RMSE: Root mean square error; MAE: Mean absolute error; LR: Linear regression; RF: Random forest; XGBoost: eXtreme gradient boosting; GBM: Gradient boosting machine; SVR: Support vector regression.
Open in a new tab

2.5. XGBoost的SHAP解释

采用SHAP方法对最优XGBoost模型进行可解释性分析。变量重要性排序显示（图3A、B），性别、年龄是影响FVC与FEV1预测的共同核心因素。在FVC预测中，贡献度前10位的变量依次为性别、年龄、PT、HGB、RDW-CV、FIB、BMI、Cl、K、Na；在FEV1预测中，前10位变量则为性别、年龄、HGB、FIB、PT、吸烟史、RDW-CV、Cl、APTT、呼吸系统疾病，提示FVC与FEV1的影响因素既有共性，也存在特异性差异。蜂群图直观展示了各变量的影响方向与强度（图3C、D），其中男性均表现为显著正向影响，女性则表现为显著负向影响；年龄呈明确的负向影响，随着年龄升高，对FVC与FEV1预测值的负向影响持续增强。单样本SHAP力图进一步展示了变量对个体预测值的作用方向与幅度（图4）。

图3.

图3

Open in a new tab

XGBoost模型的特征重要性及蜂群图

Fig.3 Feature importance and beeswarm plots of the XGBoost model. A: Feature importance bar plot of FVC. B: Feature importance bar plot of FEV1. C: Beeswarm plots of FVC. D: Beeswarm plots of FEV1.

图4.

图4

Open in a new tab

XGBoost模型预测FVC和FEV1的SHAP力图(单个样本解释)

Fig.4 SHAP force plot of XGBoost model for predicting FVC and FEV1 (single sample explanation). A: SHAP contribution decomposition for FVC prediction. B: SHAP contribution decomposition for FEV1 prediction.

2.6. XGBoost模型对呼吸高危人群的分类性能

基于XGBoost模型分析得出，FVC%与FEV1%的最佳截断值分别为82.93%、85.46%，对应AUC为0.700、0.706。进一步以临床标准截断值进行对照评估，结果显示，FVC%和FEV1%的AUC均为0.688。整体对比可见，相较于临床截断值，模型最优截断值下的区分效能更佳，整体分类表现更稳定（表6、图5）。

表6.

XGBoost的风险预测性能

Tab.6 Risk prediction performance of XGBoost

Index Cut-off values (%) Sensitivity Specificity AUC
Clinical cut-off value
FVC% 80 0.540 0.740 0.688
FEV1% 80 0.440 0.809 0.688
Model cut-off value
FVC% 82.93 0.645 0.645 0.700
FEV1% 85.46 0.651 0.651 0.706
Open in a new tab

图5.

图5

Open in a new tab

基于XGBoost的ROC曲线和混淆矩阵

Fig.5 ROC and Confusion matrix based on XGBoost. A: ROC of FVC%. B: Confusion matrix of FVC%. C: ROC of FEV1%. D: Confusion matrix of FEV1%.

3. 讨论

PFT是临床评估肺功能的重要手段，但其检测对受试者配合度要求较高，老年患者常因认知、体力、疾病等因素难以完成规范检查，易导致数据缺失，进而阻碍肺功能评估［6， 8］。为此，本研究基于临床常规易获取的指标，使用机器学习算法构建接受度高、普适性好的肺功能评估模型，为临床早期干预与诊疗决策提供参考依据。

在5种机器学习算法中，XGBoost模型表现出最优预测效能。XGBoost模型基于决策树的集成学习框架，具有良好的泛化能力与拟合性能，已在疾病诊断、分型及预后预测等复杂临床任务中展现出优异的应用价值［15-17］。为提升模型的可解释性，本研究采用SHAP算法进行特征分析。其中，男性对FVC及FEV1均呈正向影响，这可能与男性在肺部体积、气道管径及胸廓结构上所具备的天然解剖生理优势密切相关［18］。年龄对肺功能的影响呈现负向趋势，高龄个体的肺功能预测值更低，其机制可能与肺功能的生理性衰退有关，包括肺组织弹性下降、肺泡表面积减少及呼吸肌力减弱等，这些变化共同削弱肺部的防御与代偿能力［19， 20］；也可能与环境暴露的累积效应有关，随着年龄增长，个体接触烟草、职业粉尘及空气污染物等有害因素的总量增加，导致气道与肺实质的慢性进行性损伤［20， 21］。同时，凝血指标（PT、APTT、FIB）也有重要的预测价值。从病理机制来看，血液高凝状态由肺微小血管炎性损伤、血管内皮受损、血小板活化及慢性缺氧等多种因素诱发，而这种高凝状态会进一步影响肺气体交换，加重肺功能损伤［22， 23］。多项研究证实，哮喘患者的凝血功能指标与肺功能指标存在显著相关性［24， 25］。此外，FEV1水平与呼吸系统疾病密切相关。现有研究已表明，哮喘、慢性阻塞性肺疾病、肺炎等呼吸系统疾病均可显著影响FEV1水平［26， 27］。上述结果反映了不同肺功能指标的病理生理特征，可为临床开展个体化肺功能评估提供可解释性依据。

本研究进一步评估了XGBoost模型对呼吸高危人群的分类效能。结果显示模型具备一定的高危人群识别能力，但整体效能处于中等水平，尚未达到高精度筛查与鉴别要求。此外，模型最佳截断值（FVC%：82.93%，FEV1%：85.46%）均高于临床80%的标准阈值，存在一定的阈值偏移。核心原因可能在于呼吸高危人群肺功能状态受多因素共同调控，年龄、性别、基础疾病、生活习惯及环境等变量间存在复杂交互关系，增加了模型精准区分的难度。同时，肺功能评估存在显著个体异质性，不同个体生理基础与疾病进展差异较大，这也是临床肺功能预测模型普遍面临的挑战。

本研究构建的模型具有一定优势：以FVC和FEV1为预测目标，利用常规易获取的临床资料构建模型，无需患者积极配合即可完成肺功能预测，贴合临床实际需求；样本量充足，为模型构建提供了坚实的数据基础，有助于获得稳健的统计推断结果。

然而，本研究也存在一定的局限性：研究采用横断面及回顾性设计，虽总体样本量较大，但仅在单中心数据集进行验证，后续需开展多中心、多人群外部验证，以全面评估模型的泛化能力；模型对FVC、FEV1的预测及高危人群分类效能均处于中等水平，未来可通过扩大样本量、增加预测变量及融合影像特征等方式，进一步提升预测准确性。

综上，本研究构建了一个肺功能评估模型，为老年患者肺功能异常的早期识别、及时干预及个体化诊疗决策提供参考。本研究结果也为后续模型优化提供了方向，为进一步完善肺功能评估体系、探索更精准的高危人群识别策略奠定了基础。

基金资助

广东省科技计划项目重点领域研发计划（2025B0101120008）

参考文献

  • 1. 国家统计局，国务院第七次全国人口普查领导小组办公室 . 第七次全国人口普查公报（第五号）[EB/OL].（2021-05-11）[2025-01-08] [Z].
  • 2. Ding YQ, Hu JC, Yu CQ, et al. Spirometric pattern and cardiovascular risk: a prospective study of 0.3 million Chinese never-smokers [J]. Lancet Reg Health West Pac, 2025, 54: 101274. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 3. Grande G, Li YJ, Trevisan C, et al. Lung function in relation to brain aging and cognitive transitions in older adults: a population-based cohort study[J]. Alzheimers Dement, 2024, 20(8): 5662-73. doi： 10.1002/alz.14079 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 4. Backman H, Sawalha S, Nilsson U, et al. All-cause and cause-specific mortality by spirometric pattern and sex–a population-based cohort study[J]. Ther Adv Respir Dis, 2024, 18: 17534666241232768. doi： 10.1177/17534666241232768 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 5. Kokkinos P, Faselis C, Samuel IBH, et al. Cardiorespiratory fitness and mortality risk across the spectra of age, race, and sex[J]. J Am Coll Cardiol, 2022, 80(6): 598-609. doi： 10.1016/j.jacc.2022.05.031 [DOI] [PubMed] [Google Scholar]
  • 6. Dehondt V, Vauterin D, Derom E, et al. Association of timely spirometry with lower all-cause mortality a nationwide obstructive cohort study[J]. CHEST, 2025, 168(3): 602-12. doi： 10.1016/j.chest.2025.03.018 [DOI] [PubMed] [Google Scholar]
  • 7. 中华医学会健康管理学分会, 中华健康管理学杂志编委会 . 健康管理概念与学科体系的中国专家初步共识[J]. 中华健康管理学杂志, 2009, 3(3): 141-7. [Google Scholar]
  • 8. Maheshwari R, Singh A, Chaudhari PS, et al. Impulse oscillometry: an adjunct or alternative to spirometry in the diagnosis of obstructive airway disease. Results from an observational study[J]. Indian J Tuberc, 2026, 73(1): 21-4. doi： 10.1016/j.ijtb.2025.01.007 [DOI] [PubMed] [Google Scholar]
  • 9. Lynch CJ, Liston C. New machine-learning technologies for computer-aided diagnosis[J]. Nat Med, 2018, 24(9): 1304-5. doi： 10.1038/s41591-018-0178-4 [DOI] [PubMed] [Google Scholar]
  • 10. Zhang BY, Sun D, Niu HT, et al. Development of a prediction model to identify undiagnosed chronic obstructive pulmonary disease patients in primary care settings in China[J]. Chin Med J, 2023, 136(6): 676-82. doi： 10.1097/cm9.0000000000002448 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 11. Wu XN, Yin CS, Chen XQ, et al. Idiopathic pulmonary fibrosis mortality risk prediction based on artificial intelligence: the CTPF model[J]. Front Pharmacol, 2022, 13: 878764. doi： 10.3389/fphar.2022.878764 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 12. 中华医学会呼吸病学分会肺功能专业组 . 肺功能检查指南(第二部分)––肺量计检查[J]. 中华结核和呼吸杂志, 2014, 37(07): 481-6. doi： 10.3760/cma.j.issn.1001-0939.2014.07.001 [DOI] [Google Scholar]
  • 13. Graham BL, Steenbruggen I, Miller MR, et al. Standardization of spirometry 2019 update. an official American thoracic society and European respiratory society technical statement[J]. Am J Respir Crit Care Med, 2019, 200(8): e70-88. doi： 10.1164/rccm.201908-1590st [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 14. Global Initiative for Chronic Obstructive Lung Disease . Global Strategy for the Diagnosis, Management, and Prevention of Chronic Obstructive Pulmonary Disease: 2026 Report [R]. Global Initiative for Chronic Obstructive Lung Disease, 2025. [Google Scholar]
  • 15. Fernández-Blázquez MA, Ruiz-Sánchez de León JM, Sanz-Blasco R, et al. XGBoost models based on non imaging features for the prediction of mild cognitive impairment in older adults[J]. Sci Rep, 2025, 15(1): 29732. doi： 10.1038/s41598-025-14832-0 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 16. Inoue T, Ichikawa D, Ueno T, et al. XGBoost, a machine learning method, predicts neurological recovery in patients with cervical spinal cord injury[J]. Neurotrauma Rep, 2020, 1(1): 8-16. doi： 10.1089/neur.2020.0009 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 17. Schindele A, Krebold A, Heiß U, et al. Interpretable machine learning for thyroid cancer recurrence predicton: Leveraging XGBoost and SHAP analysis[J]. Eur J Radiol, 2025, 186: 112049. doi： 10.1016/j.ejrad.2025.112049 [DOI] [PubMed] [Google Scholar]
  • 18. Dominelli PB, Molgat-Seon Y. Sex, gender and the pulmonary physiology of exercise[J]. Eur Respir Rev, 2022, 31(163): 210074. doi： 10.1183/16000617.0074-2021 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 19. Wang C, Xu JY, Yang L, et al. Prevalence and risk factors of chronic obstructive pulmonary disease in China (the China Pulmonary Health [CPH] study): a national cross-sectional study[J]. Lancet, 2018, 391(10131): 1706-17. doi： 10.1016/s0140-6736(18)30841-9 [DOI] [PubMed] [Google Scholar]
  • 20. Chen SM, Kuhn M, Prettner K, et al. The global economic burden of chronic obstructive pulmonary disease for 204 countries and territories in 2020-50: a health-augmented macroeconomic modelling study[J]. Lancet Glob Health, 2023, 11(8): e1183-93. doi： 10.1016/s2214-109x(23)00217-6 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 21. Adeloye D, Song PG, Zhu YJ, et al. Global, regional, and national prevalence of, and risk factors for, chronic obstructive pulmonary disease (COPD) in 2019: a systematic review and modelling analysis[J]. Lancet Respir Med, 2022, 10(5): 447-58. doi： 10.1016/s2213-2600(21)00511-7 [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 22. 刘 领, 吴文杰, 杨 霁, 等. 慢性阻塞性肺疾病患者凝血状态临床观察[J]. 中国医药科学, 2016, 6(2): 176-9. [Google Scholar]
  • 23. 左晓红, 李庆红. 老年慢性阻塞性肺疾病急性加重期患者凝血功能的监测[J]. 血栓与止血学, 2017, 23(1): 89-91, 94. [Google Scholar]
  • 24. 李一龙, 景小莹. 支气管哮喘患者血清LXA4水平及凝血功能与肺功能及哮喘病程的相关性研究[J]. 河北医药, 2019, 41(8): 1200-3. [Google Scholar]
  • 25. 肉克亚木汗·艾尔肯. 支气管哮喘患者凝血功能与肺功能的相关性研究[D]. 乌鲁木齐: 新疆医科大学, 2022. [Google Scholar]
  • 26. Díez-Sierra J, Medina-Gallardo JF, Muñoz-Sánchez B, et al. FEV(1) decline and clinical predictors in asthma after 10 Years of follow-up: BMI as a modifiable risk factor[J]. Respir Med, 2025, 246: 108247. doi： 10.1016/j.rmed.2025.108247 [DOI] [PubMed] [Google Scholar]
  • 27. Lange P, Celli B, Agustí A, et al. Lung-function trajectories leading to chronic obstructive pulmonary disease[J]. N Engl J Med, 2015, 373(2): 111-22. doi： 10.1056/nejmoa1411532 [DOI] [PubMed] [Google Scholar]

Articles from Journal of Southern Medical University are provided here courtesy of Editorial Department of Journal of Southern Medical University

RESOURCES