慢性阻塞性肺疾病急性加重期发生急性左心衰的列线图模型构建及验证

摘要

目的：慢性阻塞性肺疾病急性加重期（acute exacerbation of chronic obstructive pulmonary disease,AECOPD）易并发急性左心衰竭（acute left ventricular failure,ALVF），其早期识别困难，且临床缺乏量化预测手段。本研究探讨影响AECOPD发生ALVF的危险因素，并构建相关列线图。方法：收集2022年1月1日至2024年12月31日在海安市人民医院呼吸科诊治的350例AECOPD患者。根据患者是否伴有ALVF分为合并ALVF组（n=70）和未合并ALVF组（n=280）。采用单因素Logistic回归筛选危险因素，最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归进行变量筛选，多因素Logistic回归明确独立危险因素。基于独立危险因素通过R语言构建列线图模型，采用Bootstrap自助法、受试者操作特征（receiver operating characteristic,ROC）曲线、校正C指数及Hosmer-Lemeshow检验验证模型效能，结合SHAP算法分析各独立危险因素的贡献度。结果：合并ALVF组和未合并ALVF组是否合并高血压、是否合并冠心病、COPD病程、PaO₂、PaCO₂、右心室舒张末期内径（right ventricular end-diastolic dimension,RVEDD）和B型利钠肽（B-type natriuretic peptide,BNP）水平差异均有统计学意义（均P<0.05）。将入组数据按7꞉3比例随机分为训练集（n=245，其中合并ALVF组49例、未合并ALVF组196例）和验证集（n=105，其中合并ALVF组21例、未合并ALVF组84例），2组患者基线资料比较差异均无统计学意义（均P>0.05）。LASSO回归分析结果显示，使用10折交叉验证法以最小化平均误差准则选择最佳惩罚系数λ，结果显示，在λ=0.007时，模型误差最小，共筛选出7个具有非零系数的变量，其中具有正性且强相关的变量为是否合并高血压、是否合并冠心病、COPD病程、PaCO₂、RVEDD和BNP，具有负性强相关的变量为PaO₂。以AECOPD是否合并ALVF为因变量进行多因素Logistic回归分析，发现低PaO₂（OR=0.966,P=0.048）、RVEDD扩张（OR=1.627,P<0.001）、高BNP（OR=1.154,P<0.001）和冠心病（OR=7.613, P=0.011）是AECOPD发生ALVF的危险因素。基于多因素Logistic回归结果构建AECOPD发生ALVF的列线图模型，SHAP算法分析结果显示，4个独立危险因素对模型的贡献度由高到低依次为BNP（SHAP值=0.52）、RVEDD（SHAP值=0.41）、合并冠心病（SHAP值=0.35）、PaO₂（SHAP值=0.28），其中BNP是影响AECOPD合并ALVF的最核心因素。ROC曲线显示，训练集曲线下面积（area under the curve,AUC）=0.861（95%CI0.810～0.911），验证集AUC=0.888（95%CI 0.808～0.967），提示模型具有良好的区分度；训练集校正C指数=0.868，验证集校正C指数=0.845，进一步证明模型判别能力良好。Hosmer-Lemeshow检验显示，训练集P=0.782，验证集P=0.715，提示模型拟合良好，无过度拟合现象。结论：本研究构建的列线图模型可有效预测AECOPD合并ALVF的风险，具有较高的区分度、拟合度及临床实用价值。

关键词

慢性阻塞性肺疾病急性加重期 / 心力衰竭 / 危险因素 / 内部验证 / 列线图