利用电子健康记录和机器学习预测20-50岁成年人早发COPD风险

慢性阻塞性肺病（COPD）是一个重要的公共健康问题，全球约有1.64亿人受到影响。早期检测和干预策略对于减轻COPD的负担至关重要，但目前的筛查方法在准确预测风险方面的能力有限。机器学习（ML）模型通过结合遗传数据和电子病历数据，提高了COPD风险预测的准确性。在本研究中，我们开发并评估了八个ML模型，利用常规筛查数据、多基因风险评分（PRS）、附加临床数据或这三者的组合进行COPD的初步筛查。为了评估我们的模型，我们对大约329,396名在英国生物样本库数据库中的患者进行了回顾性分析。结合个人信息和血液生化检测结果显著提高了模型在预测COPD风险方面的准确性，最佳表现为0.8505的AUC，特异性为0.8539，灵敏度为0.7584。这些结果表明，ML模型可以有效用于准确预测20至50岁人群的COPD风险，为早期检测和干预提供了有价值的工具。