JMIRgydF4y2Ba J医疗互联网服务gydF4y2Ba 医学互联网研究杂志gydF4y2Ba 1438 - 8871gydF4y2Ba 卡塔尔世界杯8强波胆分析 加拿大多伦多gydF4y2Ba v24i1e28953gydF4y2Ba 34989686gydF4y2Ba 10.2196/28953gydF4y2Ba 原始论文gydF4y2Ba 原始论文gydF4y2Ba 开发机器学习模型预测严重慢性阻塞性肺疾病加重:回顾性队列研究gydF4y2Ba EysenbachgydF4y2Ba 冈瑟gydF4y2Ba 新闻gydF4y2Ba 瓦莱丽gydF4y2Ba 果园gydF4y2Ba 彼得gydF4y2Ba 曾gydF4y2Ba 泗阳gydF4y2Ba 女士gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000-0001-9346-301XgydF4y2Ba ArjomandigydF4y2Ba 人士gydF4y2Ba 医学博士gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba https://orcid.org/0000-0002-0116-9217gydF4y2Ba 通gydF4y2Ba 姚gydF4y2Ba MScgydF4y2Ba 1gydF4y2Ba https://orcid.org/0000-0002-7885-3922gydF4y2Ba 廖gydF4y2Ba 扎卡里·CgydF4y2Ba 英里每小时,医学博士gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000-0003-2857-6581gydF4y2Ba 罗gydF4y2Ba 帮派gydF4y2Ba DPhilgydF4y2Ba 1gydF4y2Ba
生物医学信息学与医学教育系“，gydF4y2Ba 华盛顿大学gydF4y2Ba 华盛顿大学医学院南湖联盟，共和街850号，C座358047gydF4y2Ba 西雅图，华盛顿州，98195gydF4y2Ba 美国gydF4y2Ba 1 206 221 4596gydF4y2Ba 1 206 221 2671gydF4y2Ba gangluo@cs.wisc.edugydF4y2Ba
https://orcid.org/0000-0001-7217-4008gydF4y2Ba 生物医学信息学与医学教育系“，gydF4y2Ba 华盛顿大学gydF4y2Ba 西雅图,华盛顿州gydF4y2Ba 美国gydF4y2Ba 医疗服务gydF4y2Ba 旧金山退伍军人医疗中心gydF4y2Ba 旧金山，加州gydF4y2Ba 美国gydF4y2Ba 医学系gydF4y2Ba 加州大学gydF4y2Ba 旧金山，加州gydF4y2Ba 美国gydF4y2Ba 通讯作者:罗刚gydF4y2Ba gangluo@cs.wisc.edugydF4y2Ba 1gydF4y2Ba 2022gydF4y2Ba 6gydF4y2Ba 1gydF4y2Ba 2022gydF4y2Ba 24gydF4y2Ba 1gydF4y2Ba e28953gydF4y2Ba 3.gydF4y2Ba 4gydF4y2Ba 2021gydF4y2Ba 28gydF4y2Ba 6gydF4y2Ba 2021gydF4y2Ba 3.gydF4y2Ba 7gydF4y2Ba 2021gydF4y2Ba 19gydF4y2Ba 11gydF4y2Ba 2021gydF4y2Ba ©Siyang Zeng, Mehrdad Arjomandi, Yao Tong, Zachary C Liao, Gang Luo。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 2022年01月06日。gydF4y2Ba 2022gydF4y2Ba

这是一篇开放获取的文章，根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上无限制地使用、分发和复制，前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息，//www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。gydF4y2Ba

 背景gydF4y2Ba

慢性阻塞性肺疾病(COPD)是卫生保健的一大负担。严重COPD加重需要急诊科就诊或住院治疗，往往导致肺功能和健康状况不可逆转的下降，占COPD相关医疗总费用的90.3%。许多严重的COPD加重被认为可以通过适当的门诊治疗来预防。目前预测COPD严重恶化的模型缺乏准确性，因此很难有效地针对高危患者进行预防护理管理，以减少COPD严重恶化并改善预后。gydF4y2Ba

 客观的gydF4y2Ba

这项研究的目的是开发一个更准确的模型来预测严重的COPD加重。gydF4y2Ba

 方法gydF4y2Ba

我们检查了2011年至2019年期间访问华盛顿大学医学设施的所有COPD患者，确定了278个候选特征。通过对2011年至2019年华盛顿大学医学院43,576个数据实例进行二次分析，我们创建了一个机器学习模型来预测COPD患者在未来一年的严重COPD加重。gydF4y2Ba

 结果gydF4y2Ba

最终模型的受试者工作特征曲线下面积为0.866。当使用预测风险最大的前9.99%(752/7529)的患者设置二元分类的截止阈值时，模型的准确率为90.33%(6801/7529)，灵敏度为56.6%(103/182)，特异性为91.17%(6698/7347)。gydF4y2Ba

 结论gydF4y2Ba

与先前发表的模型相比，我们的模型对未来一年的严重COPD加重提供了更准确的预测。在进一步改进其性能指标(例如，通过添加从临床记录中提取的特征)后，我们的模型可以用于决策支持工具，指导COPD患者的识别和护理管理的高风险，以改善结果。gydF4y2Ba

 国际注册报告标识符(IRRID)gydF4y2Ba

rr2 - 10.2196/13783gydF4y2Ba

 慢性阻塞性肺疾病gydF4y2Ba 机器学习gydF4y2Ba 预测gydF4y2Ba 症状恶化gydF4y2Ba 病人护理管理gydF4y2Ba 简介gydF4y2Ba 背景gydF4y2Ba

在美国，慢性阻塞性肺病(COPD)影响6.5%的成年人[gydF4y2Ba 1gydF4y2Ba]是第四大死亡原因，不包括COVID-19 [gydF4y2Ba 2gydF4y2Ba］．每年，COPD导致150万次急诊，70万次住院，总医疗费用为321亿美元[gydF4y2Ba 1gydF4y2Ba］．严重COPD加重是指需要急诊科就诊或住院的情况[gydF4y2Ba 3.gydF4y2Ba]，占慢性阻塞性肺病相关医疗费用总额的90.3% [gydF4y2Ba 4gydF4y2Ba]，并常导致肺功能和健康状况不可逆转的下降[gydF4y2Ba 5gydF4y2Ba-gydF4y2Ba 10gydF4y2Ba］．许多严重的COPD加重(例如，47%的COPD住院患者)被认为可以通过适当的门诊治疗加以预防[gydF4y2Ba 3.gydF4y2Ba，gydF4y2Ba 11gydF4y2Ba]因为慢性阻塞性肺病是一种对门诊护理敏感的疾病[gydF4y2Ba 12gydF4y2Ba］．减少严重慢性阻塞性肺病加重的常用方法是将高危患者纳入预防护理管理计划[gydF4y2Ba 13gydF4y2Ba-gydF4y2Ba 15gydF4y2Ba］．使用预测模型可以前瞻性地识别高风险患者[gydF4y2Ba 16gydF4y2Ba］．一旦患者进入护理管理计划，护理经理将定期联系患者进行健康状况评估，并帮助协调健康和相关服务。许多保健计划都采用了这种方法，例如12个大都市社区中有9个社区的保健计划[gydF4y2Ba 13gydF4y2Ba以及许多医疗保健系统。成功的护理管理可减少高达27%的急诊科就诊次数[gydF4y2Ba 14gydF4y2Ba]及40%的住院病人会留在[gydF4y2Ba 15gydF4y2Ba]在慢性阻塞性肺病患者中。gydF4y2Ba

但由于资源和服务能力的限制，只有≤3%的患者可以进入护理管理项目[gydF4y2Ba 17gydF4y2Ba］．其有效性的上限是这些患者的风险水平，这是由所使用的预测模型的准确性决定的。COPD分期或既往COPD严重加重均不能很好地预测患者未来COPD严重加重的风险水平[gydF4y2Ba 18gydF4y2Ba，gydF4y2Ba 19gydF4y2Ba］．在此之前，研究人员已经建立了几个模型来预测COPD患者的严重COPD加重[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 53gydF4y2Ba］．这些模型在护理管理中使用是不准确和次优的，因为它们遗漏了50%以上未来将经历严重COPD加重的患者，错误地预测了许多其他患者将经历严重COPD加重[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 22gydF4y2Ba，gydF4y2Ba 53gydF4y2Ba]，使用常规临床实践中无法获得的数据[gydF4y2Ba 23gydF4y2Ba-gydF4y2Ba 31gydF4y2Ba，gydF4y2Ba 33gydF4y2Ba，gydF4y2Ba 34gydF4y2Ba，gydF4y2Ba 36gydF4y2Ba，gydF4y2Ba 42gydF4y2Ba-gydF4y2Ba 50gydF4y2Ba，gydF4y2Ba 52gydF4y2Ba]，或专为与典型COPD患者特征不同的患者设计[gydF4y2Ba 25gydF4y2Ba-gydF4y2Ba 34gydF4y2Ba］．此外，大多数模型仅预测慢性阻塞性肺病住院时间。为了更好地指导护理管理的使用，我们需要预测COPD的急诊科就诊和住院时间，这些模型中只有2个[gydF4y2Ba 34gydF4y2Ba，gydF4y2Ba 36gydF4y2Ba)做的。在实践中，一旦将模型用于护理管理，模型产生的预测错误将导致患者预后下降和不必要的医疗成本。由于慢性阻塞性肺病患者数量众多，即使是模型准确性的微小改善，再加上适当的预防干预，也有助于改善结果，并避免每年因慢性阻塞性肺病而去急诊科就诊和住院。gydF4y2Ba

 客观的gydF4y2Ba

这项研究旨在开发一个更准确的模型来预测COPD患者在未来一年的严重COPD加重。为了适用于护理管理，该模型应使用常规临床实践中可用的数据，并针对所有COPD患者。gydF4y2Ba

 方法gydF4y2Ba 伦理批准与研究设计gydF4y2Ba

华盛顿医学大学(UWM)的机构审查委员会批准了这项关于行政和临床数据的二次分析研究。gydF4y2Ba

 患者人群gydF4y2Ba

在华盛顿州，UWM是最大的学术医疗保健系统。UWM企业数据仓库包括来自3家医院和12家诊所的管理和临床数据。患者队列包括2011年至2019年期间访问过这些机构的COPD患者。使用我们之前识别COPD患者的方法[gydF4y2Ba 54gydF4y2Ba]改编自文学作品[gydF4y2Ba 55gydF4y2Ba-gydF4y2Ba 58gydF4y2Ba]，如果患者年龄≥40岁，且满足中列出的4项标准中的1项，我们就认为患者患有慢性阻塞性肺病gydF4y2Ba 文本框1gydF4y2Ba．在计算任何一年的数据实例时，我们排除了在该年没有在UWM遇到或死亡的患者。未使用其他排除标准。gydF4y2Ba

4项标准用于识别慢性阻塞性肺疾病患者。gydF4y2Ba

对这4个标准的描述gydF4y2Ba

慢性阻塞性肺疾病门诊诊断代码(国际疾病分类第九版:491.22,491.21,491.9,491.8,493.2x, 492.8, 496;国际疾病分类，第十版:J42, J41.8, J44。*, J43。*)followed by ≥1 prescription of long-acting muscarinic antagonist (aclidinium, glycopyrrolate, tiotropium, and umeclidinium) within 6 months

≥1个急诊科或≥2个门诊慢性阻塞性肺疾病诊断代码(国际疾病分类，第九版:491.22,491.21,491.9,491.8,493.2x, 492.8, 496;国际疾病分类，第十版:J42, J41.8, J44。*, J43。*)gydF4y2Ba

≥1例以慢性阻塞性肺疾病为主要诊断代码的住院出院患者(《国际疾病分类》第九版:491.22、491.21、491.9、491.8、493.2x、492.8、496;国际疾病分类，第十版:J42, J41.8, J44。*, J43。*)gydF4y2Ba

≥1例以呼吸衰竭为主要诊断代码的住院出院患者(《国际疾病分类》第九版:518.82,518.81,799.1,518.84;《国际疾病分类》第十版:J96.0*， J80, J96.9*， J96.2*， R09.2)和急性慢性阻塞性肺疾病加重的二次诊断代码(《国际疾病分类》第九版:491.22,491.21,493.22,493.21;国际疾病分类，第十版:J44.1, J44.0)gydF4y2Ba

 预测目标(又称结果或因变量)gydF4y2Ba

给定一名COPD患者，该患者在特定年份(指标年份)曾在UWM就诊过≥1次，我们使用该患者截至当年最后一天的数据来预测患者是否会出现严重的COPD加重，即主要诊断为COPD的任何急诊科就诊或住院(国际疾病分类，第九版:491.22,491.21,491.9,491.8,493.2x, 492.8, 496;国际疾病分类，第十版:J42, J41.8, J44。*， J43.*)，在第二年(gydF4y2Ba 图1gydF4y2Ba)．gydF4y2Ba

用于划分训练集和测试集的周期，以及用于计算患者和指数年对的预测目标和特征的周期。gydF4y2Ba

 数据集gydF4y2Ba

我们从UWM企业数据仓库中获得了一个结构化的数据集。该数据集包括2011年至2020年在UWM的3家医院和12家诊所就诊的患者队列的行政和临床数据。gydF4y2Ba

 特征(也称为自变量)gydF4y2Ba

为了提高模型的准确性，我们检查了在数据集中的结构化属性上计算的大量候选特征。表S1gydF4y2Ba 多媒体附件1gydF4y2Ba［gydF4y2Ba 3.gydF4y2Ba，gydF4y2Ba 18gydF4y2Ba，gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 50gydF4y2Ba，gydF4y2Ba 59gydF4y2Ba-gydF4y2Ba 83gydF4y2Ba]显示这278个候选特征来自四个来源:COPD加重的已知危险因素[gydF4y2Ba 3.gydF4y2Ba，gydF4y2Ba 18gydF4y2Ba，gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 50gydF4y2Ba，gydF4y2Ba 59gydF4y2Ba-gydF4y2Ba 72gydF4y2Ba]，先前模型中用于预测严重COPD加重的特征[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 53gydF4y2Ba]，我们团队的临床医生ZCL建议的特征，以及我们之前的模型中用于预测哮喘住院病例的特征[gydF4y2Ba 84gydF4y2Ba，gydF4y2Ba 85gydF4y2Ba］．哮喘与慢性阻塞性肺病有许多相似之处。在这篇文章中，当我们提到一种特定类型的物品(如药物)的数量时，不使用单词gydF4y2Ba 截然不同的gydF4y2Ba，我们计算多样性。gydF4y2Ba

预测模型的每个输入数据实例包含278个特征，对应于不同的患者和索引年对，并用于预测患者在下一年的结果。对于这一对，患者的年龄是根据指数年年底的年龄计算的。患者的初级保健提供者(PCP)被计算为到索引年年底患者的最后记录PCP。根据指数前年和指数年的数据计算PCP患者在指数前年COPD严重加重的百分比。使用从2011年到索引年的数据，我们计算出26个特征:数据集中与COPD相关的首次遭遇的年数，数据集中与COPD相关的首次遭遇的类型，7个过敏特征，以及17个与问题列表相关的特征。其他251个特征是根据索引年份的数据计算的。gydF4y2Ba

 数据分析gydF4y2Ba 数据准备gydF4y2Ba

使用我们论文中使用的数据准备方法[gydF4y2Ba 84gydF4y2Ba，gydF4y2Ba 85gydF4y2Ba]，我们确定了生物学上不可信的值，将其替换为空值，并将数据规范化。由于结果来自下一年，数据集在10年(2011-2020年)的时间跨度内有9年的有效数据(2011-2019年)。为了反映未来模型在临床实践中的使用，并评估COVID-19大流行对患者预后和模型性能的影响，我们进行了两项分析:gydF4y2Ba

主要分析:我们使用2011-2018年的数据实例作为训练集来训练模型，使用2019年的数据实例作为测试集来评估模型性能。gydF4y2Ba

性能稳定性分析:我们使用2011-2017年数据实例作为训练集来训练模型，使用2018年数据实例作为测试集来评估模型性能。gydF4y2Ba

 分类算法gydF4y2Ba

我们使用怀卡托知识分析环境(WEKA;3.9版)[gydF4y2Ba 86gydF4y2Ba］．WEKA是一个用于机器学习和数据挖掘的主要开源软件包。它集成了许多常用的机器学习算法和特征选择技术。我们研究了WEKA支持的39种分类算法，并在论文的基于web的多媒体附录中列出[gydF4y2Ba 84gydF4y2Ba]，以及Extreme Gradient Boosting (XGBoost) [gydF4y2Ba 87gydF4y2Ba在XGBoost4J包中实现[gydF4y2Ba 88gydF4y2Ba］．XGBoost是一种使用决策树集成的分类算法。由于XGBoost只接受数值特征，我们通过单热编码将分类特征转换为二进制特征。在主要分析中，我们使用了训练集和我们之前发表的自动机器学习模型选择方法[gydF4y2Ba 89gydF4y2Ba]以自动选择分类算法、特征选择技术、处理不平衡数据的数据平衡方法以及所有适用的超参数值。与Auto-WEKA自动机器学习模型选择方法比较[gydF4y2Ba 90gydF4y2Ba]时，我们的方法平均降低了11% (SD 15%)的模型错误率和28倍的搜索时间。在性能稳定性分析中，我们使用了与主分析最终模型相同的分类算法、特征选择技术和超参数值。gydF4y2Ba

 性能指标gydF4y2Ba

如公式所示，模型的性能根据以下指标进行评估:精度(gydF4y2Ba 表1gydF4y2Ba）;敏感，也叫回忆;特异性;正预测值(PPV)，又称精密度;负预测值(NPV);、受试者工作特征曲线(AUC)下面积:gydF4y2Ba

精度= (TP + TN) / (TP + TN + FP + FN)gydF4y2Ba (1）gydF4y2Ba 灵敏度= TP / (TP + FN)gydF4y2Ba （2）gydF4y2Ba 特异性= TN / (TN + FP)gydF4y2Ba （3）gydF4y2Ba PPV = tp / (tp + fp)gydF4y2Ba （4）gydF4y2Ba NPV = tn / (tn + fn)gydF4y2Ba （5）gydF4y2Ba

其中TP代表真阳性，TN代表真阴性，FP代表假阳性，FN代表假阴性。gydF4y2Ba

混淆矩阵。gydF4y2Ba

结果类gydF4y2Ba 严重的慢性阻塞性肺病gydF4y2Ba一个gydF4y2Ba在接下来的一年里恶化gydF4y2Ba 次年无严重COPD加重gydF4y2Ba
预测明年COPD严重恶化gydF4y2Ba 真阳性gydF4y2Ba 假阳性gydF4y2Ba
预测明年无严重COPD加重gydF4y2Ba 假阴性gydF4y2Ba 真正的负gydF4y2Ba

一个gydF4y2BaCOPD:慢性阻塞性肺病。gydF4y2Ba

我们使用自举方法计算了绩效指标的95% ci [gydF4y2Ba 91gydF4y2Ba］．我们从测试集中获得了1000个自举样本，并基于每个自举样本计算模型的性能度量。这为每个性能度量产生了1000个值。他们的2.5和97.5百分位提供了相应绩效指标的95% CI。为了描述敏感性和特异性之间的权衡，我们绘制了受试者工作特征曲线。gydF4y2Ba

 结果gydF4y2Ba 数据实例的分布和坏结果gydF4y2Ba

数据实例的数量随着时间的推移而增加。随着时间的推移，与坏结果相关的数据实例的比例保持相对稳定。唯一的例外是从2018年的5.21%(369/7089)突然下降到2019年的2.42% (182/7529)(gydF4y2Ba 表2gydF4y2Ba)，这是由于COVID-19大流行导致2020年急诊科就诊人数和慢性阻塞性肺病住院人数大幅下降[gydF4y2Ba 92gydF4y2Ba］．在主要分析中，训练集中5.66%(2040/36,047)的数据实例和测试集中2.42%(182/7529)的数据实例与下一年的严重COPD加重有关。在性能稳定性分析中，训练集中5.77%(1671/28,958)的数据实例和测试集中5.21%(369/7089)的数据实例与下一年的严重COPD加重有关。gydF4y2Ba

随着时间的推移，数据实例的分布和坏结果。gydF4y2Ba

一年gydF4y2Ba
2011gydF4y2Ba 2012gydF4y2Ba 2013gydF4y2Ba 2014gydF4y2Ba 2015gydF4y2Ba 2016gydF4y2Ba 2017gydF4y2Ba 2018gydF4y2Ba 2019gydF4y2Ba
数据实例ngydF4y2Ba 1848gydF4y2Ba 2725gydF4y2Ba 3204gydF4y2Ba 4009gydF4y2Ba 4875gydF4y2Ba 5793gydF4y2Ba 6504gydF4y2Ba 7089gydF4y2Ba 7529gydF4y2Ba
与严重COPD相关的数据实例gydF4y2Ba一个gydF4y2Ba下一年病情加重n (%)gydF4y2Ba 128 (6.93)gydF4y2Ba 176 (6.46)gydF4y2Ba 183 (5.71)gydF4y2Ba 223 (5.56)gydF4y2Ba 272 (5.58)gydF4y2Ba 351 (6.06)gydF4y2Ba 338 (5.2)gydF4y2Ba 369 (5.21)gydF4y2Ba 182 (2.42)gydF4y2Ba

一个gydF4y2BaCOPD:慢性阻塞性肺病。gydF4y2Ba

 病人的特点gydF4y2Ba

每个患者和索引年份对都匹配一个数据实例。对于主要分析的训练集和测试集，当比较与明年严重COPD加重相关的数据实例和与明年无严重COPD加重相关的数据实例之间的患者特征分布时，gydF4y2Ba PgydF4y2Ba使用卡方2样本检验和Cochran-Armitage趋势检验计算值[gydF4y2Ba 93gydF4y2Ba]用于分类特征和数字特征，分别为(gydF4y2Ba 表3gydF4y2Ba而且gydF4y2Ba 4gydF4y2Ba)．gydF4y2Ba

在主要分析的训练集中，大多数患者特征在与明年严重COPD加重相关的数据实例和与明年无严重COPD加重相关的数据实例之间显示出统计上显著不同的分布。有吸入皮质类固醇、长效β -2激动剂(LABA)和长效毒蕈碱拮抗剂(LAMA)组合处方的患者特征出现例外(gydF4y2Ba PgydF4y2Ba=点);持有磷酸二酯酶-4抑制剂处方(gydF4y2Ba PgydF4y2Ba= 0。06);患有糖尿病(gydF4y2Ba PgydF4y2Ba=点);出现湿疹(gydF4y2Ba PgydF4y2Ba= .30);患有肺癌(gydF4y2Ba PgydF4y2Ba=。31);是否有鼻窦炎(gydF4y2Ba PgydF4y2Ba=收)。在主要分析的测试集中，大多数患者特征在与次年严重COPD加重相关的数据实例和与次年无严重COPD加重相关的数据实例之间显示出统计学上显著不同的分布。有私人保险的病人特征除外(gydF4y2Ba PgydF4y2Ba= .79);有LABA和LAMA组合的处方(gydF4y2Ba PgydF4y2Ba= 54);有吸入性皮质类固醇、LABA和LAMA组合的处方(gydF4y2Ba PgydF4y2Ba= .90);持有磷酸二酯酶-4抑制剂处方(gydF4y2Ba PgydF4y2Ba= 10);有过敏性鼻炎(gydF4y2Ba PgydF4y2Ba= .24);出现焦虑或抑郁(gydF4y2Ba PgydF4y2Ba=。08);患有充血性心力衰竭(gydF4y2Ba PgydF4y2Ba=厚);患有糖尿病(gydF4y2Ba PgydF4y2Ba= .95);出现湿疹(gydF4y2Ba PgydF4y2Ba=。08);有高血压(gydF4y2Ba PgydF4y2Ba= . 05);患有肺癌(gydF4y2Ba PgydF4y2Ba= .51);患有肥胖症(gydF4y2Ba PgydF4y2Ba=升至);有鼻窦炎(gydF4y2Ba PgydF4y2Ba= 0);以及睡眠呼吸暂停(gydF4y2Ba PgydF4y2Ba= 22)。gydF4y2Ba

对训练集中的数据实例的患者特征进行了主要分析。gydF4y2Ba

病人的特点gydF4y2Ba 数据实例(N=36,047)， N (%)gydF4y2Ba 与严重COPD相关的数据实例gydF4y2Ba一个gydF4y2Ba下一年病情加重(N=2040)， N (%)gydF4y2Ba 与次年无严重COPD加重相关的数据实例(N=34,007)， N (%)gydF4y2Ba PgydF4y2Ba价值gydF4y2Ba
年龄(年)gydF4y2Ba <措施gydF4y2BabgydF4y2Ba
40 - 65gydF4y2Ba 18793 (52.13)gydF4y2Ba 1219 (59.75)gydF4y2Ba 17574 (51.68)gydF4y2Ba <措施gydF4y2Ba
> 65gydF4y2Ba 17254 (47.87)gydF4y2Ba 821 (40.25)gydF4y2Ba 16433 (48.32)gydF4y2Ba <措施gydF4y2Ba
性gydF4y2Ba <措施gydF4y2Ba
女gydF4y2Ba 15414 (42.76)gydF4y2Ba 749 (36.72)gydF4y2Ba 14665 (43.12)gydF4y2Ba <措施gydF4y2Ba
男性gydF4y2Ba 20633 (57.24)gydF4y2Ba 1291 (63.28)gydF4y2Ba 19342 (56.88)gydF4y2Ba <措施gydF4y2Ba
比赛gydF4y2Ba <措施gydF4y2Ba
美国印第安人或阿拉斯加原住民gydF4y2Ba 713 (1.98)gydF4y2Ba 26日(1.27)gydF4y2Ba 687 (2.02)gydF4y2Ba <措施gydF4y2Ba
亚洲gydF4y2Ba 2092 (5.8)gydF4y2Ba 144 (7.06)gydF4y2Ba 1948 (5.73)gydF4y2Ba <措施gydF4y2Ba
黑人或非裔美国人gydF4y2Ba 4795 (13.3)gydF4y2Ba 524 (25.69)gydF4y2Ba 4271 (12.56)gydF4y2Ba <措施gydF4y2Ba
夏威夷土著或其他太平洋岛民gydF4y2Ba 184 (0.51)gydF4y2Ba 8 (0.39)gydF4y2Ba 176 (0.52)gydF4y2Ba <措施gydF4y2Ba
白色gydF4y2Ba 27447 (76.14)gydF4y2Ba 1330 (65.2)gydF4y2Ba 26117 (76.8)gydF4y2Ba <措施gydF4y2Ba
其他的，未知的或未报告的gydF4y2Ba 816 (2.27)gydF4y2Ba 8 (0.39)gydF4y2Ba 808 (2.37)gydF4y2Ba <措施gydF4y2Ba
种族gydF4y2Ba <措施gydF4y2Ba
拉美裔gydF4y2Ba 857 (2.38)gydF4y2Ba 53 (2.6)gydF4y2Ba 804 (2.36)gydF4y2Ba <措施gydF4y2Ba
非西班牙裔gydF4y2Ba 32585 (90.39)gydF4y2Ba 1941 (95.15)gydF4y2Ba 30644 (90.11)gydF4y2Ba <措施gydF4y2Ba
未知或未报告gydF4y2Ba 2605 (7.23)gydF4y2Ba 46 (2.25)gydF4y2Ba 2559 (7.53)gydF4y2Ba <措施gydF4y2Ba
吸烟情况gydF4y2Ba <措施gydF4y2Ba
当前吸烟者gydF4y2Ba 16952 (47.03)gydF4y2Ba 1089 (53.38)gydF4y2Ba 15863 (46.65)gydF4y2Ba <措施gydF4y2Ba
他以前吸烟gydF4y2Ba 7367 (20.44)gydF4y2Ba 345 (16.91)gydF4y2Ba 7022 (20.65)gydF4y2Ba <措施gydF4y2Ba
从不吸烟或未知gydF4y2Ba 11728 (32.53)gydF4y2Ba 606 (29.71)gydF4y2Ba 11122 (32.7)gydF4y2Ba <措施gydF4y2Ba
保险gydF4y2Ba
私人gydF4y2Ba 17513 (48.58)gydF4y2Ba 834 (40.88)gydF4y2Ba 16679 (49.05)gydF4y2Ba <措施gydF4y2Ba
公共gydF4y2Ba 29598 (82.11)gydF4y2Ba 1767 (86.62)gydF4y2Ba 27831 (81.84)gydF4y2Ba <措施gydF4y2Ba
自费或慈善gydF4y2Ba 1994 (5.53)gydF4y2Ba 229 (11.23)gydF4y2Ba 1765 (5.19)gydF4y2Ba <措施gydF4y2Ba
与第一次相遇的年数有关gydF4y2Ba 慢性阻塞性肺病gydF4y2Ba 在数据集中gydF4y2Ba <措施gydF4y2Ba
≤3gydF4y2Ba 30315 (84.1)gydF4y2Ba 1566 (76.76)gydF4y2Ba 28749 (84.54)gydF4y2Ba <措施gydF4y2Ba
> 3gydF4y2Ba 5732 (15.9)gydF4y2Ba 474 (23.24)gydF4y2Ba 5258 (15.46)gydF4y2Ba <措施gydF4y2Ba
慢性阻塞性肺病gydF4y2Ba 药物处方gydF4y2Ba
ICSgydF4y2BacgydF4y2Ba 13327 (36.97)gydF4y2Ba 1119 (54.85)gydF4y2Ba 12208 (35.9)gydF4y2Ba <措施gydF4y2Ba
央行gydF4y2BadgydF4y2Ba 9608 (26.65)gydF4y2Ba 1042 (51.08)gydF4y2Ba 8566 (25.19)gydF4y2Ba <措施gydF4y2Ba
萨巴gydF4y2BaegydF4y2Ba 22549 (62.55)gydF4y2Ba 1684 (82.55)gydF4y2Ba 20865 (61.36)gydF4y2Ba <措施gydF4y2Ba
SABA和SAMA组合gydF4y2Ba 7174 (19.9)gydF4y2Ba 810 (39.71)gydF4y2Ba 6364 (18.71)gydF4y2Ba <措施gydF4y2Ba
喇嘛gydF4y2BafgydF4y2Ba 10243 (28.42)gydF4y2Ba 1001 (49.07)gydF4y2Ba 9242 (27.18)gydF4y2Ba <措施gydF4y2Ba
腊八粥gydF4y2BaggydF4y2Ba 8904 (24.7)gydF4y2Ba 842 (41.27)gydF4y2Ba 8062 (23.71)gydF4y2Ba <措施gydF4y2Ba
LABA和LAMA组合gydF4y2Ba 426 (1.18)gydF4y2Ba 40 (1.96)gydF4y2Ba 386 (1.14)gydF4y2Ba 措施gydF4y2Ba
ICS和LABA组合gydF4y2Ba 8326 (23.1)gydF4y2Ba 782 (38.33)gydF4y2Ba 7544 (22.18)gydF4y2Ba <措施gydF4y2Ba
ICS、LABA、LAMA组合gydF4y2Ba 16 (0.04)gydF4y2Ba 0 (0)gydF4y2Ba 16 (0.05)gydF4y2Ba 点gydF4y2Ba
Phosphodiesterase-4抑制剂gydF4y2Ba 94 (0.26)gydF4y2Ba 10 (0.49)gydF4y2Ba 84 (0.25)gydF4y2Ba 06gydF4y2Ba
系统性皮质类固醇gydF4y2Ba 11293 (31.33)gydF4y2Ba 1144 (56.08)gydF4y2Ba 10149 (29.84)gydF4y2Ba <措施gydF4y2Ba
伴随疾病gydF4y2Ba
过敏性鼻炎gydF4y2Ba 2445 (6.78)gydF4y2Ba 174 (8.53)gydF4y2Ba 2271 (6.68)gydF4y2Ba 措施gydF4y2Ba
焦虑或抑郁gydF4y2Ba 10786 (29.92)gydF4y2Ba 725 (35.54)gydF4y2Ba 10061 (29.59)gydF4y2Ba <措施gydF4y2Ba
哮喘gydF4y2Ba 4794 (13.3)gydF4y2Ba 417 (20.44)gydF4y2Ba 4377 (12.87)gydF4y2Ba <措施gydF4y2Ba
充血性心力衰竭gydF4y2Ba 6063 (16.82)gydF4y2Ba 495 (24.26)gydF4y2Ba 5568 (16.37)gydF4y2Ba <措施gydF4y2Ba
糖尿病gydF4y2Ba 7623 (21.15)gydF4y2Ba 446 (21.86)gydF4y2Ba 7177 (21.1)gydF4y2Ba 点gydF4y2Ba
湿疹gydF4y2Ba 1558 (4.32)gydF4y2Ba 98 (4.8)gydF4y2Ba 1460 (4.29)gydF4y2Ba .30gydF4y2Ba
胃食管反流gydF4y2Ba 7162 (19.87)gydF4y2Ba 507 (24.85)gydF4y2Ba 6655 (19.57)gydF4y2Ba <措施gydF4y2Ba
高血压gydF4y2Ba 18361 (50.94)gydF4y2Ba 1150 (56.37)gydF4y2Ba 17211 (50.61)gydF4y2Ba <措施gydF4y2Ba
缺血性心脏病gydF4y2Ba 7420 (20.58)gydF4y2Ba 486 (23.82)gydF4y2Ba 6934 (20.39)gydF4y2Ba <措施gydF4y2Ba
肺癌gydF4y2Ba 794 (2.2)gydF4y2Ba 52 (2.55)gydF4y2Ba 742 (2.18)gydF4y2Ba 。31gydF4y2Ba
肥胖gydF4y2Ba 3487 (9.67)gydF4y2Ba 255 (12.5)gydF4y2Ba 3232 (9.5)gydF4y2Ba <措施gydF4y2Ba
鼻窦炎gydF4y2Ba 1382 (3.83)gydF4y2Ba 83 (4.07)gydF4y2Ba 1299 (3.82)gydF4y2Ba 收gydF4y2Ba
睡眠呼吸暂停gydF4y2Ba 3179 (8.82)gydF4y2Ba 253 (12.4)gydF4y2Ba 2926 (8.6)gydF4y2Ba <措施gydF4y2Ba

一个gydF4y2BaCOPD:慢性阻塞性肺病。gydF4y2Ba

bgydF4y2Ba PgydF4y2Ba值<。05is italicized and signifies a statistically significant difference in the patient characteristic distributions.

cgydF4y2BaICS:吸入皮质类固醇。gydF4y2Ba

dgydF4y2Ba短效毒蕈碱拮抗剂。gydF4y2Ba

egydF4y2Ba短效β -2激动剂。gydF4y2Ba

fgydF4y2Ba长效毒蕈碱拮抗剂。gydF4y2Ba

ggydF4y2BaLABA:长效β -2激动剂。gydF4y2Ba

患者特征的数据实例在测试集的主要分析。gydF4y2Ba

病人的特点gydF4y2Ba 数据实例(N=7529)， N (%)gydF4y2Ba 与严重COPD相关的数据实例gydF4y2Ba一个gydF4y2Ba次年病情加重(N=182)， N (%)gydF4y2Ba 与次年无严重COPD加重相关的数据实例(N=7347)， N (%)gydF4y2Ba PgydF4y2Ba价值gydF4y2Ba
年龄(年)gydF4y2Ba <措施gydF4y2BabgydF4y2Ba
40 - 65gydF4y2Ba 3442 (45.72)gydF4y2Ba 118 (64.8)gydF4y2Ba 3324 (45.24)gydF4y2Ba <措施gydF4y2Ba
> 65gydF4y2Ba 4087 (54.28)gydF4y2Ba 64 (35.2)gydF4y2Ba 4023 (54.76)gydF4y2Ba <措施gydF4y2Ba
性gydF4y2Ba <措施gydF4y2Ba
女gydF4y2Ba 3289 (43.68)gydF4y2Ba 47 (25.8)gydF4y2Ba 3242 (44.13)gydF4y2Ba <措施gydF4y2Ba
男性gydF4y2Ba 4240 (56.32)gydF4y2Ba 135 (74.2)gydF4y2Ba 4105 (55.87)gydF4y2Ba <措施gydF4y2Ba
比赛gydF4y2Ba <措施gydF4y2Ba
美国印第安人或阿拉斯加原住民gydF4y2Ba 156 (2.07)gydF4y2Ba 5 (2.7)gydF4y2Ba 151 (2.06)gydF4y2Ba <措施gydF4y2Ba
亚洲gydF4y2Ba 439 (5.83)gydF4y2Ba 7 (3.9)gydF4y2Ba 432 (5.88)gydF4y2Ba <措施gydF4y2Ba
黑人或非裔美国人gydF4y2Ba 896 (11.9)gydF4y2Ba 57 (31.3)gydF4y2Ba 839 (11.42)gydF4y2Ba <措施gydF4y2Ba
夏威夷土著或其他太平洋岛民gydF4y2Ba 53 (0.71)gydF4y2Ba 2 (1.1)gydF4y2Ba 51 (0.69)gydF4y2Ba <措施gydF4y2Ba
白色gydF4y2Ba 5793 (76.94)gydF4y2Ba 111 (61)gydF4y2Ba 5682 (77.34)gydF4y2Ba <措施gydF4y2Ba
其他的，未知的或未报告的gydF4y2Ba 192 (2.55)gydF4y2Ba 0 (0)gydF4y2Ba 192 (2.61)gydF4y2Ba <措施gydF4y2Ba
种族gydF4y2Ba 03gydF4y2Ba
拉美裔gydF4y2Ba 188 (2.5)gydF4y2Ba 3 (1.6)gydF4y2Ba 185 (2.52)gydF4y2Ba 03gydF4y2Ba
非西班牙裔gydF4y2Ba 7088 (94.14)gydF4y2Ba 179 (98.4)gydF4y2Ba 6909 (94.04)gydF4y2Ba 03gydF4y2Ba
未知或未报告gydF4y2Ba 253 (3.36)gydF4y2Ba 0 (0)gydF4y2Ba 253 (3.44)gydF4y2Ba 03gydF4y2Ba
吸烟情况gydF4y2Ba 03gydF4y2Ba
当前吸烟者gydF4y2Ba 3893 (51.71)gydF4y2Ba 112 (61.5)gydF4y2Ba 3781 (51.46)gydF4y2Ba 03gydF4y2Ba
他以前吸烟gydF4y2Ba 1267 (16.83)gydF4y2Ba 25 (13.7)gydF4y2Ba 1242 (16.91)gydF4y2Ba 03gydF4y2Ba
从不吸烟或未知gydF4y2Ba 2369 (31.47)gydF4y2Ba 45 (24.7)gydF4y2Ba 2324 (31.63)gydF4y2Ba 03gydF4y2Ba
保险gydF4y2Ba
私人gydF4y2Ba 4642 (61.65)gydF4y2Ba 110 (60.4)gydF4y2Ba 4532 (61.69)gydF4y2Ba .79gydF4y2Ba
公共gydF4y2Ba 6901 (91.66)gydF4y2Ba 179 (98.4)gydF4y2Ba 6722 (91.49)gydF4y2Ba .002gydF4y2Ba
自费或慈善gydF4y2Ba 540 (7.17)gydF4y2Ba 41 (22.5)gydF4y2Ba 499 (6.79)gydF4y2Ba <措施gydF4y2Ba
数据集中与COPD相关的第一次遭遇的年数gydF4y2Ba <措施gydF4y2Ba
≤3gydF4y2Ba 5154 (68.46)gydF4y2Ba 81 (44.5)gydF4y2Ba 5073 (69.05)gydF4y2Ba <措施gydF4y2Ba
> 3gydF4y2Ba 2375 (31.54)gydF4y2Ba 101 (55.5)gydF4y2Ba 2274 (30.95)gydF4y2Ba <措施gydF4y2Ba
慢性阻塞性肺病gydF4y2Ba 药物处方gydF4y2Ba
ICSgydF4y2BacgydF4y2Ba 2635 (35)gydF4y2Ba 98 (53.8)gydF4y2Ba 2537 (34.53)gydF4y2Ba <措施gydF4y2Ba
央行gydF4y2BadgydF4y2Ba 1202 (15.96)gydF4y2Ba 68 (37.4)gydF4y2Ba 1134 (15.43)gydF4y2Ba <措施gydF4y2Ba
萨巴gydF4y2BaegydF4y2Ba 4241 (56.33)gydF4y2Ba 158 (86.8)gydF4y2Ba 4083 (55.57)gydF4y2Ba <措施gydF4y2Ba
SABA和SAMA组合gydF4y2Ba 1809 (24.03)gydF4y2Ba 115 (63.2)gydF4y2Ba 1694 (23.06)gydF4y2Ba <措施gydF4y2Ba
喇嘛gydF4y2BafgydF4y2Ba 2061 (27.37)gydF4y2Ba 110 (60.4)gydF4y2Ba 1951 (26.56)gydF4y2Ba <措施gydF4y2Ba
腊八粥gydF4y2BaggydF4y2Ba 1760 (23.38)gydF4y2Ba 77 (42.3)gydF4y2Ba 1683 (22.91)gydF4y2Ba <措施gydF4y2Ba
LABA和LAMA组合gydF4y2Ba 400 (5.31)gydF4y2Ba 12 (6.6)gydF4y2Ba 388 (5.28)gydF4y2Ba 54gydF4y2Ba
ICS和LABA组合gydF4y2Ba 1804 (23.96)gydF4y2Ba 75 (41.2)gydF4y2Ba 1729 (23.53)gydF4y2Ba <措施gydF4y2Ba
ICS、LABA、LAMA组合gydF4y2Ba 69 (0.92)gydF4y2Ba 1 (0.5)gydF4y2Ba 68 (0.93)gydF4y2Ba .90gydF4y2Ba
Phosphodiesterase-4抑制剂gydF4y2Ba 26日(0.35)gydF4y2Ba 2 (1.1)gydF4y2Ba 24 (0.33)gydF4y2Ba 低位gydF4y2Ba
系统性皮质类固醇gydF4y2Ba 2385 (31.68)gydF4y2Ba 103 (56.6)gydF4y2Ba 2282 (31.06)gydF4y2Ba <措施gydF4y2Ba
伴随疾病gydF4y2Ba
过敏性鼻炎gydF4y2Ba 410 (5.45)gydF4y2Ba 14 (7.7)gydF4y2Ba 396 (5.39)gydF4y2Ba 。gydF4y2Ba
焦虑或抑郁gydF4y2Ba 2153 (28.6)gydF4y2Ba 63 (34.6)gydF4y2Ba 2090 (28.45)gydF4y2Ba 。08gydF4y2Ba
哮喘gydF4y2Ba 1096 (14.56)gydF4y2Ba 43 (23.6)gydF4y2Ba 1053 (14.33)gydF4y2Ba <措施gydF4y2Ba
充血性心力衰竭gydF4y2Ba 1412 (18.75)gydF4y2Ba 43 (23.6)gydF4y2Ba 1369 (18.63)gydF4y2Ba 厚gydF4y2Ba
糖尿病gydF4y2Ba 1689 (22.43)gydF4y2Ba 40 (22)gydF4y2Ba 1649 (22.44)gydF4y2Ba .95gydF4y2Ba
湿疹gydF4y2Ba 258 (3.43)gydF4y2Ba 11 (6)gydF4y2Ba 247 (3.36)gydF4y2Ba 。08gydF4y2Ba
胃食管反流gydF4y2Ba 1443 (19.17)gydF4y2Ba 47 (25.8)gydF4y2Ba 1396 (19)gydF4y2Ba 03gydF4y2Ba
高血压gydF4y2Ba 3791 (50.35)gydF4y2Ba 105 (57.7)gydF4y2Ba 3686 (50.17)gydF4y2Ba 0。gydF4y2Ba
缺血性心脏病gydF4y2Ba 1658 (22.02)gydF4y2Ba 54 (29.7)gydF4y2Ba 1604 (21.83)gydF4y2Ba 02gydF4y2Ba
肺癌gydF4y2Ba 203 (2.7)gydF4y2Ba 3 (1.6)gydF4y2Ba 200 (2.72)gydF4y2Ba .51gydF4y2Ba
肥胖gydF4y2Ba 669 (8.89)gydF4y2Ba 21日(11.5)gydF4y2Ba 648 (8.82)gydF4y2Ba 二十五分gydF4y2Ba
鼻窦炎gydF4y2Ba 279 (3.71)gydF4y2Ba 7 (3.8)gydF4y2Ba 272 (3.7)gydF4y2Ba 获得gydF4y2Ba
睡眠呼吸暂停gydF4y2Ba 915 (12.15)gydF4y2Ba 28日(15.4)gydF4y2Ba 887 (12.07)gydF4y2Ba 口径。gydF4y2Ba

一个gydF4y2BaCOPD:慢性阻塞性肺病。gydF4y2Ba

bgydF4y2Ba PgydF4y2Ba值<。05is italicized and signifies a statistically significant difference in the patient characteristic distributions.

cgydF4y2BaICS:吸入皮质类固醇。gydF4y2Ba

dgydF4y2Ba短效毒蕈碱拮抗剂。gydF4y2Ba

egydF4y2Ba短效β -2激动剂。gydF4y2Ba

fgydF4y2Ba长效毒蕈碱拮抗剂。gydF4y2Ba

ggydF4y2BaLABA:长效β -2激动剂。gydF4y2Ba

 最终模型中使用的分类算法和特征gydF4y2Ba

XGBoost算法是由我们的自动机器学习模型选择方法[gydF4y2Ba 89gydF4y2Ba］．作为一种基于树的算法，XGBoost可以自然地处理特性中缺失的值。如Hastie等人所述[gydF4y2Ba 94gydF4y2Ba]， XGBoost根据每个特征对模型的贡献比例自动计算每个特征的重要性值。在主要分析中，使用XGBoost创建最终模型，表S2中按重要值降序排列的229个特征gydF4y2Ba 多媒体附件1gydF4y2Ba．其他特性没有额外的预测能力，被XGBoost自动删除了。gydF4y2Ba

 主要分析模型性能gydF4y2Ba

在对测试集的主要分析中，最终模型的AUC为0.866 (95% CI 0.838-0.892)，由模型的受试者工作特征曲线(gydF4y2Ba 图2gydF4y2Ba)．模型的性能指标随二元分类的截止阈值(gydF4y2Ba 表5gydF4y2Ba)．当使用预测风险最大的前9.99%(752/7529)的患者设置二元分类的截止阈值时，模型的准确率为90.33% (6801/7529;95% CI 89.61% ~ 91.01%)，灵敏度56.6% (103/182;95% CI 49.2% ~ 64.2%)，特异性91.17% (6698/7347;95% CI 90.51%-91.83%)， PPV为13.7% (103/752;95% CI 11.2% ~ 16.2%)， NPV为98.83% (6698/6777;95% CI 98.55%-99.08%)，由模型对应的混淆矩阵(gydF4y2Ba 表6gydF4y2Ba)．gydF4y2Ba

回想一下，27个候选特征是在≥2年的数据上计算出来的。当我们忽略这些特征，只考虑那些用指数年的数据计算出来的特征时，模型的AUC从0.866下降到0.859 (95% CI 0.834-0.884)。的前19个特征如表S2所示gydF4y2Ba 多媒体附件1gydF4y2Ba重要性值≥1%。当只使用这些特征时，模型的AUC从0.866下降到0.862 (95% CI 0.837-0.887)。在本例中，当使用预测风险最大的前9.99%(752/7529)的患者设置二元分类的截止阈值时，模型的准确率为90.25% (6795/7529;95% CI 89.56% ~ 90.9%)，灵敏度54.9% (100/182;95% CI 47.8% ~ 61.9%)，特异性91.13% (6695/7347;95% CI 90.43%-91.78%)， PPV为13.3% (100/752;95% CI 10.9%-15.7%)， NPV为98.79 (6695/6777;95% ci 98.52%-99.06%)。gydF4y2Ba

最后对接收机的工作特性曲线模型进行了主要分析。gydF4y2Ba

在主要分析中，最终模型的性能指标与使用不同的截止阈值进行二进制分类有关。gydF4y2Ba

预测风险最高的患者比例(%)gydF4y2Ba 准确度(N=7529)， N (%)gydF4y2Ba 灵敏度(N=182)， N (%)gydF4y2Ba 特异性(N=7347)， N (%)gydF4y2Ba 阳性预测值gydF4y2Ba 负预测值gydF4y2Ba
n (%)gydF4y2Ba NgydF4y2Ba n (%)gydF4y2Ba NgydF4y2Ba
1gydF4y2Ba 7336 (97.4)gydF4y2Ba 32 (17.6)gydF4y2Ba 7304 (99.4)gydF4y2Ba 32 (42.7)gydF4y2Ba 75gydF4y2Ba 7304 (98)gydF4y2Ba 7454gydF4y2Ba
2gydF4y2Ba 7299 (96.9)gydF4y2Ba 51 (28)gydF4y2Ba 7248 (98.7)gydF4y2Ba 51 (34)gydF4y2Ba 150gydF4y2Ba 7248 (98.2)gydF4y2Ba 7379gydF4y2Ba
3.gydF4y2Ba 7236 (96.1)gydF4y2Ba 57 (31.3)gydF4y2Ba 7179 (97.7)gydF4y2Ba 57 (25.3)gydF4y2Ba 225gydF4y2Ba 7179 (98.3)gydF4y2Ba 7304gydF4y2Ba
4gydF4y2Ba 7170 (95.2)gydF4y2Ba 62 (34.1)gydF4y2Ba 7108 (96.7)gydF4y2Ba 62 (20.6)gydF4y2Ba 301gydF4y2Ba 7108 (98.3)gydF4y2Ba 7228gydF4y2Ba
5gydF4y2Ba 7111 (94.4)gydF4y2Ba 70 (38.5)gydF4y2Ba 7041 (95.8)gydF4y2Ba 70 (18.6)gydF4y2Ba 376gydF4y2Ba 7041 (98.4)gydF4y2Ba 7153gydF4y2Ba
6gydF4y2Ba 7062 (93.8)gydF4y2Ba 83 (45.6)gydF4y2Ba 6979 (95)gydF4y2Ba 83 (18.4)gydF4y2Ba 451gydF4y2Ba 6979 (98.6)gydF4y2Ba 7078gydF4y2Ba
7gydF4y2Ba 6994 (92.9)gydF4y2Ba 87 (47.8)gydF4y2Ba 6907 (94)gydF4y2Ba 87 (16.5)gydF4y2Ba 527gydF4y2Ba 6907 (98.6)gydF4y2Ba 7002gydF4y2Ba
8gydF4y2Ba 6927 (92)gydF4y2Ba 91 (50)gydF4y2Ba 6836 (93)gydF4y2Ba 91 (15.1)gydF4y2Ba 602gydF4y2Ba 6836 (98.7)gydF4y2Ba 6927gydF4y2Ba
9gydF4y2Ba 6860 (91.1)gydF4y2Ba 95 (52.2)gydF4y2Ba 6765 (92.1)gydF4y2Ba 95 (14)gydF4y2Ba 677gydF4y2Ba 6765 (98.7)gydF4y2Ba 6852gydF4y2Ba
10gydF4y2Ba 6801 (90.3)gydF4y2Ba 103 (56.6)gydF4y2Ba 6698 (91.2)gydF4y2Ba 103 (13.7)gydF4y2Ba 752gydF4y2Ba 6698 (98.8)gydF4y2Ba 6777gydF4y2Ba
15gydF4y2Ba 6458 (85.8)gydF4y2Ba 120 (65.9)gydF4y2Ba 6338 (86.3)gydF4y2Ba 120 (10.6)gydF4y2Ba 1129gydF4y2Ba 6338 (99)gydF4y2Ba 6400gydF4y2Ba
20.gydF4y2Ba 6118 (81.3)gydF4y2Ba 138 (75.8)gydF4y2Ba 5980 (81.4)gydF4y2Ba 138 (9.2)gydF4y2Ba 1505gydF4y2Ba 5980 (99.3)gydF4y2Ba 6024gydF4y2Ba
25gydF4y2Ba 5767 (76.6)gydF4y2Ba 151 (83)gydF4y2Ba 5616 (76.4)gydF4y2Ba 151 (8)gydF4y2Ba 1882gydF4y2Ba 5616 (99.5)gydF4y2Ba 5647gydF4y2Ba

主要分析最终模型的混淆矩阵时，使用预测风险最大的前9.99%(794/7944)的患者来设置二元分类的截止阈值。gydF4y2Ba

结果类gydF4y2Ba 严重的慢性阻塞性肺病gydF4y2Ba一个gydF4y2Ba在接下来的一年里恶化gydF4y2Ba 次年无严重COPD加重gydF4y2Ba
预测明年COPD严重恶化gydF4y2Ba 103gydF4y2Ba 649gydF4y2Ba
预测明年无严重COPD加重gydF4y2Ba 79gydF4y2Ba 6698gydF4y2Ba

一个gydF4y2BaCOPD:慢性阻塞性肺病。gydF4y2Ba

 性能稳定性分析gydF4y2Ba

主分析中的最终模型与性能稳定性分析中的模型具有相对相似的性能(gydF4y2Ba 表7gydF4y2Ba)．gydF4y2Ba

最后对模型的性能进行了主要分析，并对模型的性能稳定性进行了分析。gydF4y2Ba

性能测量gydF4y2Ba 最后对模型进行了主要分析gydF4y2Ba一个gydF4y2Ba 模型在性能稳定性分析中的应用gydF4y2BabgydF4y2Ba
n (%;95%置信区间)gydF4y2Ba NgydF4y2Ba n (%;95%置信区间)gydF4y2Ba NgydF4y2Ba
精度gydF4y2Ba 6801 (90.3;89.6 - -91.0)gydF4y2Ba 7529gydF4y2Ba 6354 (89.6;88.9 - -90.3)gydF4y2Ba 7089gydF4y2Ba
灵敏度gydF4y2Ba 103 (56.6;49.2 - -64.2)gydF4y2Ba 182gydF4y2Ba 171 (46.3;40.9 - -51.5)gydF4y2Ba 369gydF4y2Ba
特异性gydF4y2Ba 6698 (91.2;90.5 - -91.8)gydF4y2Ba 7347gydF4y2Ba 6183 (92;91.4 - -92.7)gydF4y2Ba 6720gydF4y2Ba
阳性预测值gydF4y2Ba 103 (13.7;11.2 - -16.2)gydF4y2Ba 752gydF4y2Ba 171 (24.2;20.8 - -27.2)gydF4y2Ba 708gydF4y2Ba
负预测值gydF4y2Ba 6698 (98.8;98.6 - -99.1)gydF4y2Ba 6777gydF4y2Ba 6183 (96.9;96.4 - -97.3)gydF4y2Ba 6381gydF4y2Ba

一个gydF4y2Ba受试者工作特征曲线下面积0.866 (95% CI 0.838-0.892)。gydF4y2Ba

bgydF4y2Ba受试者工作特征曲线下面积0.847 (95% CI 0.828-0.864)。gydF4y2Ba

 讨论gydF4y2Ba 主要研究结果gydF4y2Ba

我们创建了一个机器学习模型来预测COPD患者在未来一年的严重COPD加重。该模型预测下一年严重COPD加重的AUC高于先前发布的每个模型的AUC [gydF4y2Ba 20.gydF4y2Ba，gydF4y2Ba 25gydF4y2Ba，gydF4y2Ba 27gydF4y2Ba，gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 33gydF4y2Ba，gydF4y2Ba 35gydF4y2Ba-gydF4y2Ba 43gydF4y2Ba，gydF4y2Ba 46gydF4y2Ba-gydF4y2Ba 49gydF4y2Ba，gydF4y2Ba 51gydF4y2Ba) (gydF4y2Ba 表8gydF4y2Ba而且gydF4y2Ba 9gydF4y2Ba)．在进一步改进我们模型的性能度量(例如，通过添加从临床记录中提取的特征)并使用我们最近发表的自动解释方法[gydF4y2Ba 95gydF4y2Ba]来自动解释模型的预测，我们的模型可以用作决策支持工具，建议COPD患者和高危患者使用护理管理来改善结果。gydF4y2Ba

的表S2gydF4y2Ba 多媒体附件1gydF4y2Ba，前19个特征中的许多与已发表的与COPD加重高度相关的(危险)因素相匹配，如既往COPD加重[gydF4y2Ba 18gydF4y2Ba，gydF4y2Ba 60gydF4y2Ba]，与慢性阻塞性肺病相关的既往医疗经历[gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 50gydF4y2Ba]，慢性阻塞性肺病药物使用[gydF4y2Ba 50gydF4y2Ba]， bmi [gydF4y2Ba 70gydF4y2Ba]，周围毛细血管氧饱和度[gydF4y2Ba 28gydF4y2Ba]，以及心率[gydF4y2Ba 71gydF4y2Ba］．gydF4y2Ba

我们检查了278个候选特征，其中82.4%(229/278)在最终模型中使用。许多被忽略的特征与结果相关，但除了最终模型中使用的229个特征外，它们对UWM数据集没有提供额外的预测能力。gydF4y2Ba

2019年严重COPD加重患病率突然下降。尽管出现了这种下降，但随着时间的推移，我们的模型仍然表现出相当稳健的性能。这是临床决策支持所需要的。gydF4y2Ba

我们的最终模型和先前预测COPD患者严重慢性阻塞性肺疾病(COPD)加重的几个模型的比较(第一部分)。gydF4y2Ba

模型gydF4y2Ba 数据gydF4y2Ba 数据实例数gydF4y2Ba 预测目标(结果)gydF4y2Ba 用于计算结果的周期长度gydF4y2Ba 不良预后发生率(%)gydF4y2Ba 检查的功能数量gydF4y2Ba 分类算法gydF4y2Ba 灵敏度(%)gydF4y2Ba 特异性(%)gydF4y2Ba PPVgydF4y2Ba一个gydF4y2Ba（％）gydF4y2Ba 净现值gydF4y2BabgydF4y2Ba（％）gydF4y2Ba AUCgydF4y2BacgydF4y2Ba
我们最终的模型gydF4y2Ba 行政和临床gydF4y2Ba 43576年gydF4y2Ba 艾德gydF4y2BadgydF4y2Ba就诊或因慢性阻塞性肺病住院gydF4y2Ba 1年gydF4y2Ba 5.1gydF4y2Ba 278gydF4y2Ba XGBoostgydF4y2BaegydF4y2Ba 56.6gydF4y2Ba 91.17gydF4y2Ba 13.7gydF4y2Ba 98.83gydF4y2Ba 0.866gydF4y2Ba
安纳瓦拉普等[gydF4y2Ba 20.gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 45722年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 11.63gydF4y2Ba 103gydF4y2Ba 逻辑回归gydF4y2Ba 17.3gydF4y2Ba 97.5gydF4y2Ba 48.1gydF4y2Ba 90gydF4y2Ba 0.77gydF4y2Ba
Tavakoli等人[gydF4y2Ba 21gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 222219年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 2个月gydF4y2Ba 1.02gydF4y2Ba 83gydF4y2Ba 梯度增加gydF4y2Ba 23gydF4y2Ba 98gydF4y2Ba - - - - - -gydF4y2BafgydF4y2Ba - - - - - -gydF4y2Ba 0.820gydF4y2Ba
桑普等[gydF4y2Ba 22gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 478772年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 6个月gydF4y2Ba 2．2gydF4y2Ba 101gydF4y2Ba 逻辑回归gydF4y2Ba 17.6gydF4y2Ba 96.6gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba
汤姆逊等[gydF4y2Ba 23gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 6574gydF4y2Ba 2次或2次以上加重(更换药物或因COPD住院)gydF4y2Ba 1 - 7年gydF4y2Ba 6.4gydF4y2Ba 11gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 18gydF4y2Ba 96gydF4y2Ba 0.73gydF4y2Ba
果园等[gydF4y2Ba 24gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 57150年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1天gydF4y2Ba 0．1gydF4y2Ba 153gydF4y2Ba 神经网络gydF4y2Ba 80gydF4y2Ba 60gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.740gydF4y2Ba
Suetomo等[gydF4y2Ba 25gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 123gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 12.2gydF4y2Ba 18gydF4y2Ba 逻辑回归gydF4y2Ba 53gydF4y2Ba 49gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.79gydF4y2Ba
李等[gydF4y2Ba 26gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 545gydF4y2Ba 更换药物、急诊科就诊或COPD住院gydF4y2Ba 6个月gydF4y2Ba 46gydF4y2Ba 10gydF4y2Ba 逻辑回归gydF4y2Ba 52gydF4y2Ba 69gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.63gydF4y2Ba
Faganello等人[gydF4y2Ba 27gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 120gydF4y2Ba 门诊、住院或急诊科的COPD患者gydF4y2Ba 1年gydF4y2Ba 50gydF4y2Ba 16gydF4y2Ba 逻辑回归gydF4y2Ba 58.3gydF4y2Ba 73.3gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.686gydF4y2Ba
Alcázar等[gydF4y2Ba 28gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 127gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 39.4gydF4y2Ba 9gydF4y2Ba 逻辑回归gydF4y2Ba 76.2gydF4y2Ba 77.3gydF4y2Ba 61.5gydF4y2Ba 87.2gydF4y2Ba 0.809gydF4y2Ba
Bertens等人[gydF4y2Ba 29gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 1033gydF4y2Ba 更换药物或COPD住院治疗gydF4y2Ba 2年gydF4y2Ba 28.3gydF4y2Ba 7gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.66gydF4y2Ba
Miravitlles等[gydF4y2Ba 30.gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 713gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 22.2gydF4y2Ba 7gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.582gydF4y2Ba
Make等[gydF4y2Ba 31gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 3141gydF4y2Ba 更换药物、急诊科就诊或COPD住院gydF4y2Ba 6个月gydF4y2Ba - - - - - -gydF4y2Ba 38gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.67gydF4y2Ba
Montserrat-Capdevila等[gydF4y2Ba 32gydF4y2Ba］gydF4y2Ba 行政和临床gydF4y2Ba 2501gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 3年gydF4y2Ba 32.5gydF4y2Ba 17gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.72gydF4y2Ba
科克霍夫等[gydF4y2Ba 33gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 16565年gydF4y2Ba 两次或两次以上病情加重(更换药物、急诊科就诊或因COPD住院)gydF4y2Ba 1年gydF4y2Ba 19.6gydF4y2Ba 22gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.735gydF4y2Ba
陈等[gydF4y2Ba 34gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 1711gydF4y2Ba 急诊科就诊或慢性阻塞性肺病住院gydF4y2Ba 5年gydF4y2Ba 30.6gydF4y2Ba 14gydF4y2Ba 考克斯比例风险回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.74gydF4y2Ba
Yii等[gydF4y2Ba 35gydF4y2Ba］gydF4y2Ba 行政和临床gydF4y2Ba 237gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 每位患者每年1.41美元gydF4y2Ba 31gydF4y2Ba 负二项回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.789gydF4y2Ba

一个gydF4y2BaPPV:阳性预测值。gydF4y2Ba

bgydF4y2BaNPV:负预测值。gydF4y2Ba

cgydF4y2BaAUC:接收机工作特性曲线下的面积。gydF4y2Ba

dgydF4y2Ba急诊室。gydF4y2Ba

egydF4y2BaXGBoost:极端梯度增强。gydF4y2Ba

fgydF4y2Ba在描述模型的初始论文中没有报告性能度量。gydF4y2Ba

我们的最终模型和先前预测COPD患者严重慢性阻塞性肺疾病(COPD)加重的几个模型的比较(第2部分)。gydF4y2Ba

模型gydF4y2Ba 数据gydF4y2Ba 数据实例数gydF4y2Ba 预测目标(结果)gydF4y2Ba 用于计算结果的周期长度gydF4y2Ba 不良预后发生率(%)gydF4y2Ba 检查的功能数量gydF4y2Ba 分类算法gydF4y2Ba 灵敏度(%)gydF4y2Ba 特异性(%)gydF4y2Ba PPVgydF4y2Ba一个gydF4y2Ba（％）gydF4y2Ba 净现值gydF4y2BabgydF4y2Ba（％）gydF4y2Ba AUCgydF4y2BacgydF4y2Ba
我们最终的模型gydF4y2Ba 行政和临床gydF4y2Ba 43576年gydF4y2Ba 艾德gydF4y2BadgydF4y2Ba就诊或因慢性阻塞性肺病住院gydF4y2Ba 1年gydF4y2Ba 5.1gydF4y2Ba 278gydF4y2Ba XGBoostgydF4y2BaegydF4y2Ba 56.6gydF4y2Ba 91.17gydF4y2Ba 13.7gydF4y2Ba 98.83gydF4y2Ba 0.866gydF4y2Ba
阿迪比等[gydF4y2Ba 36gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 2380gydF4y2Ba 急诊科就诊或慢性阻塞性肺病住院gydF4y2Ba 1年gydF4y2Ba 每年0.29gydF4y2Ba 13gydF4y2Ba 混合效应logisticgydF4y2Ba - - - - - -gydF4y2BafgydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.77gydF4y2Ba
斯坦福等人[gydF4y2Ba 37gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 258668年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 8.5gydF4y2Ba 30.gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.749gydF4y2Ba
斯坦福等人[gydF4y2Ba 38gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 223824年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 6.63gydF4y2Ba 30.gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.711gydF4y2Ba
斯坦福等人[gydF4y2Ba 39gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 92496年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba - - - - - -gydF4y2Ba 30.gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.801gydF4y2Ba
斯坦福等人[gydF4y2Ba 40gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 60776年gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 19.16gydF4y2Ba 8gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.742gydF4y2Ba
琼斯等人[gydF4y2Ba 41gydF4y2Ba］gydF4y2Ba 临床gydF4y2Ba 375gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba - - - - - -gydF4y2Ba 4gydF4y2Ba 指数gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.755gydF4y2Ba
琼斯等人[gydF4y2Ba 42gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 7105gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba - - - - - -gydF4y2Ba 8gydF4y2Ba 负二项回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.64gydF4y2Ba
范等[gydF4y2Ba 43gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 3282gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba 4.３gydF4y2Ba 23gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.706gydF4y2Ba
莫伊等[gydF4y2Ba 44gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 167gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 4-21月gydF4y2Ba 32.9gydF4y2Ba 6gydF4y2Ba 负二项回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.69gydF4y2Ba
布里格斯等人[gydF4y2Ba 45gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 8802gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 6个月至3年gydF4y2Ba 9gydF4y2Ba 13gydF4y2Ba 考克斯比例风险回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.71gydF4y2Ba
兰格等[gydF4y2Ba 46gydF4y2Ba］gydF4y2Ba 行政及研究gydF4y2Ba 6628gydF4y2Ba 更换药物或COPD住院治疗gydF4y2Ba 1年gydF4y2Ba 4.8gydF4y2Ba 3.gydF4y2Ba 黄金gydF4y2BaggydF4y2Ba分层gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.7gydF4y2Ba
Abascal-Bolado等[gydF4y2Ba 47gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 493gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 1年gydF4y2Ba - - - - - -gydF4y2Ba 8gydF4y2Ba 分类回归树gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.70gydF4y2Ba
Blanco-Aparicio等[gydF4y2Ba 48gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba One hundred.gydF4y2Ba 慢性阻塞性肺病急诊科gydF4y2Ba 1年gydF4y2Ba 21gydF4y2Ba 12gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.651gydF4y2Ba
刘等人[gydF4y2Ba 49gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 260gydF4y2Ba 更换药物、急诊科就诊或COPD住院gydF4y2Ba 1年gydF4y2Ba 40.8gydF4y2Ba 17gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.69gydF4y2Ba
聂维纳等人[gydF4y2Ba 50gydF4y2Ba］gydF4y2Ba 研究与临床gydF4y2Ba 1829gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 6个月gydF4y2Ba 8.3gydF4y2Ba 27gydF4y2Ba 考克斯比例风险回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.73gydF4y2Ba
奥斯汀等人[gydF4y2Ba 51gydF4y2Ba］gydF4y2Ba 行政gydF4y2Ba 638926年gydF4y2Ba copd相关住院时间gydF4y2Ba 1年gydF4y2Ba - - - - - -gydF4y2Ba 34gydF4y2Ba 逻辑回归gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.778gydF4y2Ba
马林等[gydF4y2Ba 52gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 275gydF4y2Ba 慢性阻塞性肺病住院治疗gydF4y2Ba 6个月至8年gydF4y2Ba - - - - - -gydF4y2Ba 4gydF4y2Ba 逻辑回归gydF4y2Ba 86gydF4y2Ba 73gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.88gydF4y2Ba
马林等[gydF4y2Ba 52gydF4y2Ba］gydF4y2Ba 研究gydF4y2Ba 275gydF4y2Ba 慢性阻塞性肺病急诊科gydF4y2Ba 6个月至8年gydF4y2Ba - - - - - -gydF4y2Ba 4gydF4y2Ba 逻辑回归gydF4y2Ba 58gydF4y2Ba 87gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba 0.78gydF4y2Ba
Ställberg等[gydF4y2Ba 53gydF4y2Ba］gydF4y2Ba 行政和临床gydF4y2Ba 7823gydF4y2Ba copd相关住院时间gydF4y2Ba 10天gydF4y2Ba - - - - - -gydF4y2Ba > 4000gydF4y2Ba XGBoostgydF4y2Ba 16gydF4y2Ba - - - - - -gydF4y2Ba 11gydF4y2Ba - - - - - -gydF4y2Ba 0.86gydF4y2Ba

一个gydF4y2BaPPV:阳性预测值。gydF4y2Ba

bgydF4y2BaNPV:负预测值。gydF4y2Ba

cgydF4y2BaAUC:接收机工作特性曲线下的面积。gydF4y2Ba

dgydF4y2Ba急诊室。gydF4y2Ba

egydF4y2BaXGBoost:极端梯度增强。gydF4y2Ba

fgydF4y2Ba在描述模型的初始论文中没有报告性能度量。gydF4y2Ba

ggydF4y2Ba金牌:全球慢性阻塞性肺病倡议。gydF4y2Ba

 与之前工作的比较gydF4y2Ba

研究人员以前创建了几个模型来预测COPD患者的严重COPD加重[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 53gydF4y2Ba］．gydF4y2Ba 表8gydF4y2Ba而且gydF4y2Ba 9gydF4y2Ba目前我们的最终模型和这些模型之间的比较，其中包括Guerra等人在系统综述中列出的所有相关模型[gydF4y2Ba 96gydF4y2Ba]和贝卢等人[gydF4y2Ba 97gydF4y2Ba]以及在评审之后发表的几个最新模型。我们最终的模型预测了明年严重的COPD加重。每一个预测未来一年COPD严重加重的先前模型的AUC都≤0.809，也就是说，至少比我们最终模型低0.057。与Ställberg等人开发的模型以外的预测严重COPD加重的先前模型相比[gydF4y2Ba 53gydF4y2Ba]，我们最终的模型使用了更广泛的具有预测能力的特征，这有助于提高模型的性能。gydF4y2Ba

我们最终模型的预测目标包括未来的急诊科就诊和未来的COPD住院患者，我们希望使用护理管理来预防。在所有先前的模型中，只有2 [gydF4y2Ba 34gydF4y2Ba，gydF4y2Ba 36gydF4y2Ba]的预测目标涵盖了未来的急诊科就诊和未来的COPD住院患者。大多数先前的模型要么只预测未来的急诊科就诊[gydF4y2Ba 48gydF4y2Ba，gydF4y2Ba 52gydF4y2Ba]或仅在未来住院治疗慢性阻塞性肺病[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 22gydF4y2Ba，gydF4y2Ba 24gydF4y2Ba，gydF4y2Ba 25gydF4y2Ba，gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 32gydF4y2Ba，gydF4y2Ba 35gydF4y2Ba，gydF4y2Ba 37gydF4y2Ba-gydF4y2Ba 45gydF4y2Ba，gydF4y2Ba 47gydF4y2Ba，gydF4y2Ba 50gydF4y2Ba-gydF4y2Ba 52gydF4y2Ba］．这将不足以预防未来的急诊科就诊和未来的COPD住院患者。其他先前的模型[gydF4y2Ba 23gydF4y2Ba，gydF4y2Ba 26gydF4y2Ba，gydF4y2Ba 27gydF4y2Ba，gydF4y2Ba 29gydF4y2Ba，gydF4y2Ba 31gydF4y2Ba，gydF4y2Ba 33gydF4y2Ba，gydF4y2Ba 46gydF4y2Ba，gydF4y2Ba 49gydF4y2Ba]的预测目标涵盖了中度和重度COPD加重，中度COPD加重通常指COPD药物的变化，如使用系统性皮质类固醇。这些预测目标对于确定护理管理风险最高的患者来说不够具体，因为护理管理计划只能容纳一小部分患者[gydF4y2Ba 17gydF4y2Ba］．gydF4y2Ba

为了使其适用于日常临床实践，我们最终的模型建立在常规可用的管理和临床数据之上。相比之下，其他几个研究小组开发的模型[gydF4y2Ba 23gydF4y2Ba-gydF4y2Ba 31gydF4y2Ba，gydF4y2Ba 33gydF4y2Ba，gydF4y2Ba 34gydF4y2Ba，gydF4y2Ba 36gydF4y2Ba，gydF4y2Ba 42gydF4y2Ba-gydF4y2Ba 50gydF4y2Ba，gydF4y2Ba 52gydF4y2Ba]使用了研究数据，其中一些在通常的临床实践中是不可用的。因此，这些模型不适合日常临床使用。gydF4y2Ba

我们开发的预测模型是为了指导COPD护理管理的登记决策，并预防严重的COPD恶化。为了给预防干预提供足够的提前时间，并充分利用宝贵的护理管理资源，我们选择了下一年严重COPD加重作为预测目标。相比之下，Orchard等人开发的模型[gydF4y2Ba 24gydF4y2Ba预测COPD患者第二天的住院时间。如果患者明天因慢性阻塞性肺病住院，从今天开始干预可能为时已晚，无法避免住院。目前，我们还没有关于任何干预措施需要多长时间才能有效预防严重COPD加重的发表结论。在Longman等人的研究[gydF4y2Ba 98gydF4y2Ba]和Johnston等人[gydF4y2Ba 99gydF4y2Ba]，几名临床医生表示，任何干预措施都可能需要长达3个月的时间才能有效防止患者因慢性门诊护理敏感疾病而住院。我们最终的模型将与短期预测模型有不同的临床用途。预见未来12个月内严重的COPD加重将有助于确定和个性化中期干预和维持疗法，以改变疾病的进程。相比之下，预测未来1天或几天内COPD严重加重，有助于决定急性治疗方法以改善预后，例如先发制人地住院以避免更严重的不良后果，但这对于试图在短时间内改善疾病的病程是不够的。事实上，被证明可以有效减少严重COPD加重的治疗方法通常不适用于急性治疗。gydF4y2Ba

马林等[gydF4y2Ba 52gydF4y2Ba]建立了一个预测COPD患者未来8年住院时间的模型，AUC为0.88，并建立了一个单独的模型，预测COPD患者未来8年的急诊时间，AUC为0.78。几年后的住院或急诊科就诊太遥远，不值得现在使用宝贵的护理管理资源来预防。gydF4y2Ba

对于未来将出现严重COPD加重的COPD患者，敏感性是模型识别的患者比例。敏感性的差异可能会极大地影响医院的使用。我们最终模型的灵敏度高于其他几个研究小组开发的模型所达到的灵敏度[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 22gydF4y2Ba，gydF4y2Ba 25gydF4y2Ba，gydF4y2Ba 26gydF4y2Ba，gydF4y2Ba 53gydF4y2Ba］．与我们最终的模型相比，Orchard等人开发的模型[gydF4y2Ba 24gydF4y2Ba]， Faganello等[gydF4y2Ba 27gydF4y2Ba]，以及Alcázar等[gydF4y2Ba 28gydF4y2Ba]每一种都以低得多的特异性为代价获得了更高的灵敏度。对于这3个模型中的每一个，如果我们调整二元分类的截止阈值，使我们的最终模型具有与该模型相同的特异性，我们的最终模型将获得比该模型更高的灵敏度。更具体地说，在特异性为60.02%(4410/7347)时，我们的最终模型实现了90.1%(164/182)的灵敏度，而Orchard等人开发的模型[gydF4y2Ba 24gydF4y2Ba]的灵敏度达到80%。在特异性为73.3%(5385/7347)的情况下，我们最终的模型达到了84.1%(153/182)的灵敏度，而Faganello等人[gydF4y2Ba 27gydF4y2Ba]的灵敏度为58.3%。在特异性为77.34%(5682/7347)时，我们的最终模型实现了81.9%(149/182)的灵敏度，而Alcázar等人开发的模型[gydF4y2Ba 28gydF4y2Ba]的灵敏度为76.2%。gydF4y2Ba

不良结果的患病率对任何模型的PPV都有很大影响[gydF4y2Ba One hundred.gydF4y2Ba］．在我们的数据集中，这种患病率约为5%，我们的最终模型达到了<14%的PPV。相比之下，在患病率为11.63%的数据集上，Annavarapu等人开发的模型[gydF4y2Ba 20.gydF4y2Ba的收视率达到48.1%。对于患病率为6.4%的数据集，Thomsen等人开发的模型[gydF4y2Ba 23gydF4y2Ba达到18%的PPV。在一个患病率为39.4%的数据集上，Alcázar等人开发的模型[gydF4y2Ba 28gydF4y2Ba]的PPV为61.5%。在所有3个病例中，不良预后患病率越高，PPV越大。gydF4y2Ba

我们的数据集是不平衡的，只有一小部分患者在明年出现严重的COPD加重。对于不平衡数据集，精度-召回曲线(AUPRC)下的面积比AUC下的面积更能衡量模型的整体性能[gydF4y2Ba 101gydF4y2Ba］．AUPRC仅报道了Ställberg等人开发的模型[gydF4y2Ba 53gydF4y2Ba]在所有先前的模型中。虽然由Ställberg等人开发的模型[gydF4y2Ba 53gydF4y2Ba]的AUC为0.86，仅略低于我们最终模型的AUC，我们最终模型的AUPRC为0.24 (95% CI 0.18-0.31)，是该模型0.08 AUPRC的3倍。此外，该模型还预测了未来10天内与COPD相关的住院时间，COPD可以是任何一种诊断。如果患者将在未来10天内住院，从今天开始进行干预可能为时已晚，无法避免住院。相比之下，我们最终的模型预测了明年主要诊断为COPD的急诊科就诊或住院次数，从而为有效的预防干预留出了更多的提前时间。gydF4y2Ba

 未来临床应用的考虑gydF4y2Ba

我们最终的模型达到的AUC大于以前文献中报道的用于预测明年严重COPD加重的AUC。尽管PPV相对较低，我们的最终模型仍然可以受益于医疗保健，原因有三。gydF4y2Ba

首先，UWM和Intermountain Healthcare等医疗保健系统使用专有模型来分配COPD护理管理资源，这些模型与以前发布的模型具有类似的性能。我们最终模型的AUC高于所有以前报道的用于预测明年严重COPD加重的AUC。因此，尽管我们计划在未来研究使用各种技术来进一步提高模型性能，但我们认为已经值得考虑使用我们的最终模型来取代目前在医疗保健系统(如UWM)中用于COPD护理管理的专有模型。gydF4y2Ba

其次，我们将二元分类的截止阈值设置在预测风险最大的前9.99%(752/7529)的患者。在这种情况下，一个完美的模型将达到24.2%的理论最大PPV(182/752)。我们最终模型的PPV是理论最大可能PPV的56.6%(103/182)。换句话说，我们最终的模型捕获了56.6%(103/182)的COPD患者，这些患者将在明年发生严重的COPD加重。如果我们将截止阈值更改为预测风险最大的前25%患者，最终模型将捕获83%(151/182)将在明年发生严重COPD加重的COPD患者。gydF4y2Ba

第三，我们最终模型的PPV水平的PPV适用于识别COPD患者和低成本预防干预的高风险患者，如安排护士通过电话进一步跟踪患者，教患者正确使用COPD吸入器，教患者正确使用峰值流量计在家自我监测症状，并让患者参加家庭肺康复计划[gydF4y2Ba 102gydF4y2Ba］．gydF4y2Ba

我们最终的模型使用了229个特征。例如，为了简化临床部署，我们可以减少重要值≥1%的前19个特征。一个特性的重要性值在不同的医疗保健系统中是不同的。如果条件允许，我们应该使用来自目标医疗保健系统的数据集来计算特征的重要性值，并决定保留哪些特征。gydF4y2Ba

我们最终的模型是基于XGBoost [gydF4y2Ba 87gydF4y2Ba]，它利用超参数scale_pos_weight来平衡数据集中2个结果类的权重[gydF4y2Ba 103gydF4y2Ba］．scale_pos_weight超参数是通过我们的自动模型选择方法[gydF4y2Ba 89gydF4y2Ba]到一个非默认值，以最大化我们最终模型的AUC [gydF4y2Ba 104gydF4y2Ba］．这导致了一个副作用，即大大增加了我们的模型预测的未来严重COPD加重的概率，使其值远远大于真实概率[gydF4y2Ba 103gydF4y2Ba］．然而，这并不影响我们识别预测风险最大的患者预防性干预的能力。如果愿意，我们可以通过保持scale_pos_weight的默认值1来放弃平衡。在这种情况下，我们模型的AUC将下降0.003至0.863 (95% CI 0.835-0.888)，这仍然大于以前发表的预测明年严重COPD加重的AUC。gydF4y2Ba

 限制gydF4y2Ba

这项研究有几个局限性，值得今后继续研究。gydF4y2Ba

首先，本研究仅使用结构化数据。值得考虑使用自然语言处理从非结构化临床记录中提取特征以提高模型性能。采用更高性能的模型可以更好地促进COPD护理管理。gydF4y2Ba

其次，本研究使用年龄、诊断代码、用药数据来识别COPD患者，并使用诊断代码和遭遇信息来确定预测目标。人们可以使用年龄、诊断代码和用药数据来很好地识别COPD患者[gydF4y2Ba 56gydF4y2Ba];然而，诊断代码在记录慢性阻塞性肺病住院时间方面的敏感性较低[gydF4y2Ba 105gydF4y2Ba］．我们的预测模型可能在寻找那些未来只会经历COPD住院治疗的患者方面表现不佳，而这些患者没有被我们当前预测目标的定义所捕获。我们希望这不会极大地影响我们的预测模型在促进COPD护理管理方面的有用性。根据我们目前对预测目标的定义，在我们的数据集中，> %的患者在接下来的一年发生了严重的COPD加重。如果预测模型完全捕捉到这些患者，则这些患者已经超过了典型护理管理计划的服务能力，该计划可以接收≤3%的患者[gydF4y2Ba 17gydF4y2Ba］．在未来，人们可以考虑通过自然语言处理同时添加药物数据和从临床记录中提取的信息，以更好地捕捉COPD住院患者的住院时间。gydF4y2Ba

第三，本研究采用非深度学习分类算法。深度学习提高了许多临床预测建模任务的模型性能[gydF4y2Ba 106gydF4y2Ba-gydF4y2Ba 111gydF4y2Ba］．值得研究的是，使用深度学习是否可以改善预测严重COPD加重的模型性能。gydF4y2Ba

第四，本研究使用了来自单一医疗保健系统的数据:UWM。值得评估我们的模型对其他医疗保健系统的通用性。为此，我们正在努力从Intermountain Healthcare获取COPD患者的数据集[gydF4y2Ba 112gydF4y2Ba］．gydF4y2Ba

第五，我们的数据集没有包含UWM患者在其他医疗保健系统的医疗保健使用信息。如果UWM患者在其他医疗保健系统的医疗保健使用数据可用，评估我们的模型的性能将如何变化是值得的。gydF4y2Ba

 结论gydF4y2Ba

这项工作提高了预测COPD患者严重COPD加重的技术水平。特别是，我们最终的模型在预测下一年严重COPD加重方面的AUC高于以前发表的所有模型。在进一步改进我们的模型性能度量并使用我们最近发布的自动解释方法后[gydF4y2Ba 95gydF4y2Ba]来自动解释模型的预测，我们的模型可以用于决策支持工具，指导COPD患者和高危患者使用护理管理，以改善结果。gydF4y2Ba

候选特征和最终模型中使用的特征在主要分析中及其重要值。gydF4y2Ba

 缩写gydF4y2Ba AUCgydF4y2Ba

接收机工作特性曲线下面积gydF4y2Ba

 AUPRCgydF4y2Ba

精度-召回曲线下的面积gydF4y2Ba

 慢性阻塞性肺病gydF4y2Ba

慢性阻塞性肺疾病gydF4y2Ba

 艾德gydF4y2Ba

急诊科gydF4y2Ba

 腊八粥gydF4y2Ba

长效β -2激动剂gydF4y2Ba

 喇嘛gydF4y2Ba

长效毒蕈碱拮抗剂gydF4y2Ba

 净现值gydF4y2Ba

负预测值gydF4y2Ba

 卡式肺囊虫肺炎gydF4y2Ba

初级保健提供者gydF4y2Ba

 PPVgydF4y2Ba

阳性预测值gydF4y2Ba

 UWMgydF4y2Ba

华盛顿大学医学院gydF4y2Ba

 WEKAgydF4y2Ba

知识分析的Waikato环境gydF4y2Ba

 XGBoostgydF4y2Ba

极端梯度增强gydF4y2Ba

GL和SZ得到了美国国立卫生研究院国家心肺和血液研究所的部分支持，资助号为R01HL142503。SZ还获得了国家医学图书馆培训基金的部分资助，资助号为T15LM007442。MA的部分资助来自空乘医学研究所(CIA190001)和加州烟草相关疾病研究项目(T29IR0715)。资助者在研究设计、数据收集和分析、发表决定或手稿准备中没有任何作用。YT在华盛顿大学(University of Washington)做访问博士生时进行了这项研究。gydF4y2Ba

论文主要由GL和SZ负责。SZ进行了文献综述，提取和分析数据，构建模型，并撰写了论文的初稿。GL对研究进行了概念化和设计，并参与了数据分析，并重写了整篇论文。MA和ZCL提供了临床专业知识，有助于概念化介绍，并修改了论文。YT参与了提取数据和确定生物学上不可信的值。gydF4y2Ba

没有宣布。gydF4y2Ba

 福特gydF4y2Ba 西文gydF4y2Ba 墨菲gydF4y2Ba 磅gydF4y2Ba KhavjougydF4y2Ba OgydF4y2Ba 贾尔斯gydF4y2Ba WHgydF4y2Ba 霍尔特gydF4y2Ba 简森-巴顿gydF4y2Ba 克罗夫特gydF4y2Ba 简森-巴顿gydF4y2Ba 2010年美国18岁以上成年人COPD的总医疗和缺勤费用以及到2020年的预测gydF4y2Ba 胸部gydF4y2Ba 2015gydF4y2Ba 01gydF4y2Ba 147gydF4y2Ba 1gydF4y2Ba 31gydF4y2Ba 45gydF4y2Ba 10.1378 / chest.14 - 0972gydF4y2Ba 25058738gydF4y2Ba 1891096gydF4y2Ba 本周的疾病或状况-慢性阻塞性肺病gydF4y2Ba 疾病控制和预防中心gydF4y2Ba 2019gydF4y2Ba 2021-12-20gydF4y2Ba https://www.cdc.gov/dotw/copd/index.htmlgydF4y2Ba 2020年黄金报告gydF4y2Ba 慢性阻塞性肺病全球倡议gydF4y2Ba 2020gydF4y2Ba 2021-12-20gydF4y2Ba https://goldcopd.org/gold-reportsgydF4y2Ba 布兰切特gydF4y2Ba 厘米gydF4y2Ba 中间人gydF4y2Ba AAgydF4y2Ba 马佩尔gydF4y2Ba DgydF4y2Ba 20年来COPD人口统计数据和费用的变化gydF4y2Ba 医学经济学gydF4y2Ba 2012gydF4y2Ba 15gydF4y2Ba 6gydF4y2Ba 1176gydF4y2Ba 82gydF4y2Ba 10.3111 / 13696998.2012.713880gydF4y2Ba 22812689gydF4y2Ba AnzuetogydF4y2Ba 一个gydF4y2Ba LeimergydF4y2Ba 我gydF4y2Ba KestengydF4y2Ba 年代gydF4y2Ba COPD加重频率对肺功能、健康状况和临床结局的影响gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2009gydF4y2Ba 4gydF4y2Ba 245gydF4y2Ba 51gydF4y2Ba 10.2147 / copd.s4862gydF4y2Ba 19657398gydF4y2Ba PMC2719254gydF4y2Ba 小康纳斯gydF4y2Ba 房颤gydF4y2Ba 道森gydF4y2Ba NVgydF4y2Ba 托马斯。gydF4y2Ba CgydF4y2Ba 小哈勒尔gydF4y2Ba 菲gydF4y2Ba DesbiensgydF4y2Ba NgydF4y2Ba FulkersongydF4y2Ba WJgydF4y2Ba KussingydF4y2Ba PgydF4y2Ba 贝拉米gydF4y2Ba PgydF4y2Ba 高盛gydF4y2Ba lgydF4y2Ba 呈递gydF4y2Ba 佤邦gydF4y2Ba 严重慢性阻塞性肺病急性加重后的预后。SUPPORT研究者(了解预后、结果偏好和治疗风险的研究)gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 1996gydF4y2Ba 10gydF4y2Ba 154gydF4y2Ba 4 Pt 1gydF4y2Ba 959gydF4y2Ba 67gydF4y2Ba 10.1164 / ajrccm.154.4.8887592gydF4y2Ba 8887592gydF4y2Ba VigliogydF4y2Ba 年代gydF4y2Ba IadarolagydF4y2Ba PgydF4y2Ba 刚刚gydF4y2Ba 一个gydF4y2Ba TrisolinigydF4y2Ba RgydF4y2Ba TinelligydF4y2Ba CgydF4y2Ba BalbigydF4y2Ba BgydF4y2Ba 葛拉gydF4y2Ba VgydF4y2Ba WorlitzschgydF4y2Ba DgydF4y2Ba 多尔gydF4y2Ba GgydF4y2Ba 梅洛尼gydF4y2Ba FgydF4y2Ba 迈耶gydF4y2Ba KCgydF4y2Ba DowsongydF4y2Ba lgydF4y2Ba 山gydF4y2Ba SLgydF4y2Ba StockleygydF4y2Ba 类风湿性关节炎gydF4y2Ba LuisettigydF4y2Ba 米gydF4y2Ba 慢性破坏性肺病患者尿中氨脂氨酸和异氨脂氨酸的MEKCgydF4y2Ba 呼吸呼吸JgydF4y2Ba 2000gydF4y2Ba 06gydF4y2Ba 15gydF4y2Ba 6gydF4y2Ba 1039gydF4y2Ba 45gydF4y2Ba 10.1034 / j.1399-3003.2000.01511.xgydF4y2Ba 10885422gydF4y2Ba KannergydF4y2Ba 再保险gydF4y2Ba AnthonisengydF4y2Ba NRgydF4y2Ba ConnettgydF4y2Ba 我gydF4y2Ba 肺健康研究小组gydF4y2Ba 下呼吸道疾病促进当前吸烟者的FEV(1)下降，但不会促进患有轻度慢性阻塞性肺疾病的前吸烟者:肺部健康研究的结果gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2001gydF4y2Ba 08gydF4y2Ba 01gydF4y2Ba 164gydF4y2Ba 3.gydF4y2Ba 358gydF4y2Ba 64gydF4y2Ba 10.1164 / ajrccm.164.3.2010017gydF4y2Ba 11500333gydF4y2Ba 斯宾塞gydF4y2Ba 年代gydF4y2Ba 琼斯gydF4y2Ba PWgydF4y2Ba GLOBE研究小组gydF4y2Ba 慢性支气管炎感染加重后健康状况恢复的时间进程gydF4y2Ba 胸腔gydF4y2Ba 2003gydF4y2Ba 07gydF4y2Ba 58gydF4y2Ba 7gydF4y2Ba 589gydF4y2Ba 93gydF4y2Ba 10.1136 / thorax.58.7.589gydF4y2Ba 12832673gydF4y2Ba PMC1746751gydF4y2Ba 斯宾塞gydF4y2Ba 年代gydF4y2Ba 公司gydF4y2Ba 点gydF4y2Ba 伯吉斯gydF4y2Ba PSgydF4y2Ba 琼斯gydF4y2Ba PWgydF4y2Ba ISOLDE研究组。吸入类固醇在阻塞性肺病中的应用gydF4y2Ba 慢性阻塞性肺疾病患者健康状况恶化gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2001gydF4y2Ba 01gydF4y2Ba 163gydF4y2Ba 1gydF4y2Ba 122gydF4y2Ba 8gydF4y2Ba 10.1164 / ajrccm.163.1.2005009gydF4y2Ba 11208636gydF4y2Ba 约翰斯顿gydF4y2Ba JgydF4y2Ba 朗文gydF4y2Ba JgydF4y2Ba 埃瓦尔德gydF4y2Ba DgydF4y2Ba 王gydF4y2Ba JgydF4y2Ba 达斯gydF4y2Ba 年代gydF4y2Ba PasseygydF4y2Ba 米gydF4y2Ba 慢性疾病的潜在可预防住院(PPH)研究:可预防的比例是多少?哪些因素与可预防的PPH相关?gydF4y2Ba BMJ开放gydF4y2Ba 2020gydF4y2Ba 11gydF4y2Ba 09gydF4y2Ba 10gydF4y2Ba 11gydF4y2Ba e038415gydF4y2Ba 10.1136 / bmjopen - 2020 - 038415gydF4y2Ba 33168551gydF4y2Ba bmjopen - 2020 - 038415gydF4y2Ba PMC7654103gydF4y2Ba 比林斯gydF4y2Ba JgydF4y2Ba ZeitelgydF4y2Ba lgydF4y2Ba LukomnikgydF4y2Ba JgydF4y2Ba 凯里gydF4y2Ba TSgydF4y2Ba 空白gydF4y2Ba AEgydF4y2Ba 纽曼gydF4y2Ba lgydF4y2Ba 纽约市社会经济地位对医院使用的影响gydF4y2Ba 卫生助理(米尔伍德)gydF4y2Ba 1993gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 162gydF4y2Ba 73gydF4y2Ba 10.1377 / hlthaff.12.1.162gydF4y2Ba 8509018gydF4y2Ba 梅斯gydF4y2Ba 全科医生gydF4y2Ba 邓肯gydF4y2Ba GgydF4y2Ba 白色gydF4y2Ba JgydF4y2Ba 管理式医疗复苏?健康计划成本控制战略的最近变化gydF4y2Ba 卫生助理(米尔伍德)gydF4y2Ba 2004gydF4y2Ba 补充网络独家gydF4y2Ba 427gydF4y2Ba 36gydF4y2Ba 10.1377 / hlthaff.w4.427gydF4y2Ba 15451964gydF4y2Ba hlthaff.w4.427gydF4y2Ba 大米gydF4y2Ba 吉隆坡gydF4y2Ba 政府高级官员gydF4y2Ba NgydF4y2Ba 布洛姆菲尔德gydF4y2Ba 他gydF4y2Ba 烧烤gydF4y2Ba JgydF4y2Ba SchultgydF4y2Ba TMgydF4y2Ba 纳尔逊gydF4y2Ba DBgydF4y2Ba KumarigydF4y2Ba 年代gydF4y2Ba 托马斯。gydF4y2Ba 米gydF4y2Ba 感性gydF4y2Ba LJgydF4y2Ba 托架gydF4y2Ba CgydF4y2Ba 考德威尔gydF4y2Ba 米gydF4y2Ba NiewoehnergydF4y2Ba 德gydF4y2Ba 慢性阻塞性肺疾病的疾病管理方案:一项随机对照试验gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2010gydF4y2Ba 10gydF4y2Ba 1gydF4y2Ba 182gydF4y2Ba 7gydF4y2Ba 890gydF4y2Ba 6gydF4y2Ba 10.1164 / rccm.200910 - 1579摄氏度gydF4y2Ba 20075385gydF4y2Ba 200910 - 1579摄氏度gydF4y2Ba BandurskagydF4y2Ba EgydF4y2Ba Damps-Konstań斯卡gydF4y2Ba 我gydF4y2Ba PopowskigydF4y2Ba PgydF4y2Ba JędrzejczykgydF4y2Ba TgydF4y2Ba JanowiakgydF4y2Ba PgydF4y2Ba ŚwiętnickagydF4y2Ba KgydF4y2Ba Zarzeczna-BarangydF4y2Ba 米gydF4y2Ba 前来gydF4y2Ba EgydF4y2Ba 综合护理模式(ICM)对晚期慢性阻塞性肺疾病(COPD)管理中直接医疗费用的影响gydF4y2Ba 医学科学监测gydF4y2Ba 2017gydF4y2Ba 06gydF4y2Ba 12gydF4y2Ba 23gydF4y2Ba 2850gydF4y2Ba 62gydF4y2Ba 10.12659 / msm.901982gydF4y2Ba 28603270gydF4y2Ba 901982gydF4y2Ba PMC5478556gydF4y2Ba 咖喱gydF4y2Ba NgydF4y2Ba 比林斯gydF4y2Ba JgydF4y2Ba 达林gydF4y2Ba BgydF4y2Ba 迪克森gydF4y2Ba JgydF4y2Ba 威廉姆斯gydF4y2Ba 米gydF4y2Ba WennberggydF4y2Ba DgydF4y2Ba 预测风险项目文献综述gydF4y2Ba 国王基金，伦敦gydF4y2Ba 2005gydF4y2Ba 2021-12-20gydF4y2Ba http://www.kingsfund.org.uk/sites/files/kf/field/field_document/predictive-risk-literature-review-june2005.pdf,gydF4y2Ba 阿克塞尔罗德gydF4y2Ba 钢筋混凝土gydF4y2Ba 沃格尔gydF4y2Ba DgydF4y2Ba 健康计划中的预测模型gydF4y2Ba Dis Manag健康结果gydF4y2Ba 2003gydF4y2Ba 11gydF4y2Ba 12gydF4y2Ba 779gydF4y2Ba 87gydF4y2Ba 10.2165 / 00115677-200311120-00003gydF4y2Ba 赫斯特gydF4y2Ba 小gydF4y2Ba VestbogydF4y2Ba JgydF4y2Ba AnzuetogydF4y2Ba 一个gydF4y2Ba LocantoregydF4y2Ba NgydF4y2Ba MullerovagydF4y2Ba HgydF4y2Ba Tal-SingergydF4y2Ba RgydF4y2Ba 米勒gydF4y2Ba BgydF4y2Ba 洛玛斯gydF4y2Ba 达gydF4y2Ba AgustigydF4y2Ba 一个gydF4y2Ba 马克尼gydF4y2Ba WgydF4y2Ba 公司gydF4y2Ba PgydF4y2Ba 雷纳德gydF4y2Ba 年代gydF4y2Ba 伍特斯gydF4y2Ba 英孚gydF4y2Ba WedzichagydF4y2Ba 晶澳gydF4y2Ba COPD纵向评估以确定预测替代终点(ECLIPSE)研究者gydF4y2Ba 慢性阻塞性肺疾病易加重gydF4y2Ba N英语J医学gydF4y2Ba 2010gydF4y2Ba 09gydF4y2Ba 16gydF4y2Ba 363gydF4y2Ba 12gydF4y2Ba 1128gydF4y2Ba 38gydF4y2Ba 10.1056 / NEJMoa0909883gydF4y2Ba 20843247gydF4y2Ba BlagevgydF4y2Ba DPgydF4y2Ba CollingridgegydF4y2Ba DSgydF4y2Ba 意图gydF4y2Ba 年代gydF4y2Ba 新闻gydF4y2Ba VGgydF4y2Ba ChurpekgydF4y2Ba 毫米gydF4y2Ba 凯里gydF4y2Ba KgydF4y2Ba MularskigydF4y2Ba 类风湿性关节炎gydF4y2Ba 曾gydF4y2Ba 年代gydF4y2Ba ArjomandigydF4y2Ba 米gydF4y2Ba 临床人群严重慢性阻塞性肺疾病加重频率和医疗保健利用的稳定性gydF4y2Ba 慢性血脂障碍gydF4y2Ba 2018gydF4y2Ba 06gydF4y2Ba 20.gydF4y2Ba 5gydF4y2Ba 3.gydF4y2Ba 208gydF4y2Ba 20.gydF4y2Ba 10.15326 / jcopdf.5.3.2017.0183gydF4y2Ba 30584584gydF4y2Ba PMC6296787gydF4y2Ba AnnavarapugydF4y2Ba 年代gydF4y2Ba 戈德法布gydF4y2Ba 年代gydF4y2Ba GelbgydF4y2Ba 米gydF4y2Ba ·莫瑞兹gydF4y2Ba CgydF4y2Ba 仁达gydF4y2Ba 一个gydF4y2Ba 开啦gydF4y2Ba 年代gydF4y2Ba 开发和验证一种预测模型，利用行政索赔数据识别有严重COPD加重风险的患者gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2018gydF4y2Ba 13gydF4y2Ba 2121gydF4y2Ba 30.gydF4y2Ba 10.2147 / COPD.S155773gydF4y2Ba 30022818gydF4y2Ba 慢性阻塞性肺病- 13 - 2121gydF4y2Ba PMC6045902gydF4y2Ba TavakoligydF4y2Ba HgydF4y2Ba 陈gydF4y2Ba WgydF4y2Ba 罪gydF4y2Ba DDgydF4y2Ba 菲茨杰拉德gydF4y2Ba JMgydF4y2Ba SadatsafavigydF4y2Ba 米gydF4y2Ba 预测严重慢性阻塞性肺疾病加重。利用行政数据开发人口监测方法gydF4y2Ba 安胸社gydF4y2Ba 2020gydF4y2Ba 09gydF4y2Ba 17gydF4y2Ba 9gydF4y2Ba 1069gydF4y2Ba 76gydF4y2Ba 10.1513 / annalsats.202001 - 070摄氏度gydF4y2Ba 32383971gydF4y2Ba 桑普gydF4y2Ba JCgydF4y2Ba 锺株gydF4y2Ba 乔丹gydF4y2Ba SchumockgydF4y2Ba GTgydF4y2Ba CalipgydF4y2Ba GSgydF4y2Ba 皮卡德gydF4y2Ba 作为gydF4y2Ba 李gydF4y2Ba 助教gydF4y2Ba 预测慢性阻塞性肺疾病的急性加重gydF4y2Ba J Manag护理Spec PharmgydF4y2Ba 2018gydF4y2Ba 03gydF4y2Ba 24gydF4y2Ba 3.gydF4y2Ba 265gydF4y2Ba 79gydF4y2Ba 10.18553 / jmcp.2018.24.3.265gydF4y2Ba 29485951gydF4y2Ba 汤姆森gydF4y2Ba 米gydF4y2Ba IngebrigtsengydF4y2Ba TSgydF4y2Ba MarottgydF4y2Ba 莱托gydF4y2Ba 达尔gydF4y2Ba 米gydF4y2Ba 兰格gydF4y2Ba PgydF4y2Ba VestbogydF4y2Ba JgydF4y2Ba NordestgaardgydF4y2Ba BGgydF4y2Ba 慢性阻塞性肺疾病的炎症生物标志物和加重gydF4y2Ba 美国医学协会gydF4y2Ba 2013gydF4y2Ba 06gydF4y2Ba 12gydF4y2Ba 309gydF4y2Ba 22gydF4y2Ba 2353gydF4y2Ba 61gydF4y2Ba 10.1001 / jama.2013.5732gydF4y2Ba 23757083gydF4y2Ba 1696097gydF4y2Ba 果园gydF4y2Ba PgydF4y2Ba AgakovagydF4y2Ba 一个gydF4y2Ba 小桥gydF4y2Ba HgydF4y2Ba 伯顿gydF4y2Ba CDgydF4y2Ba SarrangydF4y2Ba CgydF4y2Ba AgakovgydF4y2Ba FgydF4y2Ba 麦金斯gydF4y2Ba BgydF4y2Ba 改进慢性阻塞性肺疾病住院风险预测:机器学习在远程监测数据中的应用gydF4y2Ba J医疗互联网服务gydF4y2Ba 2018gydF4y2Ba 09gydF4y2Ba 21gydF4y2Ba 20.gydF4y2Ba 9gydF4y2Ba e263gydF4y2Ba 10.2196 / jmir.9227gydF4y2Ba 30249589gydF4y2Ba v20i9e263gydF4y2Ba PMC6231768gydF4y2Ba SuetomogydF4y2Ba 米gydF4y2Ba KawayamagydF4y2Ba TgydF4y2Ba 木下光男gydF4y2Ba TgydF4y2Ba 竹中平藏gydF4y2Ba 年代gydF4y2Ba 松岗gydF4y2Ba 米gydF4y2Ba MatsunagagydF4y2Ba KgydF4y2Ba 星野gydF4y2Ba TgydF4y2Ba COPD评估测试得分与日本患者慢性阻塞性肺疾病加重相关gydF4y2Ba 和InvestiggydF4y2Ba 2014gydF4y2Ba 09gydF4y2Ba 52gydF4y2Ba 5gydF4y2Ba 288gydF4y2Ba 95gydF4y2Ba 10.1016 / j.resinv.2014.04.004gydF4y2Ba 25169844gydF4y2Ba s2212 - 5345 (14) 00050 - 1gydF4y2Ba 李gydF4y2Ba SDgydF4y2Ba 黄gydF4y2Ba 女士gydF4y2Ba 康gydF4y2Ba JgydF4y2Ba 林gydF4y2Ba CHgydF4y2Ba 公园gydF4y2Ba 乔丹gydF4y2Ba 哦gydF4y2Ba YMgydF4y2Ba KwongydF4y2Ba NgydF4y2Ba 琼斯gydF4y2Ba PWgydF4y2Ba SajkovgydF4y2Ba DgydF4y2Ba CAT在COPD急性加重期(PACE)预测能力的研究人员gydF4y2Ba COPD评估测试(CAT)有助于预测高危患者的COPD加重gydF4y2Ba 和地中海gydF4y2Ba 2014gydF4y2Ba 04gydF4y2Ba 108gydF4y2Ba 4gydF4y2Ba 600gydF4y2Ba 8gydF4y2Ba 10.1016 / j.rmed.2013.12.014gydF4y2Ba 24456695gydF4y2Ba s0954 - 6111 (13) 00500 - 3gydF4y2Ba FaganellogydF4y2Ba 毫米gydF4y2Ba TannigydF4y2Ba SEgydF4y2Ba 桑切斯gydF4y2Ba FFgydF4y2Ba PelegrinogydF4y2Ba NRgydF4y2Ba LuchetagydF4y2Ba 巴勒斯坦权力机构gydF4y2Ba 戈多gydF4y2Ba 我gydF4y2Ba BODE指数和GOLD分期作为慢性阻塞性肺疾病1年恶化风险的预测因子gydF4y2Ba 美国医学科学杂志gydF4y2Ba 2010gydF4y2Ba 01gydF4y2Ba 339gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 4gydF4y2Ba 10.1097 / MAJ.0b013e3181bb8111gydF4y2Ba 19926966gydF4y2Ba s0002 - 9629 (15) 31710 - 9gydF4y2Ba 城堡gydF4y2Ba BgydF4y2Ba Garcia-PologydF4y2Ba CgydF4y2Ba HerrejongydF4y2Ba 一个gydF4y2Ba 鲁伊斯gydF4y2Ba 拉gydF4y2Ba 德·米盖尔gydF4y2Ba JgydF4y2Ba RosgydF4y2Ba 晶澳gydF4y2Ba Garcia-SidrogydF4y2Ba PgydF4y2Ba 康德gydF4y2Ba GTgydF4y2Ba Lopez-CamposgydF4y2Ba 莱托gydF4y2Ba 马丁内斯gydF4y2Ba CgydF4y2Ba CostangydF4y2Ba JgydF4y2Ba BonningydF4y2Ba 米gydF4y2Ba MayoralasgydF4y2Ba 年代gydF4y2Ba MiravitllesgydF4y2Ba 米gydF4y2Ba 慢性阻塞性肺疾病加重住院的相关因素gydF4y2Ba 拱BronconeumolgydF4y2Ba 2012gydF4y2Ba 03gydF4y2Ba 48gydF4y2Ba 3.gydF4y2Ba 70gydF4y2Ba 6gydF4y2Ba 10.1016 / j.arbres.2011.10.009gydF4y2Ba 22196478gydF4y2Ba s0300 - 2896 (11) 00344 - 9gydF4y2Ba BertensgydF4y2Ba 信用证gydF4y2Ba ReitsmagydF4y2Ba 简森-巴顿gydF4y2Ba 卫星gydF4y2Ba 公斤gydF4y2Ba 范MourikgydF4y2Ba YgydF4y2Ba 拉默斯gydF4y2Ba JWgydF4y2Ba BroekhuizengydF4y2Ba 双相障碍gydF4y2Ba 锄头gydF4y2Ba 亚历山大-伍尔兹gydF4y2Ba RuttengydF4y2Ba 跳频gydF4y2Ba 慢性阻塞性肺疾病恶化风险预测模型的开发和验证gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2013gydF4y2Ba 8gydF4y2Ba 493gydF4y2Ba 9gydF4y2Ba 10.2147 / COPD.S49609gydF4y2Ba 24143086gydF4y2Ba 慢性阻塞性肺病- 8 - 493gydF4y2Ba PMC3797610gydF4y2Ba MiravitllesgydF4y2Ba 米gydF4y2Ba 格雷罗州gydF4y2Ba TgydF4y2Ba 马约多莫gydF4y2Ba CgydF4y2Ba Sanchez-AgudogydF4y2Ba lgydF4y2Ba 尼克洛gydF4y2Ba FgydF4y2Ba SegugydF4y2Ba 莱托gydF4y2Ba 在一个流动COPD患者队列中，与加重和住院风险增加相关的因素:多元logistic回归分析EOLO研究小组gydF4y2Ba 呼吸gydF4y2Ba 2000gydF4y2Ba 67gydF4y2Ba 5gydF4y2Ba 495gydF4y2Ba 501gydF4y2Ba 10.1159 / 000067462gydF4y2Ba 11070451gydF4y2Ba 67462gydF4y2Ba 使gydF4y2Ba BJgydF4y2Ba 埃里克森gydF4y2Ba GgydF4y2Ba 公司gydF4y2Ba 点gydF4y2Ba 詹金斯gydF4y2Ba CRgydF4y2Ba PostmagydF4y2Ba DSgydF4y2Ba 彼得森gydF4y2Ba 年代gydF4y2Ba OstlundgydF4y2Ba OgydF4y2Ba AnzuetogydF4y2Ba 一个gydF4y2Ba 预测COPD加重短期风险的评分(SCOPEX)gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2015gydF4y2Ba 10gydF4y2Ba 201gydF4y2Ba 9gydF4y2Ba 10.2147 / COPD.S69589gydF4y2Ba 25670896gydF4y2Ba 慢性阻塞性肺病- 10 - 201gydF4y2Ba PMC4315304gydF4y2Ba Montserrat-CapdevilagydF4y2Ba JgydF4y2Ba 戈多gydF4y2Ba PgydF4y2Ba 马歇尔gydF4y2Ba 小gydF4y2Ba "gydF4y2Ba FgydF4y2Ba COPD加重住院的预测模型gydF4y2Ba 和护理gydF4y2Ba 2015gydF4y2Ba 09gydF4y2Ba 60gydF4y2Ba 9gydF4y2Ba 1288gydF4y2Ba 94gydF4y2Ba 10.4187 / respcare.04005gydF4y2Ba 26286737gydF4y2Ba respcare.04005gydF4y2Ba KerkhofgydF4y2Ba 米gydF4y2Ba 弗里曼gydF4y2Ba DgydF4y2Ba 琼斯gydF4y2Ba RgydF4y2Ba 奇泽姆gydF4y2Ba 一个gydF4y2Ba 价格gydF4y2Ba DBgydF4y2Ba 呼吸效能小组gydF4y2Ba 利用初级保健数据预测慢性阻塞性肺病的频繁恶化gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2015gydF4y2Ba 10gydF4y2Ba 2439gydF4y2Ba 50gydF4y2Ba 10.2147 / COPD.S94259gydF4y2Ba 26609229gydF4y2Ba 慢性阻塞性肺病- 10 - 2439gydF4y2Ba PMC4644169gydF4y2Ba 陈gydF4y2Ba XgydF4y2Ba 王gydF4y2Ba 问gydF4y2Ba 胡gydF4y2Ba YgydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 熊gydF4y2Ba WgydF4y2Ba 徐gydF4y2Ba YgydF4y2Ba 余gydF4y2Ba JgydF4y2Ba 王gydF4y2Ba YgydF4y2Ba 预测稳定期COPD患者严重加重的nomogramgydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2020gydF4y2Ba 15gydF4y2Ba 379gydF4y2Ba 88gydF4y2Ba 10.2147 / COPD.S234241gydF4y2Ba 32110006gydF4y2Ba 234241gydF4y2Ba PMC7035888gydF4y2Ba YiigydF4y2Ba 交流gydF4y2Ba LohgydF4y2Ba CHgydF4y2Ba TiewgydF4y2Ba PYgydF4y2Ba 徐gydF4y2Ba HgydF4y2Ba 塔哈gydF4y2Ba AAgydF4y2Ba KohgydF4y2Ba JgydF4y2Ba 棕褐色gydF4y2Ba JgydF4y2Ba LapperregydF4y2Ba TSgydF4y2Ba AnzuetogydF4y2Ba 一个gydF4y2Ba 三通gydF4y2Ba 正义与发展党gydF4y2Ba 基于“可治疗特征”的COPD住院急性加重的临床预测模型gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2019gydF4y2Ba 14gydF4y2Ba 719gydF4y2Ba 28gydF4y2Ba 10.2147 / COPD.S194922gydF4y2Ba 30988606gydF4y2Ba 慢性阻塞性肺病- 14 - 719gydF4y2Ba PMC6443227gydF4y2Ba 阿迪比gydF4y2Ba 一个gydF4y2Ba 罪gydF4y2Ba DDgydF4y2Ba SafarigydF4y2Ba 一个gydF4y2Ba 约翰逊gydF4y2Ba 公里gydF4y2Ba 亚伦gydF4y2Ba SDgydF4y2Ba 菲茨杰拉德gydF4y2Ba JMgydF4y2Ba SadatsafavigydF4y2Ba 米gydF4y2Ba 急性COPD加重预测工具(ACCEPT):一项建模研究gydF4y2Ba 《柳叶刀呼吸医学》gydF4y2Ba 2020gydF4y2Ba 10gydF4y2Ba 8gydF4y2Ba 10gydF4y2Ba 1013gydF4y2Ba 21gydF4y2Ba 10.1016 / s2213 - 2600 (19) 30397 - 2gydF4y2Ba 32178776gydF4y2Ba s2213 - 2600 (19) 30397 - 2gydF4y2Ba 斯坦福大学gydF4y2Ba RHgydF4y2Ba 唠叨gydF4y2Ba 一个gydF4y2Ba 马佩尔gydF4y2Ba DWgydF4y2Ba 李gydF4y2Ba 助教gydF4y2Ba RosiellogydF4y2Ba RgydF4y2Ba VekemangydF4y2Ba FgydF4y2Ba Gauthier-LoisellegydF4y2Ba 米gydF4y2Ba 咄gydF4y2Ba 女士gydF4y2Ba Merrigan博士曾gydF4y2Ba 摩根富林明gydF4y2Ba 宝贝gydF4y2Ba 米gydF4y2Ba 使用健康保险索赔数据验证慢性阻塞性肺疾病加重的一种新的风险措施gydF4y2Ba 安胸社gydF4y2Ba 2016gydF4y2Ba 07gydF4y2Ba 13gydF4y2Ba 7gydF4y2Ba 1067gydF4y2Ba 75gydF4y2Ba 10.1513 / annalsats.201508 - 493摄氏度gydF4y2Ba 27070274gydF4y2Ba 斯坦福大学gydF4y2Ba RHgydF4y2Ba 唠叨gydF4y2Ba 一个gydF4y2Ba 马佩尔gydF4y2Ba DWgydF4y2Ba 李gydF4y2Ba 助教gydF4y2Ba RosiellogydF4y2Ba RgydF4y2Ba 宝贝gydF4y2Ba 米gydF4y2Ba VekemangydF4y2Ba FgydF4y2Ba Gauthier-LoisellegydF4y2Ba 米gydF4y2Ba Merrigan博士曾gydF4y2Ba 摩根富林明gydF4y2Ba 咄gydF4y2Ba 女士gydF4y2Ba 首次严重COPD加重的索赔风险模型gydF4y2Ba 是J Manag Care吗gydF4y2Ba 2018gydF4y2Ba 02gydF4y2Ba 1gydF4y2Ba 24gydF4y2Ba 2gydF4y2Ba 45gydF4y2Ba 53gydF4y2Ba 29461849gydF4y2Ba 87447gydF4y2Ba 斯坦福大学gydF4y2Ba RHgydF4y2Ba 刘gydF4y2Ba 女士gydF4y2Ba 李gydF4y2Ba YgydF4y2Ba StemkowskigydF4y2Ba 年代gydF4y2Ba 商业和医疗人群COPD风险测量的外部验证:COPD治疗比例gydF4y2Ba J Manag护理Spec PharmgydF4y2Ba 2019gydF4y2Ba 01gydF4y2Ba 25gydF4y2Ba 1gydF4y2Ba 58gydF4y2Ba 69gydF4y2Ba 10.18553 / jmcp.2019.25.1.058gydF4y2Ba 30589629gydF4y2Ba 斯坦福大学gydF4y2Ba RHgydF4y2Ba 侯尔gydF4y2Ba 年代gydF4y2Ba 布莱克gydF4y2Ba lgydF4y2Ba ReinschgydF4y2Ba TgydF4y2Ba 本特森gydF4y2Ba LGgydF4y2Ba COPD治疗比例作为严重加重预测因子的验证和评估gydF4y2Ba 慢性血脂障碍gydF4y2Ba 2020gydF4y2Ba 01gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 38gydF4y2Ba 48gydF4y2Ba 10.15326 / jcopdf.7.1.2019.0132gydF4y2Ba 31999901gydF4y2Ba PMC7182384gydF4y2Ba 琼斯gydF4y2Ba 钢筋混凝土gydF4y2Ba 唐纳森gydF4y2Ba GCgydF4y2Ba 通知gydF4y2Ba NHgydF4y2Ba 智库gydF4y2Ba KgydF4y2Ba Dickson-SpillmanngydF4y2Ba 米gydF4y2Ba 哈丁gydF4y2Ba 年代gydF4y2Ba WedzichagydF4y2Ba 晶澳gydF4y2Ba 价格gydF4y2Ba DgydF4y2Ba 海兰德gydF4y2Ba 我gydF4y2Ba 慢性阻塞性肺疾病严重程度综合指数的推导和验证:剂量指数gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2009gydF4y2Ba 12gydF4y2Ba 15gydF4y2Ba 180gydF4y2Ba 12gydF4y2Ba 1189gydF4y2Ba 95gydF4y2Ba 10.1164 / rccm.200902 - 0271摄氏度gydF4y2Ba 19797160gydF4y2Ba 200902 - 0271摄氏度gydF4y2Ba 琼斯gydF4y2Ba 钢筋混凝土gydF4y2Ba 价格gydF4y2Ba DgydF4y2Ba 通知gydF4y2Ba NHgydF4y2Ba 李gydF4y2Ba AJgydF4y2Ba 海兰德gydF4y2Ba 我gydF4y2Ba StallberggydF4y2Ba BgydF4y2Ba LisspersgydF4y2Ba KgydF4y2Ba SundhgydF4y2Ba JgydF4y2Ba 范德莫伦gydF4y2Ba TgydF4y2Ba TsiligiannigydF4y2Ba 我gydF4y2Ba IPCRG的UNLOCK组gydF4y2Ba 慢性阻塞性肺疾病的多成分评估:国际初级保健数据集中ADO和DOSE指数及全球阻塞性肺疾病类别的评估gydF4y2Ba NPJ Prim护理呼吸医学gydF4y2Ba 2016gydF4y2Ba 04gydF4y2Ba 07gydF4y2Ba 26gydF4y2Ba 16010gydF4y2Ba 10.1038 / npjpcrm.2016.10gydF4y2Ba 27053297gydF4y2Ba npjpcrm201610gydF4y2Ba PMC4823919gydF4y2Ba 风扇gydF4y2Ba VSgydF4y2Ba 柯蒂斯gydF4y2Ba 小gydF4y2Ba 你gydF4y2Ba SPgydF4y2Ba 麦克当纳尔gydF4y2Ba MBgydF4y2Ba FihngydF4y2Ba SDgydF4y2Ba 门诊护理质量改善项目调查员gydF4y2Ba 用生活质量预测阻塞性肺病患者的住院和死亡率gydF4y2Ba 胸部gydF4y2Ba 2002gydF4y2Ba 08gydF4y2Ba 122gydF4y2Ba 2gydF4y2Ba 429gydF4y2Ba 36gydF4y2Ba 10.1378 / chest.122.2.429gydF4y2Ba 12171813gydF4y2Ba s0012 - 3692 (15) 51369 - xgydF4y2Ba MoygydF4y2Ba 毫升gydF4y2Ba TeylangydF4y2Ba 米gydF4y2Ba DanilackgydF4y2Ba 弗吉尼亚州gydF4y2Ba 盖格农gydF4y2Ba 博士gydF4y2Ba GarshickgydF4y2Ba EgydF4y2Ba 每日步数和全身炎症的指数预测慢性阻塞性肺疾病的临床结果gydF4y2Ba 安胸社gydF4y2Ba 2014gydF4y2Ba 02gydF4y2Ba 11gydF4y2Ba 2gydF4y2Ba 149gydF4y2Ba 57gydF4y2Ba 10.1513 / annalsats.201307 - 243摄氏度gydF4y2Ba 24308588gydF4y2Ba 布里格斯gydF4y2Ba 一个gydF4y2Ba 斯宾塞gydF4y2Ba 米gydF4y2Ba 王gydF4y2Ba HgydF4y2Ba ManninogydF4y2Ba DgydF4y2Ba 罪gydF4y2Ba DDgydF4y2Ba 慢性阻塞性肺疾病健康预后指标的开发和验证gydF4y2Ba Arch实习医生gydF4y2Ba 2008gydF4y2Ba 01gydF4y2Ba 14gydF4y2Ba 168gydF4y2Ba 1gydF4y2Ba 71gydF4y2Ba 9gydF4y2Ba 10.1001 / archinternmed.2007.37gydF4y2Ba 18195198gydF4y2Ba 168/1/71gydF4y2Ba 兰格gydF4y2Ba PgydF4y2Ba MarottgydF4y2Ba 莱托gydF4y2Ba VestbogydF4y2Ba JgydF4y2Ba 奥尔森gydF4y2Ba 基米-雷克南gydF4y2Ba IngebrigtsengydF4y2Ba TSgydF4y2Ba 达尔gydF4y2Ba 米gydF4y2Ba NordestgaardgydF4y2Ba BGgydF4y2Ba 慢性阻塞性肺疾病临床病程的预测，使用新的GOLD分类:一项针对普通人群的研究gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2012gydF4y2Ba 11gydF4y2Ba 15gydF4y2Ba 186gydF4y2Ba 10gydF4y2Ba 975gydF4y2Ba 81gydF4y2Ba 10.1164 / rccm.201207 - 1299摄氏度gydF4y2Ba 22997207gydF4y2Ba rccm.201207 - 1299摄氏度gydF4y2Ba Abascal-BoladogydF4y2Ba BgydF4y2Ba NovotnygydF4y2Ba PJgydF4y2Ba 斯隆管理学院gydF4y2Ba 晶澳gydF4y2Ba KarpmangydF4y2Ba CgydF4y2Ba DuloherygydF4y2Ba 毫米gydF4y2Ba 苯并gydF4y2Ba RPgydF4y2Ba 慢性阻塞性肺病临床住院预测:优化慢性呼吸问卷gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2015gydF4y2Ba 10gydF4y2Ba 2295gydF4y2Ba 301gydF4y2Ba 10.2147 / COPD.S87469gydF4y2Ba 26543362gydF4y2Ba 慢性阻塞性肺病- 10 - 2295gydF4y2Ba PMC4622555gydF4y2Ba Blanco-ApariciogydF4y2Ba 米gydF4y2Ba 巴斯克斯gydF4y2Ba 我gydF4y2Ba Pita-FernandezgydF4y2Ba 年代gydF4y2Ba Pertega-DiazgydF4y2Ba 年代gydF4y2Ba Verea-HernandogydF4y2Ba HgydF4y2Ba 使用与健康相关的生活质量简短问卷(气道问卷20和临床COPD问卷)来预测哮喘和COPD患者的病情加重gydF4y2Ba 健康质量生命结果gydF4y2Ba 2013gydF4y2Ba 05gydF4y2Ba 27gydF4y2Ba 11gydF4y2Ba 85gydF4y2Ba 10.1186 / 1477-7525-11-85gydF4y2Ba 23706146gydF4y2Ba 1477-7525-11-85gydF4y2Ba PMC3701555gydF4y2Ba 柳gydF4y2Ba JWgydF4y2Ba 在香港gydF4y2Ba YgydF4y2Ba 搜索引擎优化gydF4y2Ba 简森-巴顿gydF4y2Ba 得知崔gydF4y2Ba EJgydF4y2Ba 类风湿性关节炎gydF4y2Ba 西南gydF4y2Ba 李gydF4y2Ba JHgydF4y2Ba 金gydF4y2Ba 埃克gydF4y2Ba 门敏gydF4y2Ba 年代gydF4y2Ba 金gydF4y2Ba THgydF4y2Ba 金gydF4y2Ba WJgydF4y2Ba 李gydF4y2Ba JHgydF4y2Ba 李gydF4y2Ba SMgydF4y2Ba 李gydF4y2Ba 年代gydF4y2Ba LimgydF4y2Ba SYgydF4y2Ba 胫骨gydF4y2Ba TRgydF4y2Ba 尹gydF4y2Ba 嗨gydF4y2Ba 辛gydF4y2Ba 党卫军gydF4y2Ba 李gydF4y2Ba JSgydF4y2Ba 哈gydF4y2Ba JWgydF4y2Ba 哦gydF4y2Ba YMgydF4y2Ba 李gydF4y2Ba SDgydF4y2Ba COPD加重的临床生理和CT影像危险因素的比较gydF4y2Ba 韩国医学gydF4y2Ba 2011gydF4y2Ba 12gydF4y2Ba 26gydF4y2Ba 12gydF4y2Ba 1606gydF4y2Ba 12gydF4y2Ba 10.3346 / jkms.2011.26.12.1606gydF4y2Ba 22147998gydF4y2Ba PMC3230021gydF4y2Ba NiewoehnergydF4y2Ba 德gydF4y2Ba LokhnyginagydF4y2Ba YgydF4y2Ba 大米gydF4y2Ba KgydF4y2Ba KuschnergydF4y2Ba 工作组gydF4y2Ba SharafkhanehgydF4y2Ba 一个gydF4y2Ba SarosigydF4y2Ba 遗传算法gydF4y2Ba KrumpegydF4y2Ba PgydF4y2Ba 皮珀尔gydF4y2Ba KgydF4y2Ba KestengydF4y2Ba 年代gydF4y2Ba COPD加重和住院的风险指数gydF4y2Ba 胸部gydF4y2Ba 2007gydF4y2Ba 01gydF4y2Ba 131gydF4y2Ba 1gydF4y2Ba 20.gydF4y2Ba 8gydF4y2Ba 10.1378 / chest.06 - 1316gydF4y2Ba 17218552gydF4y2Ba s0012 - 3692 (15) 49876 - 9gydF4y2Ba 奥斯丁gydF4y2Ba 个人电脑gydF4y2Ba StanbrookgydF4y2Ba MBgydF4y2Ba 安德森gydF4y2Ba 通用汽车gydF4y2Ba 纽曼gydF4y2Ba 一个gydF4y2Ba 革顺gydF4y2Ba 作为gydF4y2Ba 行政数据共病分类方法预测慢性阻塞性肺疾病患者预后的比较能力gydF4y2Ba 安论文gydF4y2Ba 2012gydF4y2Ba 12gydF4y2Ba 22gydF4y2Ba 12gydF4y2Ba 881gydF4y2Ba 7gydF4y2Ba 10.1016 / j.annepidem.2012.09.011gydF4y2Ba 23121992gydF4y2Ba s1047 - 2797 (12) 00389 - 4gydF4y2Ba PMC4617831gydF4y2Ba 马林gydF4y2Ba JMgydF4y2Ba 卡里佐gydF4y2Ba SJgydF4y2Ba 卡萨诺瓦gydF4y2Ba CgydF4y2Ba Martinez-CamblorgydF4y2Ba PgydF4y2Ba 索利亚诺gydF4y2Ba 简森-巴顿gydF4y2Ba AgustigydF4y2Ba AG)gydF4y2Ba 切利gydF4y2Ba BRgydF4y2Ba 用BODE指数预测COPD加重的风险gydF4y2Ba 和地中海gydF4y2Ba 2009gydF4y2Ba 03gydF4y2Ba 103gydF4y2Ba 3.gydF4y2Ba 373gydF4y2Ba 8gydF4y2Ba 10.1016 / j.rmed.2008.10.004gydF4y2Ba 19013781gydF4y2Ba s0954 - 6111 (08) 00355 - 7gydF4y2Ba StallberggydF4y2Ba BgydF4y2Ba LisspersgydF4y2Ba KgydF4y2Ba 拉赫松gydF4y2Ba KgydF4y2Ba 詹森gydF4y2Ba CgydF4y2Ba 穆勒gydF4y2Ba 米gydF4y2Ba ŁuczkogydF4y2Ba 米gydF4y2Ba Kjø我BjerregaardgydF4y2Ba BgydF4y2Ba 巴彻gydF4y2Ba GgydF4y2Ba HolzhauergydF4y2Ba BgydF4y2Ba GoyalgydF4y2Ba PgydF4y2Ba 约翰逊gydF4y2Ba GgydF4y2Ba 基于ARCTIC研究，使用机器学习预测瑞典初级保健患者因COPD加重而住院gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2021gydF4y2Ba 16gydF4y2Ba 677gydF4y2Ba 88gydF4y2Ba 10.2147 / COPD.S293099gydF4y2Ba 33758504gydF4y2Ba 293099gydF4y2Ba PMC7981164gydF4y2Ba 通gydF4y2Ba YgydF4y2Ba 廖gydF4y2Ba 佐gydF4y2Ba Tarczy-HornochgydF4y2Ba PgydF4y2Ba 罗gydF4y2Ba GgydF4y2Ba 使用基于约束的方法来确定哪些慢性病患者倾向于在给定的医疗保健系统内获得护理:回顾性队列研究gydF4y2Ba JMIR表格规定gydF4y2Ba 2021gydF4y2Ba 10gydF4y2Ba 07gydF4y2Ba 5gydF4y2Ba 10gydF4y2Ba e26314gydF4y2Ba 10.2196/26314gydF4y2Ba 34617906gydF4y2Ba v5i10e26314gydF4y2Ba PMC8532011gydF4y2Ba 慢性阻塞性肺疾病(COPD)住院后30天，全因，风险标准化再入院率(RSRR)gydF4y2Ba 全国质量论坛gydF4y2Ba 2012gydF4y2Ba 2021-12-19gydF4y2Ba http://www.qualityforum.org/Projects/n-r/Pulmonary_Endorsement_Maintenance/1891_30_Day_RSRR_COPD.aspxgydF4y2Ba 库克gydF4y2Ba CRgydF4y2Ba 锺株gydF4y2Ba 乔丹gydF4y2Ba 安德森gydF4y2Ba SMgydF4y2Ba 李gydF4y2Ba 助教gydF4y2Ba UdrisgydF4y2Ba 新兴市场gydF4y2Ba 约翰逊gydF4y2Ba EgydF4y2Ba 非盟gydF4y2Ba DHgydF4y2Ba 使用ICD-9代码和药房记录识别慢性阻塞性肺疾病患者的有效性gydF4y2Ba BMC运行状况服务决议gydF4y2Ba 2011gydF4y2Ba 02gydF4y2Ba 16gydF4y2Ba 11gydF4y2Ba 37gydF4y2Ba 10.1186 / 1472-6963-11-37gydF4y2Ba 21324188gydF4y2Ba 1472-6963-11-37gydF4y2Ba PMC3050695gydF4y2Ba 阮gydF4y2Ba 总部gydF4y2Ba 楚gydF4y2Ba lgydF4y2Ba 艾米刘gydF4y2Ba 伊尔gydF4y2Ba 李gydF4y2Ba JSgydF4y2Ba SuhgydF4y2Ba DgydF4y2Ba KorotzergydF4y2Ba BgydF4y2Ba 袁gydF4y2Ba GgydF4y2Ba 德赛gydF4y2Ba 年代gydF4y2Ba 科尔曼gydF4y2Ba KJgydF4y2Ba 香gydF4y2Ba 啊gydF4y2Ba 古尔德gydF4y2Ba 可gydF4y2Ba 运动与慢性阻塞性肺疾病患者30天再入院风险的相关性gydF4y2Ba 安胸社gydF4y2Ba 2014gydF4y2Ba 06gydF4y2Ba 11gydF4y2Ba 5gydF4y2Ba 695gydF4y2Ba 705gydF4y2Ba 10.1513 / annalsats.201401 - 017摄氏度gydF4y2Ba 24713094gydF4y2Ba LindenauergydF4y2Ba PKgydF4y2Ba 格罗索gydF4y2Ba LMgydF4y2Ba 王gydF4y2Ba CgydF4y2Ba 王gydF4y2Ba YgydF4y2Ba 克里希南gydF4y2Ba 晶澳gydF4y2Ba 李gydF4y2Ba 助教gydF4y2Ba 非盟gydF4y2Ba DHgydF4y2Ba MularskigydF4y2Ba 类风湿性关节炎gydF4y2Ba BernheimgydF4y2Ba SMgydF4y2Ba DryegydF4y2Ba EEgydF4y2Ba 慢性阻塞性肺疾病加重患者住院30天死亡率风险标准化测量方法的开发、验证和结果gydF4y2Ba 霍普医学gydF4y2Ba 2013gydF4y2Ba 08gydF4y2Ba 8gydF4y2Ba 8gydF4y2Ba 428gydF4y2Ba 35gydF4y2Ba 10.1002 / jhm.2066gydF4y2Ba 23913593gydF4y2Ba 库雷希gydF4y2Ba HgydF4y2Ba SharafkhanehgydF4y2Ba 一个gydF4y2Ba HananiagydF4y2Ba NAgydF4y2Ba 慢性阻塞性肺疾病加重:最新证据和临床意义gydF4y2Ba 慢性疾病gydF4y2Ba 2014gydF4y2Ba 09gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba 212gydF4y2Ba 27gydF4y2Ba 10.1177 / 2040622314532862gydF4y2Ba 25177479gydF4y2Ba 10.1177 _2040622314532862gydF4y2Ba PMC4131503gydF4y2Ba MullerovagydF4y2Ba HgydF4y2Ba MaselligydF4y2Ba DJgydF4y2Ba LocantoregydF4y2Ba NgydF4y2Ba VestbogydF4y2Ba JgydF4y2Ba 赫斯特gydF4y2Ba 小gydF4y2Ba WedzichagydF4y2Ba 晶澳gydF4y2Ba 巴克gydF4y2Ba PgydF4y2Ba AgustigydF4y2Ba 一个gydF4y2Ba AnzuetogydF4y2Ba 一个gydF4y2Ba COPD住院急性加重:ECLIPSE队列中的危险因素和结果gydF4y2Ba 胸部gydF4y2Ba 2015gydF4y2Ba 04gydF4y2Ba 147gydF4y2Ba 4gydF4y2Ba 999gydF4y2Ba 1007gydF4y2Ba 10.1378 / chest.14 - 0655gydF4y2Ba 25356881gydF4y2Ba s0012 - 3692 (15) 38948 - 0gydF4y2Ba 唐纳森gydF4y2Ba GCgydF4y2Ba SeemungalgydF4y2Ba 助教gydF4y2Ba BhowmikgydF4y2Ba 一个gydF4y2Ba WedzichagydF4y2Ba 晶澳gydF4y2Ba 慢性阻塞性肺疾病加重频率与肺功能下降的关系gydF4y2Ba 胸腔gydF4y2Ba 2002gydF4y2Ba 10gydF4y2Ba 57gydF4y2Ba 10gydF4y2Ba 847gydF4y2Ba 52gydF4y2Ba 10.1136 / thorax.57.10.847gydF4y2Ba 12324669gydF4y2Ba PMC1746193gydF4y2Ba 赫斯特gydF4y2Ba 小gydF4y2Ba 唐纳森gydF4y2Ba GCgydF4y2Ba 五胞胎gydF4y2Ba JKgydF4y2Ba GoldringgydF4y2Ba JJgydF4y2Ba Baghai-RavarygydF4y2Ba RgydF4y2Ba WedzichagydF4y2Ba 晶澳gydF4y2Ba 慢性阻塞性肺疾病急性加重的时间聚类gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2009gydF4y2Ba 03gydF4y2Ba 01gydF4y2Ba 179gydF4y2Ba 5gydF4y2Ba 369gydF4y2Ba 74gydF4y2Ba 10.1164 / rccm.200807 - 1067摄氏度gydF4y2Ba 19074596gydF4y2Ba 200807 - 1067摄氏度gydF4y2Ba SimilowskigydF4y2Ba TgydF4y2Ba AgustigydF4y2Ba 一个gydF4y2Ba 马克尼gydF4y2Ba WgydF4y2Ba SchonhofergydF4y2Ba BgydF4y2Ba 慢性疾病贫血在COPD中的潜在影响gydF4y2Ba 呼吸呼吸JgydF4y2Ba 2006gydF4y2Ba 02gydF4y2Ba 27gydF4y2Ba 2gydF4y2Ba 390gydF4y2Ba 6gydF4y2Ba 10.1183 / 09031936.06.00143704gydF4y2Ba 16452598gydF4y2Ba 27/2/390gydF4y2Ba 达尔gydF4y2Ba 米gydF4y2Ba VestbogydF4y2Ba JgydF4y2Ba 兰格gydF4y2Ba PgydF4y2Ba BojesengydF4y2Ba SEgydF4y2Ba Tybjaerg-HansengydF4y2Ba 一个gydF4y2Ba NordestgaardgydF4y2Ba BGgydF4y2Ba c反应蛋白作为慢性阻塞性肺疾病预后的预测因子gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 2007gydF4y2Ba 02gydF4y2Ba 1gydF4y2Ba 175gydF4y2Ba 3.gydF4y2Ba 250gydF4y2Ba 5gydF4y2Ba 10.1164 / rccm.200605 - 713摄氏度gydF4y2Ba 17053205gydF4y2Ba 200605 - 713摄氏度gydF4y2Ba HoenderdosgydF4y2Ba KgydF4y2Ba CondliffegydF4y2Ba 一个gydF4y2Ba 慢性阻塞性肺疾病中的中性粒细胞gydF4y2Ba 呼吸细胞摩尔生物学gydF4y2Ba 2013gydF4y2Ba 05gydF4y2Ba 48gydF4y2Ba 5gydF4y2Ba 531gydF4y2Ba 9gydF4y2Ba 10.1165 / rcmb.2012 - 0492 trgydF4y2Ba 23328639gydF4y2Ba rcmb.2012 - 0492 trgydF4y2Ba 朗尼gydF4y2Ba 米gydF4y2Ba 做小生意gydF4y2Ba AJgydF4y2Ba 克莱顿gydF4y2Ba 毫升gydF4y2Ba 基尔gydF4y2Ba 人力资源gydF4y2Ba 范戴克gydF4y2Ba 可gydF4y2Ba MullerovagydF4y2Ba HgydF4y2Ba 米勒gydF4y2Ba 是gydF4y2Ba Tal-SingergydF4y2Ba RgydF4y2Ba 查尔默斯gydF4y2Ba JDgydF4y2Ba 血液中性粒细胞计数与COPD加重频率和死亡率相关gydF4y2Ba 和物gydF4y2Ba 2020gydF4y2Ba 07gydF4y2Ba 01gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 166gydF4y2Ba 10.1186 / s12931 - 020 - 01436 - 7gydF4y2Ba 32611352gydF4y2Ba 10.1186 / s12931 - 020 - 01436 - 7gydF4y2Ba PMC7329438gydF4y2Ba ChambellangydF4y2Ba 一个gydF4y2Ba ChailleuxgydF4y2Ba EgydF4y2Ba SimilowskigydF4y2Ba TgydF4y2Ba ANTADIR天文台组gydF4y2Ba 慢性阻塞性肺病患者长期氧疗红细胞压积的预后价值gydF4y2Ba 胸部gydF4y2Ba 2005gydF4y2Ba 09gydF4y2Ba 128gydF4y2Ba 3.gydF4y2Ba 1201gydF4y2Ba 8gydF4y2Ba 10.1378 / chest.128.3.1201gydF4y2Ba 16162707gydF4y2Ba s0012 - 3692 (15) 52137 - 5gydF4y2Ba Toft-PetersengydF4y2Ba 美联社gydF4y2Ba Torp-PedersengydF4y2Ba CgydF4y2Ba 魏因赖希gydF4y2Ba 嗯gydF4y2Ba 拉斯穆森gydF4y2Ba 废话gydF4y2Ba 慢性阻塞性肺病住院患者血红蛋白与预后的关系gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2016gydF4y2Ba 11gydF4y2Ba 2813gydF4y2Ba 20.gydF4y2Ba 10.2147 / COPD.S116269gydF4y2Ba 27877035gydF4y2Ba 慢性阻塞性肺病- 11 - 2813gydF4y2Ba PMC5108499gydF4y2Ba 冯·迪gydF4y2Ba EJgydF4y2Ba 维米尔gydF4y2Ba SEgydF4y2Ba de GrootgydF4y2Ba JCgydF4y2Ba van de MinkelisgydF4y2Ba JgydF4y2Ba 王子gydF4y2Ba NDgydF4y2Ba OudkerkgydF4y2Ba 米gydF4y2Ba HofmangydF4y2Ba 一个gydF4y2Ba KoudstaalgydF4y2Ba PJgydF4y2Ba BretelergydF4y2Ba 毫米gydF4y2Ba 动脉氧饱和度、慢性阻塞性肺病和脑小血管疾病gydF4y2Ba 神经外科精神病学gydF4y2Ba 2004gydF4y2Ba 05gydF4y2Ba 75gydF4y2Ba 5gydF4y2Ba 733gydF4y2Ba 6gydF4y2Ba 10.1136 / jnnp.2003.022012gydF4y2Ba 15090569gydF4y2Ba PMC1763550gydF4y2Ba 凯斯勒gydF4y2Ba RgydF4y2Ba 砍伐树木的人gydF4y2Ba 米gydF4y2Ba FourgautgydF4y2Ba GgydF4y2Ba MenneciergydF4y2Ba BgydF4y2Ba WeitzenblumgydF4y2Ba EgydF4y2Ba 64例慢性阻塞性肺疾病急性加重住院的预测因素gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 1999gydF4y2Ba 01gydF4y2Ba 159gydF4y2Ba 1gydF4y2Ba 158gydF4y2Ba 64gydF4y2Ba 10.1164 / ajrccm.159.1.9803117gydF4y2Ba 9872834gydF4y2Ba FermontgydF4y2Ba JMgydF4y2Ba MasconigydF4y2Ba 吉隆坡gydF4y2Ba 詹森gydF4y2Ba 太gydF4y2Ba 法拉利gydF4y2Ba RgydF4y2Ba Di LorenzogydF4y2Ba 弗吉尼亚州gydF4y2Ba MarottgydF4y2Ba JMgydF4y2Ba SchuetzgydF4y2Ba PgydF4y2Ba WatzgydF4y2Ba HgydF4y2Ba WaschkigydF4y2Ba BgydF4y2Ba MullerovagydF4y2Ba HgydF4y2Ba PolkeygydF4y2Ba 心肌梗死gydF4y2Ba 威尔金森gydF4y2Ba IBgydF4y2Ba 木gydF4y2Ba 我gydF4y2Ba COPD的生物标志物和临床结果:系统回顾和荟萃分析gydF4y2Ba 胸腔gydF4y2Ba 2019gydF4y2Ba 05gydF4y2Ba 74gydF4y2Ba 5gydF4y2Ba 439gydF4y2Ba 46gydF4y2Ba 10.1136 / thoraxjnl - 2018 - 211855gydF4y2Ba 30617161gydF4y2Ba thoraxjnl - 2018 - 211855gydF4y2Ba PMC6484697gydF4y2Ba 哈尔平gydF4y2Ba DMgydF4y2Ba MiravitllesgydF4y2Ba 米gydF4y2Ba MetzdorfgydF4y2Ba NgydF4y2Ba 切利gydF4y2Ba BgydF4y2Ba COPD严重加重的影响和预防:证据回顾gydF4y2Ba Int J时间阻塞Pulmon DisgydF4y2Ba 2017gydF4y2Ba 12gydF4y2Ba 2891gydF4y2Ba 908gydF4y2Ba 10.2147 / COPD.S139470gydF4y2Ba 29062228gydF4y2Ba 慢性阻塞性肺病- 12 - 2891gydF4y2Ba PMC5638577gydF4y2Ba 世界上最长寿的人以及他们的长寿秘诀gydF4y2Ba 吉尼斯世界纪录gydF4y2Ba 2020gydF4y2Ba 2021-12-20gydF4y2Ba https://www.guinnessworldrecords.com/news/2020/10/the-worlds-oldest-people-and-their-secrets-to-a-long-life-632895gydF4y2Ba 轻的出生gydF4y2Ba 吉尼斯世界纪录gydF4y2Ba 2020gydF4y2Ba 2021-12-20gydF4y2Ba https://www.guinnessworldrecords.com/world-records/lightest-birthgydF4y2Ba 史上最重的人gydF4y2Ba 吉尼斯世界纪录gydF4y2Ba 2020gydF4y2Ba 2021-12-20gydF4y2Ba https://www.guinnessworldrecords.com/world-records/heaviest-mangydF4y2Ba 最短的婴儿gydF4y2Ba 吉尼斯世界纪录gydF4y2Ba 2020gydF4y2Ba 2021-12-20gydF4y2Ba https://www.guinnessworldrecords.com/world-records/shortest-babygydF4y2Ba 史上最高的人gydF4y2Ba 吉尼斯世界纪录gydF4y2Ba 2020gydF4y2Ba 2021-12-20gydF4y2Ba https://www.guinnessworldrecords.com/world-records/tallest-man-evergydF4y2Ba 格温妮斯gydF4y2Ba OgydF4y2Ba 第五部分肥胖:不再害怕，不再鄙视gydF4y2Ba 饮食失调研究所gydF4y2Ba 2011gydF4y2Ba 2021-12-20gydF4y2Ba https://edinstitute.org/blog/2011/12/8/part-v-fat-no-more-fear-no-more-contemptgydF4y2Ba 最胖的人名单gydF4y2Ba 维基百科gydF4y2Ba 2021gydF4y2Ba 2021-12-20gydF4y2Ba https://en.wikipedia.org/w/index.php?title=List_of_heaviest_people&oldid=1000662342gydF4y2Ba HankinsongydF4y2Ba 莱托gydF4y2Ba OdencrantzgydF4y2Ba 小gydF4y2Ba FedangydF4y2Ba KBgydF4y2Ba 一般美国人口样本的肺容积参考值gydF4y2Ba J呼吸急救医疗吗gydF4y2Ba 1999gydF4y2Ba 01gydF4y2Ba 159gydF4y2Ba 1gydF4y2Ba 179gydF4y2Ba 87gydF4y2Ba 10.1164 / ajrccm.159.1.9712108gydF4y2Ba 9872837gydF4y2Ba 培gydF4y2Ba RgydF4y2Ba ViegigydF4y2Ba GgydF4y2Ba BrusascogydF4y2Ba VgydF4y2Ba CrapogydF4y2Ba 罗依gydF4y2Ba 布尔戈斯gydF4y2Ba FgydF4y2Ba CasaburigydF4y2Ba RgydF4y2Ba 科茨gydF4y2Ba 一个gydF4y2Ba 范德格林顿gydF4y2Ba CPgydF4y2Ba GustafssongydF4y2Ba PgydF4y2Ba HankinsongydF4y2Ba JgydF4y2Ba 詹森gydF4y2Ba RgydF4y2Ba 约翰逊gydF4y2Ba 直流gydF4y2Ba 麦金太尔gydF4y2Ba NgydF4y2Ba 麦凯gydF4y2Ba RgydF4y2Ba 米勒gydF4y2Ba 先生gydF4y2Ba NavajasgydF4y2Ba DgydF4y2Ba 需要好好gydF4y2Ba 的gydF4y2Ba 如一gydF4y2Ba JgydF4y2Ba 肺功能测试的解释策略gydF4y2Ba 呼吸呼吸JgydF4y2Ba 2005gydF4y2Ba 11gydF4y2Ba 26gydF4y2Ba 5gydF4y2Ba 948gydF4y2Ba 68gydF4y2Ba 10.1183 / 09031936.05.00035205gydF4y2Ba 16264058gydF4y2Ba 26/5/948gydF4y2Ba 马里恩gydF4y2Ba 女士gydF4y2Ba LeonardsongydF4y2Ba GRgydF4y2Ba 罗迪斯gydF4y2Ba 呃gydF4y2Ba WeltygydF4y2Ba TKgydF4y2Ba 恩莱特gydF4y2Ba PLgydF4y2Ba 美国印第安成年人的肺活量参考值:来自强心脏研究的结果gydF4y2Ba 胸部gydF4y2Ba 2001gydF4y2Ba 08gydF4y2Ba 120gydF4y2Ba 2gydF4y2Ba 489gydF4y2Ba 95gydF4y2Ba 10.1378 / chest.120.2.489gydF4y2Ba 11502648gydF4y2Ba s0012 - 3692 (15) 51457 - 8gydF4y2Ba 支气管扩张剂gydF4y2Ba 全国犹太人健康gydF4y2Ba 2018gydF4y2Ba 2021-12-19gydF4y2Ba https://nationaljewish.org/conditions/medications/copd/bronchodilatorsgydF4y2Ba 罗gydF4y2Ba GgydF4y2Ba 他gydF4y2Ba 年代gydF4y2Ba 石头gydF4y2Ba 提单gydF4y2Ba NkoygydF4y2Ba FLgydF4y2Ba 约翰逊gydF4y2Ba 医学博士gydF4y2Ba 开发一个模型来预测哮喘患者在医院遇到哮喘:二次分析gydF4y2Ba JMIR Med InformgydF4y2Ba 2020gydF4y2Ba 01gydF4y2Ba 21gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba e16080gydF4y2Ba 10.2196/16080gydF4y2Ba 31961332gydF4y2Ba v8i1e16080gydF4y2Ba PMC7001050gydF4y2Ba 通gydF4y2Ba YgydF4y2Ba 梅辛杰卖力地gydF4y2Ba 人工智能gydF4y2Ba 威尔科克斯gydF4y2Ba ABgydF4y2Ba 穆尼gydF4y2Ba SDgydF4y2Ba 戴维森gydF4y2Ba “大酒店”gydF4y2Ba 苏瑞gydF4y2Ba PgydF4y2Ba 罗gydF4y2Ba GgydF4y2Ba 在学术卫生保健系统中预测哮喘患者在哮喘医院的未来遭遇:预测模型开发和二次分析研究gydF4y2Ba J医疗互联网服务gydF4y2Ba 2021gydF4y2Ba 04gydF4y2Ba 16gydF4y2Ba 23gydF4y2Ba 4gydF4y2Ba e22796gydF4y2Ba 10.2196/22796gydF4y2Ba 33861206gydF4y2Ba v23i4e22796gydF4y2Ba 威滕gydF4y2Ba IHgydF4y2Ba 弗兰克gydF4y2Ba EgydF4y2Ba 大厅gydF4y2Ba 妈gydF4y2Ba 朋友gydF4y2Ba CJgydF4y2Ba 数据挖掘:实用机器学习工具和技术，第4版gydF4y2Ba 2016gydF4y2Ba 伯灵顿,马gydF4y2Ba 摩根考夫曼gydF4y2Ba 陈gydF4y2Ba TgydF4y2Ba GuestringydF4y2Ba CgydF4y2Ba XGBoost:一个可扩展的树增强系统gydF4y2Ba ACM SIGKDD知识发现和数据挖掘国际会议论文集gydF4y2Ba 2016gydF4y2Ba 知识发现(KDD)的16个gydF4y2Ba 2016年8月13日至17日gydF4y2Ba 旧金山，加州gydF4y2Ba 785gydF4y2Ba 94gydF4y2Ba 10.1145/2939672.2939785gydF4y2Ba XGBoost JVM包gydF4y2Ba 2021gydF4y2Ba 2021-12-20gydF4y2Ba https://xgboost.readthedocs.io/en/latest/jvm/index.htmlgydF4y2Ba 曾gydF4y2Ba XgydF4y2Ba 罗gydF4y2Ba GgydF4y2Ba 基于渐进抽样的贝叶斯优化，用于高效和自动的机器学习模型选择gydF4y2Ba 健康科学系统gydF4y2Ba 2017gydF4y2Ba 12gydF4y2Ba 5gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 10.1007 / s13755 - 017 - 0023 - zgydF4y2Ba 29038732gydF4y2Ba 23gydF4y2Ba PMC5617811gydF4y2Ba 桑顿gydF4y2Ba CgydF4y2Ba HuttergydF4y2Ba FgydF4y2Ba 呼!gydF4y2Ba HHgydF4y2Ba Leyton-BrowngydF4y2Ba KgydF4y2Ba Auto-WEKA:分类算法的组合选择和超参数优化gydF4y2Ba ACM SIGKDD知识发现和数据挖掘国际会议论文集gydF4y2Ba 2013gydF4y2Ba 知识发现(KDD)的13gydF4y2Ba 2013年8月11日至14日gydF4y2Ba 芝加哥,gydF4y2Ba 847gydF4y2Ba 55gydF4y2Ba 10.1145/2487575.2487629gydF4y2Ba SteyerberggydF4y2Ba 电子战gydF4y2Ba 临床预测模型:开发、验证和更新的实用方法，第二版gydF4y2Ba 2019gydF4y2Ba 纽约州纽约gydF4y2Ba 施普林格gydF4y2Ba 赛克斯gydF4y2Ba 戴斯。莱纳姆:gydF4y2Ba FaruqigydF4y2Ba 年代gydF4y2Ba HoldsworthgydF4y2Ba lgydF4y2Ba 骗子gydF4y2Ba 毫克gydF4y2Ba COVID-19对COPD和哮喘入院的影响，以及从患者角度看大流行gydF4y2Ba ERJ公开保留区gydF4y2Ba 2021gydF4y2Ba 02gydF4y2Ba 8gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 10.1183/23120541.00822 -2020gydF4y2Ba 33575313gydF4y2Ba 00822 - 2020gydF4y2Ba PMC7734714gydF4y2Ba AgrestigydF4y2Ba 一个gydF4y2Ba 分类数据分析，第三版gydF4y2Ba 2012gydF4y2Ba 新泽西州霍博肯,gydF4y2Ba 威利gydF4y2Ba 黑斯蒂gydF4y2Ba TgydF4y2Ba TibshiranigydF4y2Ba RgydF4y2Ba 弗里德曼gydF4y2Ba JgydF4y2Ba 统计学习的要素:数据挖掘，推断和预测，第二版gydF4y2Ba 2016gydF4y2Ba 纽约州纽约gydF4y2Ba 施普林格gydF4y2Ba 罗gydF4y2Ba GgydF4y2Ba 约翰逊gydF4y2Ba 医学博士gydF4y2Ba NkoygydF4y2Ba FLgydF4y2Ba 他gydF4y2Ba 年代gydF4y2Ba 石头gydF4y2Ba 提单gydF4y2Ba 自动解释哮喘患者哮喘医院就诊的机器学习预测结果:二次分析gydF4y2Ba JMIR Med InformgydF4y2Ba 2020gydF4y2Ba 12gydF4y2Ba 31gydF4y2Ba 8gydF4y2Ba 12gydF4y2Ba e21965gydF4y2Ba 10.2196/21965gydF4y2Ba 33382379gydF4y2Ba v8i12e21965gydF4y2Ba GuerragydF4y2Ba BgydF4y2Ba GaveikaitegydF4y2Ba VgydF4y2Ba 比安奇gydF4y2Ba CgydF4y2Ba PuhangydF4y2Ba 妈gydF4y2Ba COPD患者病情加重的预测模型gydF4y2Ba Eur Respir RevgydF4y2Ba 2017gydF4y2Ba 01gydF4y2Ba 17gydF4y2Ba 26gydF4y2Ba 143gydF4y2Ba 160061gydF4y2Ba 10.1183/16000617.0061 -2016gydF4y2Ba 28096287gydF4y2Ba 26/143/160061gydF4y2Ba BellougydF4y2Ba VgydF4y2Ba BelbasisgydF4y2Ba lgydF4y2Ba KonstantinidisgydF4y2Ba 正义与发展党gydF4y2Ba TzoulakigydF4y2Ba 我gydF4y2Ba EvangelougydF4y2Ba EgydF4y2Ba 慢性阻塞性肺疾病患者预后预测的预后模型:系统回顾和关键评价gydF4y2Ba Br医学JgydF4y2Ba 2019gydF4y2Ba 10gydF4y2Ba 4gydF4y2Ba 367gydF4y2Ba l5358gydF4y2Ba 10.1136 / bmj.l5358gydF4y2Ba 31585960gydF4y2Ba PMC6776831gydF4y2Ba 朗文gydF4y2Ba JMgydF4y2Ba PasseygydF4y2Ba 我gydF4y2Ba 埃瓦尔德gydF4y2Ba DPgydF4y2Ba 一种音乐形式gydF4y2Ba EgydF4y2Ba 摩根gydF4y2Ba GGgydF4y2Ba 慢性门诊敏感疾病入院——潜在可预防入院的有效措施?gydF4y2Ba BMC运行状况服务决议gydF4y2Ba 2015gydF4y2Ba 10gydF4y2Ba 16gydF4y2Ba 15gydF4y2Ba 472gydF4y2Ba 10.1186 / s12913 - 015 - 1137 - 0gydF4y2Ba 26475293gydF4y2Ba 10.1186 / s12913 - 015 - 1137 - 0gydF4y2Ba PMC4608278gydF4y2Ba 约翰斯顿gydF4y2Ba JJgydF4y2Ba 朗文gydF4y2Ba JMgydF4y2Ba 埃瓦尔德gydF4y2Ba DPgydF4y2Ba 罗尔夫gydF4y2Ba 心肌梗死gydF4y2Ba 阿尔瓦雷斯gydF4y2Ba SDgydF4y2Ba GillilandgydF4y2Ba 啊gydF4y2Ba 钟gydF4y2Ba SCgydF4y2Ba 达斯gydF4y2Ba SKgydF4y2Ba 王gydF4y2Ba JMgydF4y2Ba PasseygydF4y2Ba 我gydF4y2Ba 旨在评估潜在可预防的慢性疾病住院治疗的可预防性的工具的有效性gydF4y2Ba Fam PractgydF4y2Ba 2020gydF4y2Ba 07gydF4y2Ba 23gydF4y2Ba 37gydF4y2Ba 3.gydF4y2Ba 390gydF4y2Ba 4gydF4y2Ba 10.1093 / fampra / cmz086gydF4y2Ba 31848589gydF4y2Ba 5680148gydF4y2Ba PMC7377343gydF4y2Ba RanganathangydF4y2Ba PgydF4y2Ba AggarwalgydF4y2Ba RgydF4y2Ba 统计分析中的常见陷阱:了解诊断检验的特性-第1部分gydF4y2Ba 透视临床保留区gydF4y2Ba 2018gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 40gydF4y2Ba 3.gydF4y2Ba 10.4103 / picr.PICR_170_17gydF4y2Ba 29430417gydF4y2Ba PCR-9-40gydF4y2Ba PMC5799952gydF4y2Ba 戴维斯gydF4y2Ba JgydF4y2Ba GoadrichgydF4y2Ba 米gydF4y2Ba 精确召回率与ROC曲线的关系gydF4y2Ba 第23届机器学习国际会议论文集gydF4y2Ba 2006gydF4y2Ba ICML 06年gydF4y2Ba 2006年6月25-29日gydF4y2Ba 宾夕法尼亚州匹兹堡gydF4y2Ba 233gydF4y2Ba 40gydF4y2Ba 10.1145/1143844.1143874gydF4y2Ba 伯吉斯gydF4y2Ba 在gydF4y2Ba 荷兰gydF4y2Ba AEgydF4y2Ba 麦当劳gydF4y2Ba CFgydF4y2Ba 艾布拉姆森gydF4y2Ba 乔丹gydF4y2Ba 山gydF4y2Ba CJgydF4y2Ba 李gydF4y2Ba 艾尔gydF4y2Ba 考克斯gydF4y2Ba NSgydF4y2Ba 摩尔gydF4y2Ba RgydF4y2Ba NicolsongydF4y2Ba CgydF4y2Ba O ' hallorangydF4y2Ba PgydF4y2Ba LahhamgydF4y2Ba 一个gydF4y2Ba GilliesgydF4y2Ba RgydF4y2Ba 泰姬陵gydF4y2Ba 一个gydF4y2Ba 利用最少资源进行COPD家庭肺康复:一项经济分析gydF4y2Ba RespirologygydF4y2Ba 2020gydF4y2Ba 02gydF4y2Ba 25gydF4y2Ba 2gydF4y2Ba 183gydF4y2Ba 90gydF4y2Ba 10.1111 / resp.13667gydF4y2Ba 31418515gydF4y2Ba XGBoost参数gydF4y2Ba 2021gydF4y2Ba 2021-12-20gydF4y2Ba https://xgboost.readthedocs.io/en/latest/parameter.htmlgydF4y2Ba 参数调优说明gydF4y2Ba 2021gydF4y2Ba 2021-12-20gydF4y2Ba https://xgboost.readthedocs.io/en/latest/tutorials/param_tuning.htmlgydF4y2Ba 斯坦gydF4y2Ba 双相障碍gydF4y2Ba 包蒂斯塔gydF4y2Ba 一个gydF4y2Ba SchumockgydF4y2Ba GTgydF4y2Ba 李gydF4y2Ba 助教gydF4y2Ba CharbeneaugydF4y2Ba JTgydF4y2Ba 劳德黛尔gydF4y2Ba DSgydF4y2Ba NaureckasgydF4y2Ba 等gydF4y2Ba MeltzergydF4y2Ba 做gydF4y2Ba 克里希南gydF4y2Ba 晶澳gydF4y2Ba 国际疾病分类，第九修订版，临床修改诊断代码的有效性，以确定住院患者慢性阻塞性肺病加重gydF4y2Ba 胸部gydF4y2Ba 2012gydF4y2Ba 01gydF4y2Ba 141gydF4y2Ba 1gydF4y2Ba 87gydF4y2Ba 93gydF4y2Ba 10.1378 / chest.11 - 0024gydF4y2Ba 21757568gydF4y2Ba s0012 - 3692 (12) 60018 - xgydF4y2Ba PMC3251268gydF4y2Ba RajkomargydF4y2Ba 一个gydF4y2Ba 奥伦gydF4y2Ba EgydF4y2Ba 陈gydF4y2Ba KgydF4y2Ba 戴gydF4y2Ba 我gydF4y2Ba HajajgydF4y2Ba NgydF4y2Ba 哈特gydF4y2Ba 米gydF4y2Ba 刘gydF4y2Ba PJgydF4y2Ba 刘gydF4y2Ba XgydF4y2Ba 马库斯gydF4y2Ba JgydF4y2Ba 太阳gydF4y2Ba 米gydF4y2Ba 桑德博格gydF4y2Ba PgydF4y2Ba 绮gydF4y2Ba HgydF4y2Ba 张gydF4y2Ba KgydF4y2Ba 张gydF4y2Ba YgydF4y2Ba 弗洛勒斯gydF4y2Ba GgydF4y2Ba 达根gydF4y2Ba 通用电气gydF4y2Ba 欧文gydF4y2Ba JgydF4y2Ba 勒gydF4y2Ba 问gydF4y2Ba LitschgydF4y2Ba KgydF4y2Ba MossingydF4y2Ba 一个gydF4y2Ba TansuwangydF4y2Ba JgydF4y2Ba 王gydF4y2Ba DgydF4y2Ba WexlergydF4y2Ba JgydF4y2Ba 威尔逊gydF4y2Ba JgydF4y2Ba 路德维希gydF4y2Ba DgydF4y2Ba VolchenboumgydF4y2Ba SLgydF4y2Ba 周gydF4y2Ba KgydF4y2Ba 皮尔森gydF4y2Ba 米gydF4y2Ba MadabushigydF4y2Ba 年代gydF4y2Ba 沙阿gydF4y2Ba NHgydF4y2Ba 孤峰gydF4y2Ba AJgydF4y2Ba 豪厄尔gydF4y2Ba 米gydF4y2Ba 崔gydF4y2Ba CgydF4y2Ba 柯拉gydF4y2Ba GSgydF4y2Ba 迪安gydF4y2Ba JgydF4y2Ba 可扩展和精确的深度学习与电子健康记录gydF4y2Ba NPJ数字医院gydF4y2Ba 2018gydF4y2Ba 5gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 18gydF4y2Ba 10.1038 / s41746 - 018 - 0029 - 1gydF4y2Ba 31304302gydF4y2Ba 29gydF4y2Ba PMC6550175gydF4y2Ba 利普顿gydF4y2Ba 佐gydF4y2Ba 羽衣甘蓝gydF4y2Ba 直流gydF4y2Ba 埃尔坎gydF4y2Ba CgydF4y2Ba 吉姆gydF4y2Ba 钢筋混凝土gydF4y2Ba 学习使用LSTM循环神经网络进行诊断gydF4y2Ba 学习表征国际会议论文集gydF4y2Ba 2016gydF4y2Ba 学习表征国际会议gydF4y2Ba 2016年5月2-4日gydF4y2Ba 圣胡安，波多黎各gydF4y2Ba 1gydF4y2Ba 18gydF4y2Ba 金gydF4y2Ba 沪江gydF4y2Ba 金gydF4y2Ba 沪元gydF4y2Ba 基于深度神经网络的脓毒症早期检测学习表征gydF4y2Ba Comput Biol MedgydF4y2Ba 2017gydF4y2Ba 12gydF4y2Ba 01gydF4y2Ba 89gydF4y2Ba 248gydF4y2Ba 55gydF4y2Ba 10.1016 / j.compbiomed.2017.08.015gydF4y2Ba 28843829gydF4y2Ba s0010 - 4825 (17) 30274 - 3gydF4y2Ba RazaviangydF4y2Ba NgydF4y2Ba 马库斯gydF4y2Ba JgydF4y2Ba 桑塔格gydF4y2Ba DgydF4y2Ba 从纵向实验室测试预测疾病发作的多任务gydF4y2Ba 医疗保健领域机器学习会议论文集gydF4y2Ba 2016gydF4y2Ba 医疗保健中的机器学习会议gydF4y2Ba 2016年8月19日至20日gydF4y2Ba 洛杉矶，加州gydF4y2Ba 73gydF4y2Ba One hundred.gydF4y2Ba 京gydF4y2Ba TgydF4y2Ba 银行gydF4y2Ba DSgydF4y2Ba Beaulieu-JonesgydF4y2Ba 汉堡王gydF4y2Ba 卡里宁gydF4y2Ba AAgydF4y2Ba 做gydF4y2Ba 英国电信gydF4y2Ba 道路gydF4y2Ba 全科医生gydF4y2Ba 费列罗gydF4y2Ba EgydF4y2Ba AgapowgydF4y2Ba 点gydF4y2Ba ZietzgydF4y2Ba 米gydF4y2Ba 霍夫曼gydF4y2Ba 毫米gydF4y2Ba 谢gydF4y2Ba WgydF4y2Ba 罗森gydF4y2Ba GLgydF4y2Ba LengerichgydF4y2Ba BJgydF4y2Ba 以色列gydF4y2Ba JgydF4y2Ba LanchantingydF4y2Ba JgydF4y2Ba WoloszynekgydF4y2Ba 年代gydF4y2Ba 卡彭特gydF4y2Ba AEgydF4y2Ba ShrikumargydF4y2Ba 一个gydF4y2Ba 徐gydF4y2Ba JgydF4y2Ba 高于gydF4y2Ba 新兴市场gydF4y2Ba 薰衣草gydF4y2Ba CAgydF4y2Ba TuragagydF4y2Ba SCgydF4y2Ba AlexandarigydF4y2Ba 我gydF4y2Ba 陆gydF4y2Ba ZgydF4y2Ba 哈里斯gydF4y2Ba DJgydF4y2Ba DeCapriogydF4y2Ba DgydF4y2Ba 气gydF4y2Ba YgydF4y2Ba KundajegydF4y2Ba 一个gydF4y2Ba 彭gydF4y2Ba YgydF4y2Ba 威利gydF4y2Ba 路gydF4y2Ba 赛格勒gydF4y2Ba MHgydF4y2Ba 博卡gydF4y2Ba SMgydF4y2Ba SwamidassgydF4y2Ba SJgydF4y2Ba 黄gydF4y2Ba 一个gydF4y2Ba gitgydF4y2Ba 一个gydF4y2Ba 格林gydF4y2Ba CSgydF4y2Ba 深度学习在生物学和医学领域的机遇和障碍gydF4y2Ba J R Soc接口gydF4y2Ba 2018gydF4y2Ba 04gydF4y2Ba 15gydF4y2Ba 141gydF4y2Ba 20170387gydF4y2Ba 10.1098 / rsif.2017.0387gydF4y2Ba 29618526gydF4y2Ba rsif.2017.0387gydF4y2Ba PMC5938574gydF4y2Ba ShickelgydF4y2Ba BgydF4y2Ba TighegydF4y2Ba PJgydF4y2Ba BihoracgydF4y2Ba 一个gydF4y2Ba RashidigydF4y2Ba PgydF4y2Ba 深度EHR:对用于电子健康记录(EHR)分析的深度学习技术的最新进展的调查gydF4y2Ba IEEE生物医学健康信息gydF4y2Ba 2018gydF4y2Ba 12gydF4y2Ba 22gydF4y2Ba 5gydF4y2Ba 1589gydF4y2Ba 604gydF4y2Ba 10.1109 / JBHI.2017.2767063gydF4y2Ba 29989977gydF4y2Ba PMC6043423gydF4y2Ba 罗gydF4y2Ba GgydF4y2Ba 石头gydF4y2Ba 提单gydF4y2Ba KoebnickgydF4y2Ba CgydF4y2Ba 他gydF4y2Ba 年代gydF4y2Ba 非盟gydF4y2Ba DHgydF4y2Ba 盛gydF4y2Ba XgydF4y2Ba 莫塔夫gydF4y2Ba 妈gydF4y2Ba 草地gydF4y2Ba 卡gydF4y2Ba 宝贝gydF4y2Ba 米gydF4y2Ba ZeigergydF4y2Ba RSgydF4y2Ba 戴维森gydF4y2Ba “大酒店”gydF4y2Ba NkoygydF4y2Ba FLgydF4y2Ba 利用时间特征为慢性阻塞性肺疾病和哮喘护理管理提供数据驱动的临床早期预警:二次分析方案gydF4y2Ba JMIR Res ProtocgydF4y2Ba 2019gydF4y2Ba 06gydF4y2Ba 06gydF4y2Ba 8gydF4y2Ba 6gydF4y2Ba e13783gydF4y2Ba 10.2196/13783gydF4y2Ba 31199308gydF4y2Ba v8i6e13783gydF4y2Ba PMC6592592gydF4y2Ba
Baidu
map