Klinische Phänotypisierung identifiziert Hochrisiko-COPD-Patienten mit raschem FEV1-Verlust
Von KI ausgewählt und zusammengefasst
Worum es geht
Chinesische Kohortenstudie (38.863 COPD-Patienten, 1.215 mit Verlaufsparametern): Latent-Class-Analyse zur Identifikation klinischer Phänotypen; Machine Learning-Modell zur Vorhersage raschen Lungenfunktionsabbaus (FEV1-Abfall ≥40 mL/Jahr oder >1,5% predicted).
Ergebnis
Drei Phänotypen identifiziert: Phänotyp 1 (25,8 %, GOLD Stadium 2, nicht-rauchende Frauen), Phänotyp 2 (44,8 %, GOLD Stadium 1, rauchende Männer), Phänotyp 3 (29,4 %, GOLD Stadium 3, intensive Raucher). Phänotyp 2 zeigte höchste Verfall-Rate (55,8 %). Das CatBoost-Modell erreichte AUC 0,712; bei Schwellenwert 0,365: Sensitivität 95,5 %, negativer Vorhersagewert 86,4 %. Sechs einfache Prädiktoren: Region, Brennstofftyp, Einkommensstufe, Pfeifen, Hüftumfang, Basis-FEV1.
Übertragbarkeit auf Deutschland
China, großes Register; Phänotypisierung für Zielgruppendefinition relevant, Übertragbarkeit auf deutsche Phänotypen unklar
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.