摘要
引言 慢性阻塞性肺疾病（COPD）导致的可预防性发病和死亡，主要源于主要不良心血管事件（MACEs）和COPD急性加重（AECOPD）。本研究旨在总结社区环境下这些心肺事件的预测模型。
方法 我们检索了MEDLINE和Embase数据库，时间从建库至2025年4月10日，纳入了针对COPD患者心肺事件预测而开发、验证或增强的多变量模型研究，并使用了基于社区的数据源。对于从≥3个队列中获取C-statistic数据的模型，通过贝叶斯荟萃分析合并其区分度指标，并进行了异质性和偏倚风险评估。
结果 未发现使用社区数据预测COPD患者心肺事件的模型。在纳入的71个模型中，5个预测心血管事件，32个预测AECOPD，30个预测全因死亡率。没有模型符合心血管事件或AECOPD预测的荟萃分析条件。对于全因死亡率，ADO-SQ（0.763，95%CI 0.533至0.942）和BODE（0.753，95%CI 0.583至0.907）表现出良好的预测性能，而ADO（0.638，95%CI 0.443至0.827）表现出足够的预测性能。57.9%的研究存在高偏倚风险，且没有研究评估临床效用。
结论 尽管MACE和AECOPD负担沉重，但缺乏预测这种复合结局的社区模型。识别COPD患者中心肺事件高风险个体的模型，可能有助于实施针对性的临床干预。
PROSPERO注册号 CRD420251026275。
关于本主题的已知信息
慢性阻塞性肺疾病（COPD）与高多重共病负担相关，尤其是心血管疾病。国际心血管与呼吸联盟最近定义并识别了心肺风险，但目前尚不清楚是否存在高质量预测模型来预测COPD患者的心肺风险。
本研究补充的内容
目前没有预测COPD患者心肺风险的预测模型。当分解为心血管疾病、急性加重和死亡率时，仍然只有少数模型，且受限于样本量小以及模型开发之外几乎无外部验证。
本研究可能对研究、实践或政策的影响
本研究强调了开发精确心肺风险预测模型的必要性，特别是需要经过严格外部验证和前瞻性测试的模型。
引言
慢性阻塞性肺疾病（COPD）全球影响约4.8亿人口，是全球第四大死因，预计患病率将迅速增加。国际指南推荐干预措施以延缓不良结局，这些不良结局可能是COPD的直接后果，也可能是更广泛共病的一部分。COPD导致的可预防性发病和死亡，不仅源于COPD急性加重（AECOPD）和呼吸功能恶化，也源于大多数COPD患者的主要不良心血管事件（MACEs）。因此，COPD患者的心肺风险增加。
国际心血管与呼吸联盟（ICRA）已定义了心肺事件和心肺风险，详细阐述了识别和管理心肺风险的方法，并描述了COPD心肺风险的当前知识和证据缺口。已确定的一个缺口是需要一个用于COPD心肺事件的预测模型。这样的工具可用于识别可能受益于针对性干预以减少未来心肺事件的COPD患者。
因此，我们对适用于社区人群并已在社区队列中验证的COPD心肺事件预测模型进行了系统评价和荟萃分析。我们旨在综合已识别预测模型的区分能力，并确定是否有任何模型适合应用于临床实践。
方法
本系统评价根据系统评价和Meta分析优先报告条目（PRISMA）指南进行报告。已在PROSPERO（CRD420251026275）注册，并参考了PRISMA声明和预测建模研究系统评价的严格评估和数据提取检查表（CHARMS）。
搜索策略和纳入标准
我们通过Ovid平台检索了MEDLINE和Embase数据库，时间从建库至2025年4月10日。使用了与COPD心肺事件和预测模型相关的关键词和主题词组合，并将记录进一步限定为人体研究。我们对纳入的研究和先前的系统评价进行了前向和后向参考文献检索。我们使用EndNote的重复识别策略和手动方式去除了重复项。
要符合纳入条件，研究必须是原创性的人体成年人（≥18岁）COPD研究，并基于多变量分析开发和/或验证了预测新发心肺事件的模型。心肺风险定义为经历心肺事件的风险。心肺事件是一个复合术语，包括中度或重度COPD急性加重、心肌梗死、中风、心力衰竭事件、心律失常或由这些事件导致的死亡。系统搜索未发现已发表的预测心肺事件的模型。因此，我们提取并报告了心肺风险的组成部分——MACE、AECOPD和全因死亡率。如果文章仅报告风险因素与新发心肺事件之间的关联而非完整预测模型，仅研究COPD人群的一个子集，或纳入了社区常规护理中不常用的变量，则被排除。
我们将记录上传至系统评价网络应用程序。四名研究人员独立通过标题、摘要和全文筛选以确定是否纳入。分歧通过咨询另一位研究人员解决。
数据提取和质量评估
两名研究人员独立从纳入的研究中提取数据。数据来自主要参考文献，除非另有说明。然后，他们使用预测模型偏倚风险评估工具（PROBAST）评估每个研究中每个模型的偏倚风险和对评价问题的适用性。审阅者之间的差异通过第三位研究者参与的小组讨论进行额外审查解决。证据确定性评估采用推荐分级的评估、制定与评价（GRADE）指南进行。
为了对模型的预测性能进行定量合成和评估，我们提取了区分度和校准度的指标。为评估区分度，我们提取了C-statistic或受试者工作特征曲线下面积及其相应的95%置信区间。如果没有报告置信区间，我们使用Debray等人概述的方法进行计算。校准度评估模型预测概率的准确性，我们提取了所有报告的性能指标。对于人工/合成数据，我们不提取这些指标。我们核查了模型临床效用的报告，即决策曲线分析或决策分析模型形式的净获益，这可用于将使用模型进行临床决策支持的获益和危害相结合。我们还提取了队列信息、结局定义和所使用的预测变量。
数据综合和统计分析
我们将连续变量报告为均值±标准差，分类变量报告为百分比。所有分析中统计显著性设定为0.05。当一项研究在多个队列中报告了性能并为每个队列提供了单独数据时，我们分别评估了该研究中每个队列的模型性能。
我们通过C-statistic的综合指标及其相应的95%置信区间对区分度进行了贝叶斯荟萃分析。采用此方法是因为频率学派方法在预测模型性能的荟萃分析中由于验证和数据稀疏而可能遇到估计问题。此外，频率学派方法有时会产生不可靠的预测区间。此外，在使用稀疏数据推导预测区间时，贝叶斯方法很有用。我们计算了95%预测区间以描述研究间异质性的程度，并指示在新验证中预测模型性能的可能范围。我们根据先前出版物的定义，将综合C-statistic <0.60、0.60–0.70、0.70–0.80和>0.80 priori分别分类为不足、足够、良好和优秀。
主要分析评估了具有≥3个有C-statistic数据的验证队列的模型的整体区分度。在亚组分析中，我们对每个具有≥3个报告C-statistic数据的队列的模型进行了荟萃分析，同时应用统一的预测窗口，这是将风险模型转化到临床环境的重要因素。我们进行了一项敏感性分析，排除了被PROBAST评估评为总体高偏倚风险的研究。统计分析使用R软件中的metafor和metamisc包进行。
患者和公众参与
患者和公众未参与本研究的设计、实施或报告。
结果
我们识别了12,130条独特记录，审阅了49篇全文报告，并纳入了38项研究。
纳入研究的特征
5项研究调查了心血管风险的预测模型，共包含12个队列。20项研究调查了AECOPD的预测模型，共包含27个队列。13项研究调查了COPD全因死亡率的预测模型，共包含19个队列。纳入研究的参与者数量从286到1561不等。
纳入预测模型的特征
在三个领域中共研究了71个独特的多变量模型，包括9个用于心血管事件，32个用于AECOPD，30个用于全因死亡率。图1展示了最常用的10个预测变量。最常用的变量是第1秒用力呼气量（n=69），其次是改良医学研究委员会呼吸困难评分（n=65）和年龄（n=64）。
纳入队列中的风险预测模型性能
所有研究报告了区分度指标，范围从0.570到0.948。3个心血管疾病预测模型得到了外部验证，但均来自同一项研究。7个AECOPD预测模型和16个全因死亡率预测模型也得到了外部验证。最常验证的AECOPD模型是DOSE，最常验证的全因死亡率模型是ADO。
纳入风险预测模型的临床效用和临床影响
没有研究包含临床效用分析，并且在向前参考文献检索后没有模型得到前瞻性验证。
偏倚风险评估
总体而言，22/38（57.9%）的研究被判断为高偏倚风险。80%的心血管风险预测模型、60%的AECOPD预测模型和46%的全因死亡率预测模型被判断为高偏倚风险，主要由于分析方法。所有评估的模型均未发现适用性问题。Egger检验结果（p=0.121）不支持发表偏倚。
荟萃分析
对于全因死亡率，当荟萃分析外部验证队列时，ADO-SQ（0.763，95%CI 0.533至0.942）和BODE（0.753，95%CI 0.583至0.907）表现出良好的预测性能，而ADO（0.638，95%CI 0.443至0.827）表现出足够的预测性能。BODE和ADO模型均表现出显著的异质性，而ADO-SQ则未表现出异质性。当仅限定于统一预测窗口和外部验证队列时，只有用于1年预测的ADO-SQ模型符合条件并表现出良好的预测性能（0.762，95%CI 0.549至0.939）。该模型未表现出异质性。对于COPD急性加重或心血管风险，没有模型得到外部验证并足够多次地报告预测性能以进行荟萃分析。
敏感性分析
当排除全因死亡率的高偏倚风险研究并将分析限定于外部验证结果时，BODE表现出良好的预测性能，ADO表现出足够的预测性能。两项分析均具有显著的异质性。无法对外部验证研究进行荟萃分析，也无法移除高偏倚风险研究并将分析限定于统一的1年预测窗口。
当排除全因死亡率的高偏倚风险研究时，BODE表现出良好的预测性能，ADO表现出足够的预测性能，而BODE加急性加重表现出不足的预测性能。所有模型均表现出显著的异质性。
证据确定性
我们使用GRADE工具评估了证据确定性。纳入研究的初始确定性水平为“高”，但随后因结果不一致和高比例的高偏倚风险研究而降级为“低”。因此，最终的总体确定性为“低”。
讨论
据我们所知，这是首个调查社区预测模型用于识别COPD心肺事件效用的系统评价。我们未发现旨在预测COPD新发心肺事件的社区模型。当分解为心血管疾病、AECOPD和全因死亡率领域时，我们发现了71个模型。BODE和ADO-SQ模型对全因死亡率均表现出良好的预测性能，但由于缺乏报告结果，无法对心血管疾病和AECOPD领域的模型性能进行荟萃分析。
与以往研究比较
以往研究已分别评估了心血管疾病、COPD相关死亡率和全因死亡率的预测模型，但均未聚焦于COPD心肺事件的预测。每项系统评价都发现了类似的关于临床效用的方法学问题，特别是外部验证有限。我们的综述超越以往的文献，证明了尽管有证据表明轻中度COPD患者更可能死于心血管疾病，但针对COPD心血管疾病的模型开发甚少。
临床影响
COPD患者的心血管疾病及相关危险因素常被低估，心血管风险及疾病管理也不尽人意。值得注意的是，用于心血管疾病一级预防的传统模型低估了COPD患者的心血管风险。尽管英国已开发QRISK4将COPD作为附加风险因素纳入，但仍需要一个针对COPD患者心肺事件预测的特异性工具。预测COPD患者心肺事件复合结局，有助于在这一高风险人群中实施有针对性的诊断和预防策略。
目前可用的模型似乎都没有必要的证据基础来推荐用于评估COPD患者的心肺风险。BODE和ADO-SQ均表现出良好的预测性能，但这仅限于全因死亡率领域。BODE在两个研究中对AECOPD风险也表现出足够到良好的预测性能。然而，BODE尚未经过预测心血管事件的测试，其临床效用也未得到前瞻性评估。ADO-SQ模型仅在一个国家得到验证，且研究中的事件数量较少，这可能导致性能被高估。
尽管如此，BODE可能被认为最具适用性，因为它对急性加重表现出足够到良好的预测性能，对全因死亡率表现出良好的预测性能。此外，其简便性可能有助于在临床实践中得到更高的应用。更简单的、简约的模型可能具有更高的临床效用，因为更复杂的模型可能受到数据缺失的限制。更简单的预测模型可在未来的研究中进行评估。
缺乏外部验证和前瞻性评估是预测建模研究中常见的缺点。在心肺风险的三个领域中，总结的预测模型共享了共同的预测变量。这表明COPD的发病率在增加，这三种类型的不良事件可能共享共同的风险因素和病理生理学。这意味着应该有可能开发一个用于COPD心肺事件的预测模型，但这样的模型需要外部验证和前瞻性测试来证明其效用。此外，我们对证据确定性的评估为“低”，表明该领域的进一步研究很可能显著改变每个领域的效应估计，而创建心肺事件预测模型将影响总体结局。
局限性
我们的工作存在若干局限性。首先，分析中纳入的人群来自非常异质的群体，用于创建和验证模型的参与者数量以及用于训练模型的事件数量存在很大差异。我们纳入了前瞻性和回顾性研究，这可能在诊断某些事件时引入偏倚，以及用于训练模型的选择偏倚。此外，由于缺乏个体患者数据，我们未进行荟萃回归或亚组荟萃分析，因此该分析容易受到生态学偏倚的影响。我们也因报告不足而无法分析模型校准性能。此外，荟萃分析经常表现出显著的异质性，这增加了新预测模型将显著改变我们结果的可能性。
结论
目前，尚无基于证据的模型用于预测COPD患者的心肺风险。鉴于心肺事件对COPD结局的重大影响，迫切需要进一步研究，以开发、外部验证并前瞻性地测试一个专门针对COPD患者心肺风险的预测模型。
【全文结束】