在没有运动测试或身体活动状态的情况下评估健康成年人的心肺健康:回归模型的开发和验证

简介

背景

在数字健康、公共卫生和流行病学等领域，电子健康记录(EHRs)数据的使用正在日常医疗管理之外迅速出现[1，2］．然而，获得心肺适能(CRF)这一有价值的健康指标是有限的。这种限制主要是由于医疗服务(心肺压力测试)昂贵、耗时，而且通常集中在心脏病患者[3.-5］．CRF是一个人的功能能力(mL O₂·公斤¹·敏¹)由心、肺和肌肉功能共同驱动[6］．它是一般成年人口健康状况的重要标志[3.，6］．为了进一步证明CRF的重要性，美国心脏协会发布了一份科学声明，建议将CRF视为一种临床生命体征。大量证据表明，低CRF是不良健康结果(即全因死亡率、癌症、中风、心脏病和糖尿病发病率)的一个强有力的独立预测因子，这一说法背后的科学依据是由这些证据驱动的。[3.］．

之前的工作

为了帮助提高CRF数据的可获得性，研究人员开发了一系列非运动估计CRF (NEECRF)方程来估计CRF [7-9］．NEECRF方程通常包括年龄、性别、静息心率、吸烟状况、BMI和自我报告的身体活动状况(PAS) [8，10-12］．研究表明，NEECRF在预测全因和心血管疾病死亡率方面与测量的CRF相当[13，14］．然而，在医疗保健机构中通常没有进行或记录计算患者NEECRF所需的PAS评估[15］．因此，使用没有PAS (non-PAS)的NEECRF模型可能更可行。

在2019年的一项综合NEECRF综述中，在报告相关性和SE估计的成年人群中发现了一些同行评议的非pas NEECRF方程[8］．大多数方程仅使用年龄、身高和体重组合来开发，有些使用了ehr中不常见的变量(例如，腰围、预测/理想体重或运动模式)。

虽然相关性中等至高，但样本总体太小，无法确定低CRF的分类准确性。低CRF的准确分类对于大规模调查至关重要[3.，16］．Peterman等人最近研究了低CRF(最低品级)分类[9]，他发现了贝纳德的[7简化的非pas NEECRF方程在相当大的成人人群(n=4871)中分类能力较差。其他研究人员也提出，简单的非pas NEECRF公式的有效性较低，需要细致入微的方法[16，17］．研究人员还注意到，有效的非pas NEECRF模型可能在公共卫生、流行病学、监测、实践和研究方面具有广泛应用[3.，8，9，16，18］．

本研究的目的

由于在典型门诊就诊期间评估和记录静息心率、血压、BMI和吸烟状况是标准做法，因此本研究的主要目的是开发NEECRF的新模型，该模型可能使用ehr中常见的变量用于大规模人群健康调查。为此，我们将非pas NEECRF方程与临床测量的CRF进行了比较，并评估了其估计和分类CRF的能力。

方法

研究样本

有氧运动中心纵向研究(ACLS)是一项前瞻性流行病学调查，始于1970年[19］．这项调查的原始数据集包括43257名健康成年人，他们自愿参加了1974年至2005年间在德克萨斯州达拉斯市库珀诊所进行的全面预防性医疗检查。在基线时，所有参与者都没有糖尿病、心脏病、中风、癌症、阳性心电图，并完成了最大分级运动测试。每位参与者都知情同意参加纵向研究。研究人群主要包括受过大学教育、社会经济地位中高的白人成年人，平均基线年龄为43.5岁(范围20-79岁)。

伦理批准

该研究每年由库珀研究所机构审查委员会审查和批准，所有参与者都提供了书面知情同意书。

测量

预测变量在预防性健康检查中进行评估，包括1974年至2005年间库珀诊所年龄、BMI、静息心率、收缩压、舒张压和自我报告的吸烟状况的客观测量。年龄是在检查时证实的。身高和体重在使用美国习惯单位的校准刻度上测量，并转换为公制刻度进行调查。BMI由测量身高和体重计算，单位为kg/m²．坐位时采用人工听诊测量静息血压。静息心率是通过坐着时心电图上的R-R间隔来计算的。CRF以绝对代谢当量任务(METs;1met = 3.5 mL O₂·公斤¹·敏¹)基于症状限制的最大Balke分级运动测试的总持续时间[6］．遵循美国运动医学学院指南，鼓励患者尽最大努力，测试终点为意志衰竭或医生出于医疗原因终止[6］．METs根据最终跑步机速度和等级计算[6］．Balke分级运动测试与(r=0.94)与最大分级心肺运动测试[20.，21］．使用标准化的医学问卷来确定人口统计信息、生活习惯和慢性疾病状况。有关预防性健康检查的更详细资料，可参阅ACLS以前的刊物[10，13］．

统计分析

数据排除

首先检查数据的异常值和偏度。我们通过去除预测变量(连续)超过±3 σ区间的参与者，从数据集中去除异常值。为此，我们计算了每个预测变量的平均值和标准差，不包括吸烟(分类)。任何至少有一个预测变量高于3个SDs或低于3个SDs的参与者都被标记为异常值。在去除异常值和不完整条目(n=581)后，数据集包括33,530名男性参与者和9146名女性参与者，占原始43257名参与者的98.7%。

回归

主要分析基于基线时明显健康的成年人。使用监督机器学习技术，我们对男性和女性进行了单独的线性回归分析，以基于预测变量的非线性增强来预测非pas NEECRF [1］．我们也考虑过先进的机器学习模型，但没有发现它们有什么优势。制定男性和女性non-PAS NEECRF预测方程以最小化平均均方误差，其中N是我们数据集中样本的数量:

预测方程使用年龄、身高(Ht)、体重(Wt)、BMI、静息心率(rHR)、收缩压(SBP)、舒张压(DBP)和吸烟。除了吸烟状况(不吸烟=0，目前吸烟=1)外，所有变量都是连续的。通过减去每个变量的平均值并除以SD来标准化数据。接下来，分别对男性和女性参与者进行模型训练。我们用二阶项和相互作用项扩充了原始的8个变量，并将它们线性回归到用于训练的因变量。通过这种方式，非线性从回归量转移到自变量，同时保持模型的整体可解释性。在增广过程中增加了以下28个二阶项和相互作用项:Wt²， Wt × Ht, Wt ×年龄，Wt × rHR, Wt ×收缩压，Wt × DBP, Wt × BMI, Ht²， Ht ×年龄，Ht × rHR, Ht ×收缩压，Ht × DBP, Ht × BMI，年龄²，年龄× rHR，年龄×收缩压，年龄× DBP，年龄× BMI, rHR²， Ht ×收缩压，Ht × DBP, rHR × BMI，收缩压²，收缩压×舒张压，收缩压× bmi，舒张压²， DBP × BMI(共36个变量)。因为吸烟状态是一个分类变量，所以没有使用它来创建额外的变量。将增强数据集输入弹性净线性回归器，并通过10倍交叉验证进行训练和评估[22］．计算男性的最佳模型超参数(α=。001， λ=1.0)和女性(α=。004， λ=1.0)数据集通过交叉验证程序。然后使用非pas NEECRF方程计算男性和女性数据集的Pearson相关系数(见多媒体附件1)．最后，为了进行比较，我们交叉验证了Baynard的[7]简化的非pas NEECRF方程(77.96−10.35(性别;M=0, F=1)−0.92 (BMI)−0.32(年龄))[9］．

分类精度

我们根据流行病学调查中常用来定义低CRF的三个特定切点(最低五分位数、最低四分位数和最低十分位数)对非pas NEECRF和CRF进行交叉分类[3.］．接下来，CRF分布按男性和女性分组，其中α作为α-百分位的值，使用non-PAS NEECRF>α计算。分类后，我们确定了非pas NEECRF的准确性、敏感性、阳性预测值和F₁得分。参考标准为测量的CRF，低CRF定义为阳性检查。所有分析均在scikit-learn version 0.22.2 (NumFOCUS)中进行。

结果

中提供了描述性统计数据表1．各自变量与CRF之间的相关系数表示在多媒体附件1．男性参与者非pas NEECRF的多重Rs和平均偏差(在METs中)较高，为0.70(平均偏差1.33)，女性参与者为中等，为0.65(平均偏差1.23)。模型解释了48.4% (SE估计为1.70,95% CI 0.05-3.97)男性参与者的CRF方差，41.9% (SE估计为1.56,95% CI 0.05-3.48)女性参与者的CRF方差。多媒体附件1为研究人员和数据科学家提供了一个简单的自变量输入谷歌表，便于计算NEECRF。表2提供了使用最低五分位数、四分位数和三分位数对男性和女性参与者的低CRF进行分类的准确性、阳性预测和敏感性值的发现。虽然三种模型的总体分类精度对于非诊断性测试是有意义的，但最优模型是最低的不育量。男女合并阳性预测值为0.60，敏感性为0.67F₁得分0.63 [23，24］．的F₁评分是最佳实践总结指标，由阳性预测值的谐波平均值和分类敏感性(0=低，1=高)组成[23］．假设一个平衡的数据集(n=2529)，由Peterman等[16]，我们计算了F₁从他们报告的适用于EHRs方程的发现中获得的分数[16］．我们发现F₁分数从0.04到0.56。根据残差图(多媒体附件1)，我们发现该模型对于7.5 ~ 12.5 METs范围内的CRF MET值最为准确，但倾向于低估MET值(小于12.5 METs)和高估MET值(小于7.5 METs)。值得注意的是，这在非pas NEECRF研究中是一个常见的发现[3.］．类似于Peterman等人[9，我们交叉验证了Baynard的[7]非pas NEECRF方程与我们的参考CRF数据集，并发现男性低正相关(r=0.49，平均偏差1.60)和女性(r=0.43，平均偏差1.46)参与者。

讨论

主要研究结果

本研究使用了ehr中常见的临床测量的更大组合，在迄今为止最大的人群中比较了非pas NEECRF与客观测量的CRF [10，11，25-27］．总的来说，我们的模型可能比以前的方法提供了一种更适用于估计和分类CRF的方法[8，9，16］．此外，由于用于计算非pas NEECRF的生命体征和医疗信息通常是在医疗保健访问期间捕获的，因此我们的方法对医疗保健人员和患者的数据收集提出了象征性的要求。从公共卫生的角度来看，鉴于非pas NEECRF是一种无需成本且易于获得的非诊断性测试，中等阳性预测值是可行的[24］．很有可能，一些健康程度较低的人可能处于健康水平较低的一端，并可从健康促进中获益[24］．从临床角度考虑，考虑到中度敏感性，我们同意先前研究者的观点，尽管估计方程适用于流行病学调查，但它们不应取代临床运动测试对患者的诊断和管理[3.，16］．我们的研究结果表明，ACLS non-PAS NEECRF可以为进行人口健康研究提供一个有用的CRF评估。

与之前工作的比较

相比之下，基于pas的NEECRF模型表现出更高的正相关值(0.71-0.93)，与非pas NEECRF模型相比，低CRF的正确分类准确率更高(~90%)[3.］．由于身体活动是CRF的关键因素，在NEECRF模型中加入PAS变量可以提高准确性[3.，8，16］．然而，最近对20个国家不同的电子病历进行的回顾发现，只有18.8%的家庭诊所在电子病历中嵌入了结构化的PAS问卷，记录在案的PAS在10%至86%之间[15］．值得注意的是，没有使用为基于pas的NEECRF计算设计的验证问卷。因此，通过整合本地、国内或国际系统的现有EHR数据进行大规模研究以预测CRF的能力是不太可能的。相反，我们的模型可以提供一种全球方法来跨系统聚合EHR数据，以预测CRF并进行分析。

2019年，王等人[8]提供了一份全面的同行评审非pas NEECRF模型列表，这些模型使用年龄、BMI或性别的某种组合来预测CRF [8］．样本来自小群体，一般报告中度至高度相关性，没有SE估计[8］．值得注意的是，这些简化类型的方程的有效性和实用性受到了质疑[8，9，16，17］．我们发现这些研究的结果可能是有限的，因为这些研究只报告了相关性，缺乏足够的样本量来计算低CRF的预测值。同样需要注意的是，高相关值并不一定会导致对低CRF的更准确分类[9，16］．

最近，Peterman等人[16]确定了7个非pas NEECRF方程在与ACLS的人口统计学可比较队列(n=2529)中，与测量的CRF相比，准确分类低NEECRF (tertile)的能力。7个方程中只有3个适用，因为在电子病历中不常见的变量。总的来说，低CRF (tertile)的分类精度似乎对ACLS更好。在另一项调查中，Peterman等人[9]也测试了贝纳德的[7]使用球态队列(n=4871)评估分类精度。这个方程有一个r的0.76;然而，检测低CRF阳性个体的准确性较差(37%)。我们还交叉验证了Baynard的[7]与我们的数据集方程，发现相关性低，因此没有试图确定准确性[9］．虽然ACLS和Ball State的队列在人口统计学上是相似的，但我们的发现在某种程度上是预期的，因为ACLS方程是从ACLS数据集中专门训练出来的[9，16］．此外，这些方程需要在流行病学调查中使用电子病历数据进行检验，以确定它们预测健康结果的效果如何。

限制

这项研究并非没有局限性。我们的研究在相关性方面的主要局限性是测量的参考CRF是使用Balke分级最大运动测试进行的，该测试估计绝对METs。这项测试与成人最大心肺运动分级测试密切相关，通常用于临床和流行病学目的[3.，20.，21］．尽管ACLS数据集为临床测量的CRF提供了已知最大的健康女性数据集，但较大的女性样本量可能提供了稍好的预测模型[3.，27］．尽管如此，我们的分析证明了合理的相关性和分类。我们的分析是基于一个以白人为主的大型队列;目前尚不清楚这一结果是否适用于其他种族。值得注意的是，ACLS队列的同质性可能通过限制可能的混杂因素加强了我们结果的内部有效性。这项调查的主要优势在于，它是在迄今为止规模最大的队列中进行的，有大量客观测量的预测变量来估计非pas NEECRF。

结论

ACLS非pas NEECRF方程可为CRF提供有用的人口健康指标。针对不同人群、慢性病发病率和纵向重复措施分析，应开展更多工作，以提高公共卫生和监测能力。