基于机器学习方法探索慢阻肺病患者聚类及其与健康相关生命质量的关联——一项全国性横断面研究

王超; 余枫云; 曹仲; 黄可; 陈秋实; Pascal Geldsetzer; 赵婧含; 郑周德; Till Bärnighausen; 杨汀; 陈思邈; 王辰

doi:10.1016/j.eng.2025.05.005

Engineering ›› 2025, Vol. 50 ›› Issue (7) : 220 -228. DOI: 10.1016/j.eng.2025.05.005

研究论文

基于机器学习方法探索慢阻肺病患者聚类及其与健康相关生命质量的关联——一项全国性横断面研究

王超 ^a ,
余枫云 ^b ,
曹仲 ^c ,
黄可 ^d ,
陈秋实 ^e ,
Pascal Geldsetzer ^f ,
赵婧含 ^a ,
郑周德 ^d ,
Till Bärnighausen ^c ,
杨汀 ^d^,^* ,
陈思邈 ^a^,^c^,^* ,
王辰 ^a^,^d^,^*

作者信息 +

Exploring COPD Patient Clusters and Associations with Health-Related Quality of Life Using A Machine Learning Approach: A Nationwide Cross-Sectional Study

Chao Wang ^a^,^# ,
Fengyun Yu ^b^,^# ,
Zhong Cao ^c^,^# ,
Ke Huang ^d^,^# ,
Qiushi Chen ^e ,
Pascal Geldsetzer ^f ,
Jinghan Zhao ^a ,
Zhoude Zheng ^d ,
Till Bärnighausen ^c ,
Ting Yang ^d^,^* ,
Simiao Chen ^a^,^c^,^* ,
Chen Wang ^a^,^d^,^*

Author information +

文章历史 +

PDF (2652K)

摘要

慢性阻塞性肺疾病（简称“慢阻肺病”）是一种高度复杂的疾病，存在显著的个体间异质性。共病的存在不仅加剧了这种差异，还会增加疾病严重程度，并显著降低患者的健康相关生命质量（health-related quality of life, HRQoL）。尽管中国慢阻肺病患病率较高，但针对患者聚类分析的研究相对不足。本研究旨在基于共病特征，通过聚类分析识别并验证中国慢阻肺病患者的分类。本研究为一项横断面、多中心队列研究，数据来源于“幸福呼吸”项目（2020—2023年）。HRQoL采用欧洲生命质量研究基金会的五维五级健康量表（EQ-5D-5L）进行评估。研究首先对31个变量（包括27项共病指标及4项社会人口学或健康相关特征）进行多重对应分析降维；随后采用K-means++与层次聚类两种无监督机器学习方法进行聚类识别，并通过随机森林分类模型评估聚类稳健性。最后，采用逻辑回归模型分析各分型与EQ-5D各维度健康结局之间的关联。结果显示，在纳入的11 145名慢阻肺病患者中，59.4%存在至少一种共病。研究共识别出四类慢阻肺病患者：年轻男性吸烟型、女性生物质燃料暴露型、呼吸系统共病型和老年多重共病型。其中呼吸系统共病型和老年多重共病型的HRQoL水平显著较低。本研究基于共病和风险特征识别出四类具有临床意义的慢阻肺病患者类型，并各自呈现出不同的HRQoL结局特征。研究结果为开展有针对性的公共卫生干预和整合照护策略，以改善慢阻肺病管理提供了重要参考。

Abstract

Chronic obstructive pulmonary disease (COPD) is a complex condition marked by considerable interindividual heterogeneity. Comorbidities exacerbate this variability, worsening disease severity and reducing health-related quality of life (HRQoL). Despite the high prevalence of COPD in China, COPD patient clusters remain poorly characterized. This study aimed to identify and validate clusters of Chinese patients with COPD, characterized primarily by comorbidity profiles, using cluster analysis. This cross-sectional, multicenter cohort study used data from the Chinese Enjoying Breathing Program (2020–2023). HRQoL was measured using the EuroQol five dimension (EQ-5D). Dimension reduction was performed via multiple correspondence analysis on 31 variables, including indicators of 27 comorbidities and four socio-demographic or health-related characteristics. Unsupervised machine learning algorithms, K-means++, and hierarchical clustering identified distinct clusters. Robustness was assessed using random forest classification. Logistic regression evaluated the association between cluster membership and EQ-5D outcomes. Among 11 145 patients, 59.4% had comorbidities. Four clusters emerged: young male smokers, biomass-exposed females, respiratory comorbidity, and elderly multimorbid. The last two clusters had notably lower HRQoL. Cluster analysis identified four clinically meaningful COPD patient clusters based on comorbidities and risk profiles, each with distinct HRQoL outcomes. These findings support targeted public health interventions and integrated care strategies for COPD management.

关键词

慢性阻塞性肺疾病 / 共病 / 聚类分析 / 健康相关生命质量 / 公共卫生

Key words

Chronic obstructive pulmonary disease / Comorbidity / Cluster analysis / Health-related quality of life / Public health

引用本文

引用格式 ▾

王超,余枫云,曹仲,黄可,陈秋实,Pascal Geldsetzer,赵婧含,郑周德,Till Bärnighausen,杨汀,陈思邈,王辰. 基于机器学习方法探索慢阻肺病患者聚类及其与健康相关生命质量的关联——一项全国性横断面研究[J]. 工程（英文）, 2025, 50(7): 220-228 DOI:10.1016/j.eng.2025.05.005

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

慢性阻塞性肺疾病（COPD，简称“慢阻肺病”）是一种进行性呼吸系统疾病，2021年在全球死亡原因中位列第四[1]。中国肺部健康研究数据显示，2015年中国20岁及以上成人COPD的患病率为8.6% [2]。据预测，2020—2050年间，慢阻肺病将在中国造成约1.36万亿美元的经济负担[3]。慢阻肺病的典型特征是持续性气流受限，且已被广泛认知为一种高度异质性的疾病[4]。这种异质性还受到高发共病的进一步影响，常见共病包括心血管疾病、哮喘、支气管扩张和糖尿病等[5]，这些共病会显著影响患者的健康相关生命质量（health-related quality of life, HRQoL）、疾病负担[6]以及生存结局[4,7]。

深入理解慢阻肺病与共病之间复杂的相互作用[8]，对于改善患者预后[9]以及指导临床与公共卫生干预[10]具有重要意义。2023年的一项研究提出，应当将慢阻肺病视为多病共存（multimorbidity）的一部分，而非单一伴有共病的疾病，并强调需要采用以综合征为核心的管理模式[11]。既往研究已运用机器学习方法，根据疾病特征将慢阻肺病患者划分为不同的聚类类型，从而实现更具针对性的干预[10,12]。这种聚类方法[10,12]对于应对慢阻肺病的多维挑战，并推动全球范围内更精准的疾病管理具有重要价值。尽管临床研究中已识别出多种聚类类型，包括慢性支气管炎型、肺气肿型及哮喘-慢阻肺病重叠型[13‒17]，但关于其对患者日常功能与生活福祉影响的研究仍然有限。

目前尚无统一的标准化聚类方法，因为不同样本特征与分析方法可能导致疾病分型有差异。此外，大多数慢阻肺病聚类研究基于西方人群[13‒15]，而亚洲地区的相关研究相对较少[16‒17]。鉴于中国慢阻肺病疾病负担沉重，亟须明确具有临床意义的患者聚类类型，以优化风险分层管理并制定更有针对性的干预策略。虽然已有中国研究探讨了慢阻肺病患者中心血管疾病、糖尿病等共病的患病情况[18]，但采用聚类方法的系统分析仍非常有限。总体而言，现有文献中缺乏既能揭示多病共存特征，又能验证聚类方法，且基于中国人群数据开展的研究。

因此，本研究在中国开展了一项涵盖11 145例慢阻肺病患者的大规模研究，纳入31个变量，其中27项为共病指标，采用无监督机器学习方法对慢阻肺病患者进行聚类识别。我们评估了不同聚类算法结果的一致性，利用随机森林模型验证聚类结果的泛化能力，并采用逻辑回归分析不同聚类类型之间的差异。本研究的核心目标是识别中国慢阻肺病患者的聚类特征，并探讨其与HRQoL之间的关联。这些研究结果有助于更加深入地理解中国的慢阻肺病，并为制定更有效的公共卫生政策和临床管理策略提供科学依据。

2 材料与方法

2.1 数据来源

本研究为横断面研究，数据来源于“幸福呼吸”项目（一项全国性前瞻性慢阻肺病队列研究），旨在建立综合管理体系并评估相关干预效果[19]。研究对象招募自各级医疗机构，包括基层和三级医院，并在社区医院完成入组。该项目已于2020年3月在ClinicalTrials.gov注册（注册号：NCT04318912），并获得中日友好医院伦理审查委员会批准（批准号：2019-41-k29）。所有参与者均签署书面知情同意书，研究严格遵循《赫尔辛基宣言》的伦理原则。

2.2 研究对象

研究纳入了2020年5月至2023年4月期间参加“幸福呼吸”项目的18岁及以上的成年个体。对慢阻肺病筛查问卷（COPD-SQ）得分大于或等于16分的个体进行基线评估，包括使用便携式设备进行肺功能检查。若参与者在吸入支气管舒张剂后第1秒用力呼气量与用力肺活量的比值（FEV₁/FVC）小于0.7，则诊断为慢阻肺病。FEV₁占预计正常值百分比（FEV₁%pred）用于反映气流受限程度。若患者缺失关键变量，如年龄、性别、体质指数（BMI）或吸烟状况，则予以剔除，以减少非随机缺失数据可能带来的偏倚（图1）。

2.3 患者特征、共病与结局的定义

共病信息来源于自报疾病史问卷，按二元变量（“有”或“无”）记录。为避免数据稀疏并提高多重对应分析（MCA）的稳定性，研究剔除了患病率低于0.10%的共病，最终保留27项共病（附录A表S1）。

患者特征包括社会人口学特征、健康相关因素和临床特征。社会人口学变量包括年龄、性别、受教育程度、地理区域和医疗保险可及性。健康相关因素包括BMI、吸烟状况、粉尘或生物质燃料暴露史以及慢阻肺病家族史。临床特征变量包含肺功能和共病状况。肺功能通过修订版医学研究委员会呼吸困难评分（modified Medical Research Council, mMRC）和慢阻肺病评估测试（COPD assessment test, CAT）评估。共病状况通过慢性病数量及两种指数衡量[20]，即查尔森共病指数（Charlson comorbidity index, CCI）和慢阻肺病特异共病测试指数（COPD specific comorbidity test index, COTE）。CCI用于评估整体生存影响，COTE用于预测与慢阻肺病相关的死亡风险。所有社会人口学和健康相关变量均按分类变量处理，临床变量按连续变量处理。

本研究的主要结局指标为HRQoL，通过欧洲生命质量学会的五维五级健康量表（EQ-5D-5L）评估[21]。该量表包括五个维度：行动能力、自我照顾、日常活动、疼痛/不适和焦虑/抑郁。每个维度分为五个水平：没有任何困难、有一点困难、有中度的困难、有严重的困难和无法进行/有非常严重的困难。健康状态效用值通过时间权衡法（TTO）获得，范围从小于0（比死亡更差）至1（完全健康），其中“0”等同于死亡状态。为便于分析，每个维度被二分为“无困难”（水平1）和“存在困难”（水平2~5）。本研究采用基于中国城市居民健康偏好的EQ-5D-5L效用指数[22]。EQ-5D-5L的各维度数据以频数和百分比表示，仅统计报告存在困难（水平2~5）的人群，不包括无困难者（水平1）。

2.4 聚类识别

聚类识别的步骤如图2所示。首先，我们对31个变量（27项共病以及年龄、性别、BMI和吸烟状况）进行多重对应分析[23]，将其降维为三个无相关成分。MCA类似于主成分分析（principal component analysis, PCA），但更适用于分类变量。使用连续型、相互独立、中心化且标准化的MCA成分，有助于提升聚类结果的稳定性与可解释性（详见附录A第S2.1节）。

随后，我们将样本随机分为训练集（80%）和验证集（20%）。在聚类分析中同时采用K-means++法[24]和层次聚类法，以识别潜在的慢阻肺病患者聚类类型。最优聚类数的确定基于层次聚类树状图，并结合肘部法[25]与轮廓系数法[26]进行验证。最终聚类方案的选择参考了轮廓值的大小和正负：轮廓值越高，表示聚类间的区分度越好；若出现负值，则提示聚类效果欠佳[27]（详见附录A第S2.2节）。

2.5 聚类验证

为验证聚类结果的可靠性，我们使用训练集中的聚类标签训练随机森林（random forest, RF）模型，并将其应用于验证集（图2）。选择RF模型的原因在于其稳健性强，且能够捕捉变量之间的复杂交互关系。我们采用十折交叉验证提升RF模型的性能，并使用混淆矩阵和调整兰德指数[25,28]将预测聚类与原始聚类进行比较。此验证过程重复进行100次，以确保结果的稳健性。更多方法学细节详见附录A第S2.3节。

2.6 统计分析

完成聚类识别后，我们采用描述性统计、Pearson卡方检验和Wilcoxon秩和检验比较有无共病患者之间的特征差异。社会人口学特征采用描述性方法分析，不同聚类间的差异则通过Kruskal-Wallis秩和检验（连续变量）和Pearson卡方检验（分类变量）进行分析。采用雷达图直观展示各聚类的主要共病构成及HRQoL不同维度的分布情况特征，分别显示各聚类中主要共病的患病率和显示五个健康维度中报告存在困难的比例。最后，我们构建逻辑回归模型，探讨聚类类型与EQ-5D各维度结局之间的关联性，控制变量包括受教育程度、居住地类型、地区、职业、医保状况、家族史以及粉尘暴露史等。所有统计分析均在R软件4.3.1版本中完成。

3 结果

3.1 患者特征

研究共纳入11 145名慢阻肺病患者。其基线社会人口学和临床特征见表1。其中，6616人（59.36%）至少合并1种共病。总体来看，56.42%的患者年龄在70岁及以上，76.86%为男性，70.50%居住在农村地区。EQ-5D-5L效用值平均得分为0.71 [标准差（SD）= 0.26]。与无共病者相比，有共病者年龄更大、女性比例更高、粉尘或生物质燃料暴露率更高，且BMI更高；而且，他们的EQ-5D-5L效用值更低，在健康五个维度中均表现出更严重的症状。

3.2 共病患病率

患者共病的平均数量为1.09种（SD = 1.22）。最常见的共病为慢性支气管炎（n = 3573, 32.06%），其次为高血压和肺气肿（两者均为n = 1981, 17.77%）。其他较常见的共病包括缺血性心脏病（n = 875, 7.85%）和肺炎（n = 674, 6.05%），详见附录A表S1。

3.3 聚类特征

研究基于K-means++法识别出四类不同的慢阻肺病患者（详见附录A图S2和图S3）。各类型的主要特征详见表2，完整信息见附录A表S2。聚类1（年轻男性吸烟型）人数最多且平均年龄最小，以男性为主（98.26%），当前吸烟者（54.41%）与既往吸烟者（33.23%）比例最高，共病率最低。聚类2（女性生物质燃料暴露型）以女性为主（86.51%），吸烟率低（4.87%），但生物质燃料暴露率高（50.26%）；该类患者慢阻肺病家族史比例最高（23.40%），多为农村居民（73.21%），教育程度低（75.84%仅接受过小学教育）。聚类3（呼吸系统共病型），患者的FEV₁%pred与FEV₁/FVC最低，共病以慢性支气管炎和肺气肿为主。聚类4（老年多重共病型），主要为年龄70岁及以上的患者，BMI最高，且患高血压、缺血性心脏病和糖尿病的比例也最高。

3.4 聚类间共病比较

表2展示了不同聚类的共病负担与严重程度。呼吸系统共病型的平均共病数最高（2.63），且以呼吸系统疾病为主。尽管老年多重共病型的平均共病数略少，但其CCI（4.97）和COTE（1.08）评分均为最高，提示其整体疾病严重程度及死亡风险最高。女性生物质燃料暴露型的平均共病数为 0.94，低于呼吸系统共病型与老年多重共病型。年轻男性吸烟型共病最少（0.38），但吸烟率显著偏高，是导致患者未来健康恶化的关键风险因素。

不同聚类中主要共病的患病率不同（图3及附录A表S3）。慢性支气管炎和肺气肿在呼吸系统共病型中集中出现，分别影响82.96%和77.52%的患者。高血压在老年多重共病型中最常见（67.99%），而在呼吸系统共病型（13.85%）、女性生物质燃料暴露型（12.61%）及年轻男性吸烟者型（8.64%）中比例较低。老年多重共病型的缺血性心脏病（47.55%）和糖尿病（20.50%）患病率也最高，表明其系统性疾病负担更重。相比之下，年轻男性吸烟者型与女性生物质燃料暴露型的慢性呼吸系统疾病及心血管疾病比例均相对较低。

3.5 聚类与HRQoL的关联分析

表2与图4展示了各聚类在EQ-5D-5L效用值及五个维度中报告困难的比例。HRQoL效用值随共病数量增加而下降。年轻男性吸烟者组的EQ-5D-5L效用得分最高（0.74），其次为女性生物质燃料暴露组（0.69）、呼吸系统共病型（0.66）和老年多重共病型（0.65）。

在健康各维度上，年轻男性吸烟者组的有困难比例最低；而呼吸系统共病型和老年多重共病型在五个维度中均报告了较高比例的有困难。具体而言，老年多重共病型中74.60%的患者报告有疼痛/不适，呼吸系统共病型中则有80.59%的患者报告有焦虑/抑郁问题。

表3展示了基于健康相关生命质量的五个维度与不同聚类之间关联的调整后比值比（OR）及其95%置信区间（CI）。以年轻男性吸烟者型为参照，女性生物质燃料暴露型在自我照顾（OR = 1.65, 95%CI: 1.49~1.83）和行动能力（OR = 1.62, 95%CI: 1.43~1.82）方面存在更高的功能障碍风险。呼吸系统共病型的HRQoL最差，其行动能力（OR = 1.80, 95%CI: 1.57~2.06）、日常活动（OR = 1.83, 95%CI: 1.62~2.06）、焦虑/抑郁（OR = 1.97, 95%CI: 1.73~2.25）等风险均显著升高。老年多重共病型也表现出较差的HRQoL，尤其在行动能力（OR = 1.71, 95%CI: 1.47~1.98）和疼痛/不适（OR = 1.68, 95%CI: 1.46~1.92）方面。

3.6 聚类验证

聚类的有效性通过随机森林模型验证。混淆矩阵（附录A图S5）及100次重复验证所得的调整兰德指数（0.71, 95%CI: 0.48~0.94）均显示预测聚类标签与原始分组的一致性较高，提示本研究的聚类结果稳定可靠。

4 讨论

本研究共识别出四种类型慢阻肺病患者聚类类型——年轻男性吸烟型、女性生物质燃料暴露型、呼吸系统共病型以及老年多重共病型，这些类群在健康相关生命质量结局上存在显著差异。据我们所知，这是迄今在中国人群中通过机器学习方法，对慢阻肺病共病进行的较为全面的聚类分析之一。本研究的一大优势在于使用了最新的全国多中心大型队列数据，提升了结果的普遍适用性。通过同时纳入来自基层医疗机构和三级医院的患者，我们获得了较典型临床试验更具代表性的慢阻肺病人群。与以往主要关注临床特征的研究不同，本研究从公共卫生视角出发，整合了临床环境中常规可获取的社会人口学、生理学和行为学变量[2,29]。在研究结局的选择上，我们并未将慢阻肺病急性加重（AECOPD）或死亡作为主要结局，而是重点评估了EQ-5D-5L所测得的健康相关生命质量，从而能够更深入地理解患者的疾病负担。通过内部验证，本研究的聚类结果表现出较高的准确性与稳定性。总体而言，本研究为慢阻肺病研究提供了有价值的新证据，并为制定个体化护理策略和公共卫生政策提供了参考依据。

尽管各项采用无监督机器学习的研究在聚类结果上存在差异，但我们识别出的三类——年轻男性吸烟型、呼吸系统共病型以及老年多重共病型，与国际研究中的常见模式高度一致，这表明这些聚类具有一定的跨区域普遍性。年轻男性吸烟者型与欧美[13,30‒36]和亚洲[16‒17,37]研究中报道的“低共病”类群相符，这类患者通常为年轻男性，伴随的共病较少。2025年一项中国研究[38]也发现了类似群体，进一步验证了其可重复性。呼吸系统共病型与欧美[32,34‒36]和亚洲[37,39]研究中报道的“严重呼吸疾病”或“严重气流受限”类群相吻合，包括近期的中国数据[38]在内，这些类群均表现为严重的肺功能严重受损并伴有多种肺部疾病。同样，老年多重共病型以高龄和心血管及代谢性疾病负担重为主要特征，与欧美[13,30‒36,40]和亚洲[16‒17,37‒38]队列中的“心血管型”或“高共病患病率”类群一致。相比之下，女性生物质燃料暴露型类群则反映了区域特征，常见于中国农村及其他中低收入地区。

本研究在既有仅基于呼吸功能指标的研究基础上进一步拓展，将具体肺部疾病纳入呼吸系统共病型的界定中。这种方法也凸显了共病研究中的一个重大挑战：缺乏统一的疾病纳入和界定标准，这使得理解疾病间相互作用和临床结局变得复杂[41]。通过机器学习方法，我们将慢性支气管炎、哮喘和支气管扩张等归类至呼吸功能受损类群，从而为慢阻肺病患者的呼吸系统健康提供了更全面的评估视角。

老年多重共病型以心血管疾病和糖尿病的高发为主要特征，这与现有研究结果一致[32‒34,42]。心血管共病会显著增加慢阻肺病的经济负担和死亡风险[6]。这些发现反映了中国老龄化人群中的共同风险因素，其中吸烟和系统性炎症常会加重慢阻肺病的病情。

与其他类群相比，年轻男性吸烟型的患者年龄较轻、共病更少、整体健康状况更好，因此可作为对照基准。尽管该类群中吸烟者比例较高，但仍被描述为轻度慢阻肺病类群[32,34,43]，这正反映了中国吸烟率居高不下的现状[44]。然而，戒烟率仍然偏低，许多患者缺乏专业戒烟支持，因成瘾和社会因素导致复吸率较高[45]。这些发现提示，应针对早期患者制定有针对性的戒烟干预措施，以改善疾病预后[46‒47]。

女性生物质燃料暴露型多为女性、非吸烟者，且具有生物质燃料暴露史。该聚类结果凸显了慢阻肺病中显著的性别差异[48‒50]，并突破了COPD传统上与老年男性吸烟者相关联的认知范畴。虽然吸烟是公认的慢阻肺危险因素，但包括生物质燃料暴露在内的其他风险因素正受到越来越多关注。这一类群在非吸烟者中较为常见，但在来自发达国家的聚类研究中，由于生物质燃料使用率低而鲜少被识别。然而，全球中低收入国家中，约有30亿人口依赖生物质燃料[51‒52]，在暴露于其燃烧产物的非吸烟者中，慢阻肺病的发生率显著升高。有研究显示，生物质燃料暴露会使男性患慢阻肺病风险提升1.71倍、女性风险提升2.88倍，且在非吸烟者中风险更高（2.18倍）[53]。韩国的一项研究表明[54]，生物质燃料烟雾暴露导致的慢阻肺加重风险与烟草烟雾暴露相当。本研究识别出的这一类群与临床专家的观点一致，即生物质燃料暴露相关的慢阻肺病往往构成独立类群，且多伴有慢性支气管炎和小气道受累[51,55]。中国西部地区的研究同样发现，生物质燃料暴露是农村慢阻肺病的重要致病因素[52]。因此，减少生物质燃料使用并推广清洁能源是降低中国女性慢阻肺病疾病严重程度的关键措施[48‒49]。

我们的结果强调，应优先关注女性生物质燃料暴露型类群，这一群体相较于男性吸烟者往往被忽视。虽然该类群患者FEV₁与年轻男性吸烟者型相似，但在自我照顾、行动能力及疼痛/不适等维度上的问题更为严重。这与既往研究一致，即女性慢阻肺病患者往往表现出更严重的呼吸困难、更强烈的情绪反应以及更明显的HRQoL损害，这可能与女性长期暴露于家庭烟雾有关[56‒57]。公共卫生应对措施应聚焦于通过清洁炉具、改善通风以及社区教育减少生物质燃料暴露，政策层面可包括实施燃料补贴及制定空气质量法规等。临床医生应接受生物质燃料暴露导致的慢阻肺病相关专业培训，并推动针对该类群的个体化治疗研究。

当前的戒烟力度可能不足以减轻早期、轻症年轻患者（如年轻男性吸烟者型）的慢阻肺病负担。戒烟对于减缓肺功能下降至关重要，且干预越早，获益越大[58]。应针对年轻患者所面临的特有障碍，制定个性化的戒烟方案，以改善疾病结局并降低长期负担。

呼吸系统共病型患者在“日常活动”及“焦虑/抑郁”维度上的问题比例最高。鉴于慢阻肺病中焦虑和抑郁的高患病率[59]，日益加重的呼吸困难及活动受限可能进一步加剧心理困扰。因此，需采取包括肺康复、药物治疗及手术方案在内的多学科综合干预策略。公共卫生工作应推动建立提供综合服务的专业慢阻肺病门诊，同时加强疫苗接种和感染防控的意识宣传，以预防慢阻肺病急性加重的发生。

老年多重共病型患者在疼痛/不适方面表现较差，这可能与骨关节炎、骨质疏松相关疼痛及心绞痛等因素有关[60]。慢性疼痛在慢阻肺病中高发，患病率介于44%~88%之间，且疼痛程度越高，HRQoL越差[61]。这些发现强调了综合管理的重要性。公共卫生政策应优先开展常规筛查和协调化的诊疗路径，社区项目可强化生活方式改变、用药依从性及自我管理的教育。改善老年人医疗可及性，并培训医务人员提供适龄慢阻肺病照护仍是重要任务。

本研究存在一定的局限性。首先，无监督机器学习的聚类结果具有数据驱动特性，因此需要进一步的临床验证来支持聚类结果的解释；且为了在实践中应用，建立对聚类定义的共识也至关重要。其次，尽管本研究进行了内部验证，但缺乏外部数据集限制了研究结果的外推性；然而，全国性样本的异质性在一定程度上缓解了这一不足。再次，依赖自我报告的共病信息可能低估真实患病率，未来应引入更完整的健康记录以提高准确性。最后，横断面研究设计限制了对共病聚类与健康相关生命质量之间因果关系的推断；未来需要开展纵向研究以探讨因果关系。

5 结论

本研究识别出中国慢阻肺患者的四个不同聚类——年轻男性吸烟型、女性生物质燃料暴露型、呼吸系统共病型和老年多重共病型，每一类均具有独特的临床与健康相关生命质量特征。本研究强调了在公共卫生政策中纳入针对性策略的必要性。未来研究应进一步验证这些聚类，并探讨其在慢阻肺病防控政策与临床实践中的应用潜力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]

Naghavi M, Ong KL, Aali A, Ababneh HS, Abate YH, Abbafati C, et al.; GBD 2021 Causes of Death Collaborators. Global burden of 288 causes of death and life expectancy decomposition in 204 countries and territories and 811 subnational locations, 1990‒2021: a systematic analysis for the Global Burden of Disease Study 2021. Lancet 2024;403(10440):2100‒32.

[2]	Wang C, Xu J, Yang L, Xu Y, Zhang X, Bai C, et al. Prevalence and risk factors of chronic obstructive pulmonary disease in China (the China Pulmonary Health [CPH] study): a national cross-sectional study. Lancet 2018;391(10131):1706‒17. . 10.1016/s0140-6736(18)30841-9

[3]	Chen S, Kuhn M, Prettner K, Yu F, Yang T, Bärnighausen T, et al. The global economic burden of chronic obstructive pulmonary disease for 204 countries and territories in 2020‒50: a health-augmented macroeconomic modelling study. Lancet Glob Health 2023;11:e1183‒93. . 10.1016/s2214-109x(23)00217-6

[4]	Vanfleteren LEGW, Spruit MA, Wouters EFM, Franssen FME. Management of chronic obstructive pulmonary disease beyond the lungs. Lancet Respir Med 2016;4(11):911‒24. . 10.1016/s2213-2600(16)00097-7

[5]	Castañ-Abad MT, Montserrat-Capdevila J, Godoy P, Marsal JR, Ortega M, Alsedà M, et al. Diabetes as a risk factor for severe exacerbation and death in patients with COPD: a prospective cohort study. Eur J Public Health 2020;30(4):822‒7. . 10.1093/eurpub/ckz219

[6]	Chen W, FitzGerald JM, Sin DD. Sadatsafavi M for the Canadian Respiratory Research Network. Excess economic burden of comorbidities in COPD: a 15-year population-based study. Eur Respir J 2017;50(1):700393. . 10.1183/13993003.00393-2017

[7]	Laforest L, Roche N, Devouassoux G, Belhassen M, Chouaid C, Ginoux M, et al. Frequency of comorbidities in chronic obstructive pulmonary disease, and impact on all-cause mortality: a population-based cohort study. Respir Med 2016;117:33‒9. . 10.1016/j.rmed.2016.05.019

[8]	Divo MJ, Casanova C, Marin JM, Pinto-Plata VM, De-Torres JP, Zulueta JJ, et al. COPD comorbidities network. Eur Respir J 2015;46(3):640‒50. . 10.1183/09031936.00171614

[9]	Santos NCD, Miravitlles M, Camelier AA, Almeida VDC, Maciel RRBT, Camelier FWR. Prevalence and impact of comorbidities in individuals with chronic obstructive pulmonary disease: a systematic review. Tuberc Respir Dis 2022;85(3):205‒1202. . 10.4046/trd.2021.0179

[10]	Nikolaou V, Massaro S, Fakhimi M, Stergioulas L, Price D. COPD phenotypes and machine learning cluster analysis: a systematic review and future research agenda. Respir Med 2020;171:106093. . 10.1016/j.rmed.2020.106093

[11]	Medicine TLR. Changing how we see. COPD 2023;11:1035. . 10.1016/s2213-2600(23)00433-2

[12]	Putcha N, Drummond MB, Wise RA, Hansel NN. Comorbidities and chronic obstructive pulmonary disease: prevalence, influence on outcomes, and management. Semin Respir Crit Care Med 2015;36:575‒91. . 10.1055/s-0035-1556063

[13]	Rennard SI, Locantore N, Delafont B, Tal-Singer R, Silverman EK, Vestbo J, et al. Identification of five chronic obstructive pulmonary disease subgroups with different prognoses in the Eclipse cohort using cluster analysis. Ann Am Thorac Soc 2015;12(3):303‒12. . 10.1513/annalsats.201403-125oc

[14]	Carmona-Pírez J, Poblador-Plou B, Ioakeim-Skoufa I, González-Rubio F, Gimeno-Feliú LA, Díez-Manglano J, et al. Multimorbidity clusters in patients with chronic obstructive airway diseases in the EpiChron Cohort. Sci Rep 2021;11(1):4784. . 10.1038/s41598-021-83964-w

[15]	Hughes R, Rapsomaniki E, Bansal AT, Vestbo J, Price D, Agustí A, et al. Cluster analyses from the real-world NOVELTY study: six clusters across the asthma-COPD spectrum. J Allergy Clin Immunol Pract 2023;11(9):2803‒11.

[16]	Chubachi S, Sato M, Kameyama N, Tsutsumi A, Sasaki M, Tateno H, et al. Identification of five clusters of comorbidities in a longitudinal Japanese chronic obstructive pulmonary disease cohort. Respir Med 2016;117:272‒9. . 10.1016/j.rmed.2016.07.002

[17]	Tiew PY, Ko FWS, Narayana JK, Poh ME, Xu H, Neo HY, et al. ‘High-risk’ clinical and inflammatory clusters in COPD of Chinese descent. Chest 2020;158(1):145‒56. . 10.1016/j.chest.2020.01.043

[18]	Huang K, Zheng Z, Li W, Niu H, Lei J, Dong F, et al. Socio-demographic correlates with prevalence of comorbidities in patients with chronic obstructive pulmonary disease: a study from a Chinese National Survey. Lancet Reg Health West Pac 2024;42:100937. . 10.1016/j.lanwpc.2023.100937

[19]	Jia C, Zhang C, Fang F, Huang K, Dong F, Gu X, et al. Enjoying breathing program: a national prospective study protocol to improve chronic obstructive pulmonary disease management in Chinese primary health care. Int JJ Chron Obstruct Pulmon Dis 2020;15:2179‒87. . 10.2147/copd.s258479

[20]	Negewo NA, Gibson PG, McDonald VM. COPD and its comorbidities: impact, measurement and mechanisms. Respirology 2015;20(8):1160‒71. . 10.1111/resp.12642

[21]	Herdman M, Gudex C, Lloyd A, Janssen MF, Kind P, Parkin D, et al. Development and preliminary testing of the new five-level version of EQ-5D (EQ-5D-5L). Qual Life Res 2011;20(10):1727‒36. . 10.1007/s11136-011-9903-x

[22]	Luo N, Liu G, Li M, Guan H, Jin X, Rand-Hendriksen K. Estimating an EQ-5D-5L value set for China. Value Health 2017;20(4):662‒9. . 10.1016/j.jval.2016.11.016

[23]	Mori Y, Kuroda M, Makino N. Nonlinear principal component analysis and its applications. Singapore: Springer Singapore; 2016. . 10.1007/978-981-10-0159-8_2

[24]	Karwath A, Bunting KV, Gill SK, Tica O, Pendleton S, Aziz F, et al. Redefining β-blocker response in heart failure patients with sinus rhythm and atrial fibrillation: a machine learning cluster analysis. Lancet 2021;398(10309):1427‒35. . 10.1016/s0140-6736(21)01638-x

[25]	Bholowalia P, Kumar A. EBK-means: a clustering technique based on elbow method and k-means in WSN. Int J Comput Appl 2014;105:9.

[26]	Rousseeuw PJ. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J Comput Appl Math 1987;20:53‒65. . 10.1016/0377-0427(87)90125-7

[27]	Halpin B. SILHOUETTE: Stata module to calculate and graph silhouette width for cluster analysis. 2016.

[28]	Hubert L, Arabie P. Comparing partitions. J Classif 1985;2(1):193‒218. . 10.1007/bf01908075

[29]	Fang X, Wang X, Bai C. COPD in China: the burden and importance of proper management. Chest 2011;139(4):920‒9. . 10.1378/chest.10-1393

[30]	Vikjord SAA, Brumpton BM, Mai XM, Romundstad S, Langhammer A, Vanfleteren L. The HUNT study: association of comorbidity clusters with long-term survival and incidence of exacerbation in a population-based Norwegian COPD cohort. Respirology 2022;27(4):277‒85. . 10.1111/resp.14222

[31]	Pikoula M, Quint JK, Nissen F, Hemingway H, Smeeth L, Denaxas S. Identifying clinically important COPD sub-types using data-driven approaches in primary care population based electronic health records. BMC Med Inform Decis Mak 2019;19(1):86. . 10.1186/s12911-019-0805-0

[32]	Burgel PR, Paillasseur JL, Janssens W, Piquet J, Ter Riet G, Garcia-Aymerich J, et al. A simple algorithm for the identification of clinical COPD phenotypes. Eur Respir J 2017;50(5):1701034. . 10.1183/13993003.01034-2017

[33]

Vanfleteren LEGW, Spruit MA, Groenen M, Gaffron S, van Empel VPM, Bruijnzeel PLB, et al. Clusters of comorbidities based on validated objective measurements and systemic inflammation in patients with chronic obstructive pulmonary disease. Am J Respir Crit Care Med 2013;187(7):728‒35. . 10.1164/rccm.201209-1665oc

[34]	Burgel PR, Paillasseur JL, Peene B, Dusser D, Roche N, Coolen J, et al. Two distinct chronic obstructive pulmonary disease (COPD) phenotypes are associated with high risk of mortality. PLoS One 2012;7(12):e51048. . 10.1371/journal.pone.0051048

[35]	Garcia-Aymerich J, Gómez FP, Benet M, Farrero E, Basagaña X, Gayete À, et al. Identification and prospective validation of clinically relevant chronic obstructive pulmonary disease (COPD) subtypes. Thorax 2011;66(5):430‒7. . 10.1136/thx.2010.154484

[36]	Burgel PR, Paillasseur JL, Caillaud D, Tillie-Leblond I, Chanez P, Escamilla R, et al. Clinical COPD phenotypes: a novel approach using principal component and cluster analyses. Eur Respir J 2010;36(3):531‒9. . 10.1183/09031936.00175109

[37]	Chen CZ, Wang LY, Ou CY, Lee CH, Lin CC, Hsiue TR. Using cluster analysis to identify phenotypes and validation of mortality in men with COPD. Lung 2014;192(6):889‒96. . 10.1007/s00408-014-9646-x

[38]	Chen H, Chen D, Zhang J, Chen Y. Cluster analysis of comorbidity profiles reveals heterogeneity in hospitalized patients with chronic obstructive pulmonary disease. Chin Med J 2025;138(4):475‒7. . 10.1097/cm9.0000000000003370

[39]	Kim WJ, Gupta V, Nishimura M, Makita H, Idolor L, Roa C, et al. Identification of chronic obstructive pulmonary disease subgroups in 13 Asian cities. Int J Tuberc Lung Dis 2018;22(7):820‒6. . 10.5588/ijtld.17.0524

[40]	Hansen NS, Ängquist L, Lange P, Jacobsen R. Comorbidity clusters and healthcare use in individuals with COPD. Respir Care 2020;65(8):1120‒7. . 10.4187/respcare.07136

[41]	Kuan V, Denaxas S, Patalay P, Nitsch D, Mathur R, Gonzalez-Izquierdo A, et al. Identifying and visualising multimorbidity and comorbidity patterns in patients in the English National Health Service: a population-based study. Lancet Digit Health 2023;5(1):e16‒27. . 10.1016/s2589-7500(22)00187-x

[42]	Jurevičienė E, Burneikaitė G, Dambrauskas L, Kasiulevičius V, Kazė naitė E, Navickas R, et al. Epidemiology of chronic obstructive pulmonary disease (COPD) comorbidities in Lithuanian national database: a cluster analysis. Int J Environ Res Public Health 2022;19(2):970. . 10.3390/ijerph19020970

[43]	Pinto LM, Alghamdi M, Benedetti A, Zaihra T, Landry T, Bourbeau J. Derivation and validation of clinical phenotypes for COPD: a systematic review. Respir Res 2015;16(1):50. . 10.1186/s12931-015-0208-4

[44]	Hu Y, Chen Q, Zheng H, Liang Y. Influence of major non-communicable chronic disease diagnoses on Chinese adult males’ smoking behavior: is there a moderating role for the home environment? J Men’s Health 2024;20(3):45‒59. . 10.22514/jomh.2024.037

[45]	Zhang YY, Tang WT, Zhang H, Wang J, Bai XX, Liao YH, et al. Barriers and facilitators for smoking cessation in Chinese smokers with chronic obstructive pulmonary disease: a qualitative study. Int J Chron Obstruct Pulmon Dis 2022;17:1107‒20. . 10.2147/copd.s356935

[46]	Ai F, Zhao J, Yang W, Wan X. Dose-response relationship between active smoking and lung cancer mortality/prevalence in the Chinese population: a meta-analysis. BMC Public Health 2023;23(1):747. . 10.1186/s12889-023-15529-7

[47]	Liu Z, Qin R, Hu XJ, Liu LJ, Xu SQ, Shi GC, et al. Real-world tobacco cessation practice in China: findings from the prospective, nationwide multicenter China national tobacco cessation cohort study (CNTCCS). Lancet Reg Health West Pac 2023;39:100826. . 10.1016/j.lanwpc.2023.100826

[48]	Trudzinski FC, Jörres RA, Alter P, Walter J, Watz H, Koch A, et al. Sex-specific associations of comorbidome and pulmorbidome with mortality in chronic obstructive pulmonary disease: results from cosyconet. Sci Rep 2022;12(1):8790. . 10.1038/s41598-022-12828-8

[49]	Stolz D, Kostikas K, Loefroth E, Fogel R, Gutzwiller FS, Conti V, et al. Differences in COPD exacerbation risk between women and men: analysis from the UK clinical practice research datalink data. Chest 2019;156(4):674‒84. . 10.1016/j.chest.2019.04.107

[50]	Matera MG, Ora J, Calzetta L, Rogliani P, Cazzola M. Sex differences in COPD management. Expert Rev Clin Pharmacol 2021;14(3):323‒32. . 10.1080/17512433.2021.1888713

[51]	Jindal S, Jindal A. COPD in biomass exposed non-smokers: a different phenotype. Expert Rev Respir Med 2021;15(1):51‒8. . 10.1080/17476348.2021.1835476

[52]	Gut-Gobert C, Cavaillès A, Dixmier A, Guillot S, Jouneau S, Leroyer C, et al. Women and COPD: do we need more evidence? Eur Respir Rev 2019;28(151):180055. . 10.1183/16000617.0055-2018

[53]	Zhang X, Zhu X, Wang X, Wang L, Sun H, Yuan P, et al. Association of exposure to biomass fuels with occurrence of chronic obstructive pulmonary disease in rural western China: a real-world nested case-control study. Int J Chron Obstruct Pulmon Dis 2023;18:2207‒24. . 10.2147/copd.s417600

[54]	Cho J, Lee CH, Hwang SS, Kim KU, Lee SH, Park HY, et al. Risk of acute exacerbations in chronic obstructive pulmonary disease associated with biomass smoke compared with tobacco smoke. BMC Pulm Med 2019;19(1):68. . 10.1186/s12890-019-0833-7

[55]	Yang IA, Jenkins CR, Salvi SS. Chronic obstructive pulmonary disease in never-smokers: risk factors, pathogenesis, and implications for prevention and treatment. Lancet Respir Med 2022;10(5):497‒511. . 10.1016/s2213-2600(21)00506-3

[56]	Zysman M, Raherison-Semjen C. Women’s COPD. Front Med 2021;8:600107. . 10.3389/fmed.2021.600107

[57]	Lisspers K, Larsson K, Janson C, Ställberg B, Tsiligianni I, Gutzwiller FS, et al. Gender differences among Swedish COPD patients: results from the Arctic, a real-world retrospective cohort study. NPJ Prim Care Respir Med 2019;29(1):45. . 10.1038/s41533-019-0157-3

[58]	Scanlon P, Connett J, Waller L, Altose M, Bailey W, Sonia Buist A, et al. Smoking cessation and lung function in mild-to-moderate chronic obstructive pulmonary disease. Am J Respir Crit Care Med 2000;161(2):381‒90. . 10.1164/ajrccm.161.2.9901044

[59]	Abu Tabar N, Al Qadire M, Thultheen I, Alshraideh J. Health-related quality of life, uncertainty, and anxiety among patients with chronic obstructive pulmonary disease. F1000 Res 2021;10:420. . 10.12688/f1000research.51936.1

[60]	Hansen J, Molsted S, Ekholm O, Hansen H. Pain prevalence, localization, and intensity in adults with and without COPD: results from the Danish Health and Morbidity Survey (a self-reported survey). Int J Chron Obstruct Pulmon Dis 2020;15:3303‒11. . 10.2147/copd.s275234

[61]	Lee AL, Goldstein RS, Brooks D. Chronic pain in people with chronic obstructive pulmonary disease: prevalence, clinical and psychological implications. Chronic Obstr Pulm Dis 2017;4(3):194‒203. . 10.15326/jcopdf.4.3.2016.0172