根据全球慢性阻塞性肺疾病倡议 (GOLD)，如果 FEV1/FVC 比率低于 0.7 (70%)，则受试者被视为患有 COPD。美国胸科学会 (ATS) 和欧洲呼吸学会 (ERS) 的建议包括使用统计得出的正常下限 (LLN) 作为固定 FEV1/FVC 阈值 0.7，因为 LLN 在诊断过程中包括正常衰老的影响。

米勒等人比较固定比值法诊断为 COPD 的患者与正常下限诊断的患者的临床特征。他们发现，固定比率识别出更多呼吸道症状较少且心脏临床特征较多的受试者。此外，以下研究比较了不同国家 FEV1/FVC＜LLN 与 FEV1/FVC＜0.7 的诊断准确性。

Andreeva 等比较了俄罗斯两个主要城市的 COPD 患病率，使用两个阈值作为 COPD 诊断标准。它们包括可逆性气道阻塞的患者，如果将 FEV1/FVC<0.7 作为金标准，那么FEV1/FVC<LLN 的灵敏度为 0.69，特异性为 0.99，准确性为 0.98。

在加拿大的几个城市进行了同样的比较。如果将 FEV1/FVC<0.7 作为金标准，那么 FEV1/FVC<LLN 的准确度将达到 0.94，灵敏度相对较低 (0.64)，但特异性完美。

同样，荷兰的一项研究将固定值与 LLN 的诊断性能与临床 COPD 诊断进行了比较。他们发现，虽然固定值比 LLN 更敏感 (0.73 VS. 0.47)，但它的特异性也较低 (0.95 VS. 0.99)。

另外，某些患者可能难以完成用力呼气操作，包括影响 FVC 测量质量的症状或认知能力的严重程度。因此，一些研究在固定时间点使用了肺功能测量。特别是，6 秒用力呼气量 (FEV6) 作为 FVC 的替代品已被广泛研究。

例如，在中国，潘等人确定了 FEV1/FEV6 < 0.73 post-BD 与 FEV1/FVC < 0.7 post-BD 的诊断准确性，结果证明其准确性为 0.95，灵敏度为 0.952，特异性为 0.945。

同样，Chung 等人试图定义 FEV1/FEV6 pre-B2 的最佳阈值，以取代 FEV1/FVC pre-B2 以检测韩国 14978 名受试者的气道阻塞。FEV1/FEV6 < 0.75 pre-B2 的标准实现了 0.94 的灵敏度、0.95 的特异性和 0.95 的总体准确度。

此外，王等人定义 FEV1/FEV6 的最佳阈值，并将其诊断准确性与 FEV1/FVC<0.70 进行比较，以检测气道阻塞。本研究发现，FEV0/FEV75 的阈值为 1.6，准确度为 0.98，灵敏度为 0.97，特异性为 0.99。

关于其他肺通气功能参数，Ioachimescu 等人提出了基于 3 秒用力呼气量 (FEV3) 和 FEV1/FVC3<LLN 诊断准确性的 FVC 估计，以 FEV1/FVC＜LLN 为参考测试，准确率为 0.90，灵敏度为 0.94，特异性为  0.89。

传统的肺通气功能测量基于特定的固定值，还有一些研究人员专注于描述流量-体积曲线形状的不同测量。

例如，巴特等人介绍了 D 参数 (以“体积与时间”曲线测量) 和过渡点和过渡距离 (以流量-体积曲线测量)，并报告与计算机断层扫描 (CT) 相比，其 COPD 诊断准确性为 0.84。

此外，Oh 等人提出了“血流衰减”，一种定义为中呼气中流量倒数 (ln (1/flow)) 的体积斜率与自然对数的度量，以量化动态气道阻力。与 LLN 和体积描记法 < FEV1/FVC 相比，该测量的准确度为 94.0，灵敏度为 95.0，特异性为 92.1。

几项研究已经对 AEX 诊断呼吸功能障碍的能力进行了研究。Ioachimescu 等发现 AEX 对梗阻、限制、混合缺损和小气道疾病有较好的区分能力。后来，Ioachimescu 和 Stoller 评估了基于标准瞬时流量的几种 AEX 几何近似值的诊断准确性和效用；他们得到了 AEX 与实际值的相关性在 0.95 到 0.99 之间。Ioachimescu 和 Stolle 还评估了其中一个近似值 AEX 的平方根检测支气管扩张剂反应性并将其分为五类的能力：阴性、最小、轻度、中度和显著，这表明该措施可用于对阻塞性肺疾病的功能障碍进行分层。

此外，呼气流量-体积曲线的凹度也可以从肺通气功能曲线进行分析。Nozoe 等人提出，在老年患者中，自主呼吸时流量-体积曲线的凹度/凸度水平可以适当替代传统的用力呼气动作。他们发现预测 FEV1 的百分比的曲线下面积 (AUC-ROC) 为 0.92，灵敏度为 0.93，特异性为 0.93，可作为自主呼气流量-体积曲线的预测指标。在这项研究中，以最大自主呼气流量和吸气起始点为界，计算出一个矩形，利用矩形内曲线下方的面积进行诊断。

图：流量-体积曲线下面积

人工智能被用于不同领域，通过尝试模仿人类智能的工作方式来提高各种系统的性能。机器学习是人工智能的一个子类别。深度学习是一种利用海量信息进行学习的机器学习技术。

例如，Das 等人开发了一种卷积神经网络 (CNN)，用于验证流量-容积轨迹是否符合 ATS/ERS 的肺通气功能测量质量控制标准。与呼吸技术人员的分类相比，CNN 在可接受性和可用性方面的准确率分别为 87% 和 92%。

Jafari 等人设计了一种利用肺通气功能数据和多层感知器神经网络 (MLPNN) 检测肺功能正常和异常的系统，该系统根据流量-容积曲线将呼吸模式分为正常、阻塞、限制和混合模式。该系统在所有类别中的准确度为 0.98，灵敏度为 0.98，特异度为 0.99。在一项类似的研究中，两个神经网络被连接在一起，第一个神经网络将样本分为正常或异常，第二个神经网络将异常样本分为限制性或阻塞性模式，所有三种模式的准确度、灵敏度和特异性都超过了 0.90。

最后，机器学习不仅被用于诊断，还被用于日常应用，以提高慢性阻塞性肺病患者的生活质量。

例如，Swaminathan 等人使用一种基于机器学习的策略来早期检测慢性阻塞性肺病的病情恶化并进行后续分流。这项研究的目标是及时发现病情恶化，并评估其严重程度，为患者提供行动计划。该策略与一组医生所做的评估进行了比较，结果显示，该策略在预测急诊需求方面表现良好。

在另一项研究中，Cheng 等人利用支持向量机提出了一种基于手机运动传感器的肺功能分类系统。这项研究分析了手机传感器捕捉到的行走模式，并创建了一个机器学习模型，将他们的肺功能完美地分为 GOLD I/II/III 类。

COPD 是一种非常普遍的疾病，具有严重的负担，严重降低了患者的生活质量，尽管对这一主题进行了如此多的研究，但其诊断仍然是一个挑战。

Maldonado-Franco A, Giraldo-Cadavid LF, Tuta-Quintero E, Bastidas Goyes AR, Botero-Rosas DA. The Challenges of Spirometric Diagnosis of COPD. Can Respir J. 2023;2023:6991493. Published 2023 Sep 29. doi:10.1155/2023/6991493

【注】学术类文章旨在研究分享，所有内容以英文原文为准，图文如有侵权请联系我们！