基于机器学习的MPO和Lp-PLA2分析揭示哮喘-慢阻肺重叠综合征以哮喘样炎症特征为主的分子表型

背景：哮喘-慢阻肺重叠综合征（ACO）在分子水平上仍特征不清，导致诊断不确定和治疗不理想。我们假设对髓过氧化物酶（MPO）和脂蛋白相关磷脂酶A2（Lp-PLA2）进行机器学习分析有助于揭示ACO作为一种独特的炎症内型。方法：我们于2023年7月至2025年8月在广州医科大学附属第一医院前瞻性招募了609名阻塞性气道疾病患者。使用化学发光免疫分析法定量血清MPO和Lp-PLA2。采用五种机器学习算法进行监督分类，同时使用无监督聚类定义分子表型。模型可解释性利用SHAP分析和降维技术。结果：MPO/Lp-PLA2比值成为强有力的区分性生物标志物，ACO患者比值较低，与哮喘相似，而非慢阻肺。无监督聚类显示72.2%临床诊断的ACO患者与哮喘聚类。集成机器学习模型表现出卓越性能。临床适用的ACORN评分显示出91.2%的阳性预测值。结论：机器学习揭示ACO主要表现出哮喘样炎症特征。MPO/Lp-PLA2比值和ACORN评分能够实现精准表型分型，具有潜在的治疗意义，提倡在阻塞性气道疾病中采用生物标志物指导的治疗策略。