Von der Spirometrie zur Bodyplethysmographie: Vorhersage von Totaler Lungenkapazität und Residualvolumen mit Machine Learning

Hintergrund Die Spirometrie ist weltweit die am häufigsten eingesetzte Methode der Lungenfunktionsdiagnostik, während die Ganzkörperplethysmographie deutlich weniger verbreitet ist, jedoch zusätzliche Informationen, wie z.B. die Totale Lungenkapazität (TLC) oder das Residualvolumen (RV) liefert. Beide Parameter werden zur Beurteilung einer Überblähung verwendet. Ziel dieser Studie war es, plethysmographische Parameter aus spirometrischen Messgrößen vorherzusagen. Methoden Analysiert wurden 37.965 Ganzkörperplethysmographie-Aufzeichnungen zwischen Juli 2018 bis Juni 2024. Als Prädiktoren dienten spirometrische Parameter (FEV₁, FVC, FEV₁/FVC, VC, FEV₀.₇₅, FEV₀.₇₅/FVC), die entsprechenden z-Scores berechnet nach der Global lung initiative (GLI) Gleichungen von 2012 (FVC, FEV₁, FEV₁/FVC) sowie demografische Variablen (Alter, Körpergröße, Gewicht, Geschlecht). Für jede Zielvariable wurden drei Machine-Learning-Regressionsmodelle (Random Forest, XGBoost, CatBoost) trainiert und anhand des Test-R² evaluiert. Überblähung wurde definiert als (Residualvolumen) RV/TLC- oder RV-GLI-z-Score>+1.645. Ergebnisse Von allen untersuchten Parametern konnte für die inspiratorische Kapazität (IC) die beste Modellgüte erreicht werden (CatBoost Regression, R²=0.818, MAE 0.293l). Für RV und TLC wurde die beste Modellgüte mit XGBoost Regression erreicht (R²=0.488 bzw. 0.626 und MAE 0.640l bzw. 0.626l), während RV/TLC unter CatBoost Regression die höchste Modellgüte erzielte (R²=0.675, MAE 5.429%). Die diagnostische Genauigkeit zur Erkennung von Überblähung lag bei Verwendung von RV/TLC bzw. RV bei einer ROC-AUC von 0.855 bzw. 0.805, mit einer Spezifität von 70% bzw. 85% und einer Sensitivität von 84% bzw. 60%. Die Subgruppenanalyse ergab, dass das Vorliegen einer Obstruktion (FEV₁/FVC-z-Score