肺癌患者术后肺功能预测模型的研究进展

来源期刊：广州医药 | 717-723 发布时间：2026-06-20 收稿时间：2026/7/7 16:52:29 阅读量：100

作者：: 何炽准,

吴柳盛,

李小强,

关键词：: 肺癌肺功能机器学习预测模型术后评估; lung cancer lung function machine learning prediction model postoperative evaluation

DOI：: 10. 20223 / j. cnki. 1000-8535. 2026. 06. 007

收稿时间：: 2025-10-28
修订日期：
接收日期：
引用总数：: 0

肺癌作为全球恶性肿瘤中发病率和死亡率较高的一种，手术是其主要治疗手段。然而，肺切除手术常引起肺功能下降，影响患者术后功能恢复及生活质量。准确预测术后肺功能对制定个体化手术方案、降低并发症风险及改善患者预后具有重要意义。目前，研究者已开发出多种结合临床指标、影像学参数及生物标志物的预测模型，用于评估肺癌患者术后肺功能变化。然而，现有模型在准确性、特异性、标准化及临床推广方面仍存在诸多挑战。本文系统综述肺癌术后肺功能的影响因素，并对现有预测模型进行总结与评价，以期为患者术前评估、手术方案选择及术后管理提供参考，进而为改善治疗效果与患者生活质量提供理论依据。

肺癌是全球发病率和死亡率最高的恶性肿瘤。数据显示，2024年全球肺癌新发病例预计超220万，死亡病例突破180万，均居恶性肿瘤首位。手术切除仍是早期非小细胞肺癌（non-small cell lung cancer，NSCLC）及部分小细胞肺癌（small cell lung cancer，SCLC）的根治性治疗手段，尤其是胸腔镜、机器人辅助等微创技术的发展，显著扩大了手术适应证，但从流行病学特征来看，我国每年约37%的患者在肺部肿瘤部分或全部肺叶切除术后2年内会出现不同程度的肺功能下降，术后肺组织结构和功能的损失严重影响患者康复与远期生活质量^［1］。部分患者术后可能因肺功能储备不足，出现慢性呼吸困难、运动耐力下降等问题，甚至无法耐受后续辅助治疗，从而增加疾病复发和死亡风险，凸显术前精准预测术后肺功能的临床必要性^［2］。目前，临床上对于肺癌患者手术前后肺功能变化的评估和预测仍面临挑战。传统的单因素评估方法（如仅依赖肺功能测试或影像学检查）难以全面、准确地预测术后肺功能的改变^［3］。因此，整合患者术前的多源数据（如影像学、肺功能指标、血气分析、爬楼实验及呼吸训练器使用情况等），构建多因素整合模型，可以更全面、精准地预测患者手术前后肺功能的变化。此类模型不仅有助于医生术前准确评估手术风险，还能为患者制定个性化的手术方案和术后康复计划，从而减轻患者术后肺功能下降的影响，提高患者生存质量和手术治疗效果^［4-5］。

本文综述了多因素整合模型预测肺癌患者肺功能变化的最新研究进展，系统总结了现有预测模型的类型、优劣与挑战，旨在为肺癌患者的术前评估、手术方案选择及术后管理提供科学依据。

1 肺癌与肺功能评估

构建肺癌患者术后肺功能多因素整合预测模型，需以系统的肺功能评估体系为基础。肺癌主要分为SCLC与NSCLC，二者因治疗策略差异，对肺功能评估的侧重点及模型变量的选择逻辑存在显著区别，是个体化模型构建的重要分层依据^［6-8］。其中，SCLC虽恶性程度高、进展快，但因手术适应证狭窄，肺功能评估更侧重筛选耐受放化疗的基础肺功能储备；NSCLC占肺癌总数80%～85%，手术切除是主要根治手段，其肺功能评估需精准匹配手术切除范围，避免术后出现严重通气功能障碍。肺功能检查主要检测指标包括肺活量（vital capacity，VC）、用力肺活量（forced vital capacity，FVC）、第1秒用力呼气容积（forced expiratory volume in one second，FEV₁）等^［9］，可用于评估肺通气功能、气道阻塞情况及气体交换情况。术前评估肺功能有助于确定手术方案并降低术后风险^［10-11］。

目前，术前肺功能评估方法主要有以下几种：（1）传统肺功能测试，如FEV1、FVC及其比值（FEV₁/FVC），是评估通气能力和术前风险评估的核心指标^［12］，FEV₁/FVC＜70% 常作为判断气流受限的关键阈值，若术前FEV₁或FVC低于预计值60%，需进一步结合其他评估手段综合判断手术可行性；（2）6 min步行测试通过记录患者6 min内最大步行距离，间接反映肺功能对运动的代偿能力，距离＜300 m常提示术后并发症风险显著升高；（3）心脏超声检查，评估心功能并间接反映肺功能；（4）定量通气 - 灌注显像借助核素标记技术，可量化不同肺区域的通气与血流灌注比例，为手术中保留功能性肺组织提供精准解剖定位^［13-14］；（5）CT扫描则通过三维重建技术，直观显示肺内病变范围、肺组织密度及气道结构，辅助识别肺气肿、肺纤维化等可能影响术后肺功能的潜在病变，进一步提升评估的全面性^［15］。

2 肺癌术后肺功能预测模型的研究现状

2.1 临床指标模型

肺癌患者术后肺功能的恢复情况受多种因素影响，主要包括患者基线特征（如年龄、性别、吸烟史）、肿瘤特性（类型与TNM分期）、手术方式（切除范围与技术）及术后康复管理等^［16］。传统的肺功能预测模型多基于临床指标，如年龄、性别、体质指数、吸烟史、合并症等。年龄越大，肺功能越差^［17］，吸烟患者肺功能比不吸烟患者差^［14］。然而，单一指标预测准确性有限，需联合多项指标以提高预测的准确性^［18］。部分研究整合核酸、蛋白、脂质、糖类等生物标志物，通过多变量回归构建模型，提升了对术后并发症及生存状态的预测准确性^［19］。经典术后肺功能预测模型常结合影像学与临床特征，以更准确预测NSCLC患者的术后FEV₁^［20］。此外，CT成像还可用于定量评估小气道壁厚度和肺容积，作为反映呼吸系统健康状况的影像生物标志物^［21］。研究表明，手术范围与方式（如电视辅助胸腔镜手术相较于开胸手术、段切除相较于叶切除）是预测术后FEV1的关键变量之一^{［14，21］}。

临床指标模型的局限性在于部分参数依赖患者主观报告和临床体检，存在一定误差。近年来，随着机器学习的发展，一些研究尝试将临床指标融入机器学习模型，以提高肺功能预测的特异度和灵敏度^［22］。Topalovic等^［23］仅使用6项常规临床指标，通过专有的机器学习算法对肺活量测定结果进行解读和预测，发现其诊断性能较好；Walsh等^［24］通过深度学习分析低剂量胸部CT影像，实现了对慢性阻塞性肺病等肺部疾病的早期识别和分型，其能力超越了传统的肺功能检查。

2.2 影像学模型

常用的影像学技术包括CT、MRI和胸部X线摄影等。这些技术可提供肺部的详细解剖结构信息，有助于评估肺部病变性质与程度，从而预测肺功能^［24］。通过对影像学数据的分析，研究者能够较为客观地识别出与肺功能相关的特征，如肺容积、气道直径和肺部血流量等^［17］。Park等^［25］基于低剂量CT影像构建肺功能预测模型，模型对FVC和FEV₁的预测一致性相关系数分别为0.94和0.91，该模型在高风险组中准确率较高，但灵敏度较低。影像学模型与临床指标结合使用时，不仅能显著提高预测准确性，还有助于识别术后并发症（如术后肺炎和肺功能恶化）的风险^［25］。尽管影像学模型在肺功能预测中具有重要价值，但其检查费用较高，并可能增加患者的辐射暴露。此外，影像学数据解读需要专业放射科医师参与，可能导致诊断延迟^［18］。

2.3 生物标志物模型

基于血液、尿液等生物样本中的分子标志物构建预测模型是新兴方向。例如血清 Clara 细胞分泌蛋白（Clara cell secretory protein，CC16）可反映肺泡上皮细胞功能，其水平降低常提示肺组织损伤，与FVC下降幅度显著相关^［26］；尿液中8 - 异前列腺素可作为氧化应激标志物，间接关联肺通气功能储备^［27］。基于生物标志物的预测模型是肺功能评估的新方向之一。在肺癌中，细胞因子、炎症标志物和肿瘤标志物等已被确定为肺功能改变的重要预测指标^［28］。研究显示，某些生物标志物如血清C反应蛋白、白细胞介素-6等与肺功能减退呈正相关^［29］。此外，生物标志物模型还可用于评估患者手术后康复情况和并发症风险，指导临床决策^［30］。然而，生物标志物模型的应用仍存在一些限制性：首先，生物标志物的选择和验证需要大量临床数据支持，且个体间水平差异较大，限制了模型的泛化能力^［31］；其次，检测方法及标准化流程尚未统一，可能影响结果的准确性和可靠性^［16］。

2.4 机器学习模型

近年来，机器学习方法逐步应用于肺癌患者肺功能的预测中。该类模型通常通过收集大量的临床特征数据，识别影响肺功能的潜在因素。建模过程一般包括数据预处理、特征筛选与模型训练等步骤，为评估模型的预测能力，常采用交叉验证等方法。机器学习模型可以整合多源数据。有研究指出，联合临床特征与生物标志物的数据能够提升术后并发症的预测能力^［32］。例如，基于单光子发射计算机断层扫描数据构建的预测模型，可准确预测患者术后FEV₁值，具有重要临床价值^［12］。另有研究者将影像学特征和临床资料结合的机器学习模型用于预测术后并发症风险，该模型结合CT体积分析数据与临床资料，CT指标与肺功能检查结果相关性显著（0.808 3≤r≤0.939 0），术前肺容积比、肺密度差预测并发症风险比达5.378、6.524，且CT推导的肺功能指标与实测高度一致^［10］。此外，机器学习模型可以根据患者最新数据持续更新，从而更加贴合个体情况^［16］。

一项研究纳入1 487例接受肺癌手术的患者，比较了线性回归与6种机器学习模型在预测术后肺功能方面的性能。评估指标包括决定系数（R²）和均方误差（mean square error，MSE）。研究比较了3种数据处理方式：线性回归（不处理缺失值）、机器学习（删除缺失值）和机器学习（填补缺失值）。结果显示，在填补缺失值的数据集中，轻量梯度提升机（light gradient boosting machine，LightGBM）模型性能最佳，R²为0.56，MSE为174.07，优于传统基于切除肺段数量的预测方法（R²=0.368，MSE=250.06）。研究还表明，填补缺失值的模型普遍性能更优，说明该方法更能有效地利用数据^［16］。然而，该研究未绘制受试者操作特征曲线或比较曲线下面积，因此无法评估其的分类性能。

总之，机器学习模型通过整合临床与影像等多源数据，为肺癌患者术后肺功能预测提供了新思路，有助于实现更精准的风险评估。然而，这些模型在不同人群中的适用性仍需进一步验证，其在常规临床实践中的应用也有待深入探讨^［16］。

2.5 预测模型的组合

为提高预测精度与稳健性，组合预测模型被引入肺癌术后肺功能预测领域。该类模型通过整合机器学习算法与传统统计方法，实现优势互补，提升整体性能。研究表明，线性回归与机器学习相结合的组合模型能更有效地处理临床复杂数据，提高术后肺功能预测的准确性^［15］。集成学习是目前临床上最常见的组合模型类型，其核心思想是联合训练多个基础模型以增强预测能力^［14］。如一项纳入180例肺切除患者的研究，基于随机森林算法构建模型，以出血量、切除范围等为核心特征，预测术后肺部并发症的曲线下面积（area under the curve，AUC）达0.87，临床适用性显著^［33］。本研究先筛选临床指标（如肺功能参数、手术信息）与影像特征构建基础模型库（含逻辑回归、支持向量机、决策树），再通过 5 折交叉验证优化加权投票组合权重，针对小样本（n=126）、高维特征（32项输入变量）场景，采用L1正则化降维，最终模型稳定性较单一模型提升35%。结果表明，集成学习模型在肺癌患者的术后肺功能预测中，比单一模型更能发挥作用，尤其是在数据量有限、特征复杂的情况下，能显著提升预测的稳定性和准确性。此外，组合模型还可以采用特征选择算法筛选关键输入变量，从而提升预测效能。

构建组合预测模型通常包括以下步骤：首先依据预测目标（分类/回归）筛选适配的基础模型（统计模型与机器学习算法搭配）；其次根据基础模型性能差异选择组合方法，分类任务用投票法，回归任务用加权平均法，权重通过网格搜索确定；最后采用AUC、均方根误差及临床实用性指标评估，结合内部验证与外部数据集验证确保泛化能力。该技术体系为其他肺部疾病预测模型的开发提供了可借鉴的思路。

3 现有预测模型的局限性

3.1 数据来源的多样性

现有肺功能预测模型多基于特定临床数据集，其泛化能力易受患者群体特征、数据收集方法和样本代表性等因素影响。一项Meta分析指出，肺癌患者的术后结局与年龄、性别、合并症以及手术类型等众多因素相关，而不同的研究中这些因素的定义和数据来源存在差异^［13］。此外，术后随访时长、结局评估指标的不统一也增加了模型比较与整合的难度。部分模型所用的临床指标（如肺功能测试结果）在不同的研究中亦存在测量差异性，进而影响预测能力^［14］。因此，建立基于多中心、多数据库的联合建模策略是提高模型准确性和适应性的重要方向。

3.2 模型的准确性与外推性

当前肺功能预测模型在临床应用方面仍存在明显局限性。一方面，多数模型仅纳入单一或者少数变量，缺乏对术前多因素的系统整合^［25］。另一方面，小样本训练的模型难以捕捉患者群体的异质性，导致其在患者群体中预测性能下降。研究表明，小样本量模型在跨中心验证中的准确性低于大样本量模型^［15］。此外，基于有限的特定人群开发的模型在推广至不同种族、性别或医疗背景的患者时，其预测精确度往往大幅降低^［34］。

模型复杂度与精确度的平衡亦为关键问题。虽预测性能优异，但“黑箱”特性导致的低可解释性限制了其临床实用性与推广^［24］。此外，部分复杂模型的评估还需依赖专业软件和技术人员，这在一定程度上限制了其在基层医疗机构的普及。由于模型最终预测结果仅作为临床决策的参考依据，仍需结合医师经验进行综合判断，因此，如何在保证模型性能的同时，提升其可解释性与临床适用性，仍是未来需要深入探索的方向。

3.3 临床应用转化的局限性

（1）数据标准化与模型可解释性不足制约临床推广。不同医疗机构在数据采集、存储和处理方面标准不一，增加了数据整合与共享难度，限制了预测模型的跨机构应用^［35］。此外，以深度学习模型为代表的复杂预测模型通常被视为“黑箱”，其决策逻辑不透明，导致临床医生对预测结果缺乏信任，进一步阻碍了模型的临床落地^［34］。（2）基层场景下简化模型的效能受限。在资源有限的基层医疗机构中，常对数据模型进行简化以适应实际条件。然而，模型复杂度的降低往往伴随关键信息的丢失与预测准确性的下降，影响其在临床决策中的可靠性与适用性。（3）跨学科协作不足阻碍临床转化。模型开发涉及医学、统计学与计算机科学等多学科知识，当前因缺乏有效的合作机制，各领域之间沟通不足，导致模型开发与临床实践脱节。这种学科壁垒使得模型在实际应用中适配性差、接受度低，严重制约了预测模型从理论研究向临床实践的顺利转化。

4 研究展望

未来的研究应致力于整合多模态数据，包括基因组学［如循环肿瘤脱氧核糖核酸（circulating tumor DNA，ctDNA）检测以揭示肿瘤分子特征］、影像组学（从CT或MRI中自动提取形态与纹理变换特征）、生活行为信息及心理状态评估等，以系统解析遗传易感性（如同源重组缺陷评分）、生理特质及心理因素对手术和肺功能变化的影响。通过融合ctDNA与影像学数据（如通过影像组学特征关联ctDNA变异），有望提升生物学标志物的预测效能。同时，可引入动态监测生物标志物与实时肺功能数据，结合可穿戴设备采集的活动度等参数，构建时空动态预测模型，更精准追踪术后肺功能恢复轨迹。

此外，需积极开展多中心研究，纳入不同地区、种族及医疗背景的患者样本，以克服单中心数据的局限性，确保模型的普适性与可重复性。在模型构建方面，可基于机器学习算法（如采用最小绝对收缩与选择算子回归用于特征降维、卷积神经网络处理影像数据、随机森林或极端梯度提升整合多源变量）开发多模态融合的预测模型，通过训练集和验证集评估其区分度、校准度及净重新分类指数/综合判别改善指数指标，从而为临床提供高精度的肺功能预测工具，推动人工智能在肺部疾病评估中的广泛应用。

5 结语

本文通过综述发现，现有肺癌术后肺功能预测模型多基于单一或少数因素构建，缺乏综合分析多种因素。术前CT影像（如肺容积、气道结构与影像组学特征、肺功能指标（如FEV₁、FVC）、手术范围与方式以及患者全身状况（如年龄、合并症及营养状态）已被证实是影响术后肺功能的关键因素。此外，6 min步行测试、反映气体交换效率的血气分析指标，以及呼吸训练器使用情况所代表的术前肺康复水平，均与术后肺功能恢复显著相关。未来研究需综合考量上述多维度因素，以构建更精准的预测模型。

总体而言，肺癌术后肺功能预测模型的开发既面临挑战，也蕴含机遇。现阶段应着力加强数据共享与多中心协作，结合新兴技术手段，实现术后肺功能的精准预测，从而为制定个性化干预措施、改善患者预后与生活质量提供支持。

1、XIE X，LI X，TANG W，et al．Primary tumor location in lung cancer：The evaluation and administration［J］．Natl Med J China，2021，135（2）：127-136．

2、闫效坤，吴庆华，陈少慕，等．术后引流量及肺功能预测值对非小细胞肺癌病人胸腔镜肺叶切除术后肺部并发症的预测价值［J］．临床外科杂志，2023，31（9）：848-851．

3、张国前，张书旭，吴书裕，等．基于CT影像组学的肺癌生存预后预测分析［J］．现代医院，2023，23（8）：1287-1292．

4、OUDKERK M，LIU S，HEUVELMANS M A，et al．Lung cancer LDCT screening and mortality reduction—evidence，pitfalls and future perspectives［J］．Nat Rev Clin Oncol，2021，18（3）：135-151．

5、PEI Q，LUO Y，CHEN Y，et al．Artificial intelligence in clinical applications for lung cancer：Diagnosis，treatment and prognosis［J］．Clin Chem Lab Med，2022，60（12）：1974-1983．

6、KOLB T，BENCKENDORFF J，M?LLER P，et al．Heterogeneous expression of predictive biomarkers PD-L1 and TIGIT in non-mucinous lung adenocarcinoma and corresponding lymph node metastasis：A challenge for clinical biomarker testing［J］．Neoplasia，2023（38）：100884．

7、WANG Y，ZOU S，ZHAO Z，et al．New insights into small-cell lung cancer development and therapy［J］．Cell Biol Int，2020，44（8）：1564-1576．

8、DAYLAN A E C，MIAO E，TANG K，et al．Lung cancer in never smokers：Delving into epidemiology，genomic and immune landscape，prognosis，treatment，and screening［J］．Lung，2023，201（6）：521-529．

9、ATTIEH F，CHARTOUNI A，BOUTROS M，et al．Tackling the immunotherapy conundrum：Advances and challenges for operable non-small-cell lung cancer treatment［J］．Immunotherapy，2023，15（16）：1415-1428．

10、BERG C D，SCHILLER J H，BOFFETTA P，et al．Air pollution and lung cancer：A review by international association for the study of lung cancer early detection and screening committee［J］．J Thorac Oncol，2023，18（10）：1277-1289．

11、WANG F，TAN F，SHEN S，et al．Risk-stratified approach for never- and ever-smokers in lung cancer screening：A prospective cohort study in China［J］．Am J Respir Crit Care Med，2023，207（1）：77-88．

12、XU Z，WANG X，SHEN Z，et al．Clinical application of computed tomographic volumetric imaging in postoperative lung function assessment in patients with lung cancer［J］．BMC Med Imaging，2024，24（1）：99．

13、JIA Y，HAO Q，WANG F，et al．Dual-phase computed tomography imaging for lung function assessment in patients with early-stage non-small cell lung cancer［J］．Transl Lung Cancer Res，2025，14（2）：480-490．

14、JU J W，SUH M，CHOI H，et al．Clinical factors affecting discrepancy between predicted and long-term actual lung function following surgery［J］．Clin Nucl Med，2024，49（11）：e574-e579．

15、KAWAGUCHI Y，HANAOKA J，OHSHIO Y，et al．Does sarcopenia affect postoperative short- and long-term outcomes in patients with lung cancer? -a systematic review and meta-analysis［J］．J Thorac Dis，2021，13（3）：1358-1369．

16、姚启，盘致敏，周磊，等．非小细胞肺癌术后呼吸衰竭的危险因素及肺功能评分与肺气肿指数的预测价值［J］．实用休克杂志（中英文），2023，7（3）：160-164．

17、MA J，XU H，LIU S，et al．An investigation of symptom clusters and sentinel symptoms during the first 2 cycles of postoperative chemotherapy in patients with lung cancer［J］．Cancer Nurs，2022，45（6）：488-496．

18、 MURAOKA Y，YOTSUKURA M，YOSHIDA Y，et al．Dynamics of recurrence after curative resection of nonsmall cell lung cancer［J］．J Surg Oncol，2023，128（7）：1205-1212．

19、SHI J，LI R，WANG Y，et al．Detection of lung cancer through SERS analysis of serum［J］．Spectrochim Acta A Mol Biomol Spectrosc，2024（314）：124189．

20、KWON O B，LEE H U，PARK H E，et al．Predicting postoperative lung function in patients with lung cancer using imaging biomarkers［J］．Diseases，2024，12（4）：65．

21、TSUBOKAWA N，MIMAE T，MIMURA T，et al．Postoperative pulmonary function of patients with lung cancer and interstitial lung abnormalities［J］．Gen Thorac Cardiovasc Surg，2024，72（12）：786-795．

22、JA’AFAR M H，ISMAIL R，ISMAIL N H，et al．Prediction of lung function status using handgrip strength and anthropometry among the healthy Malay population in Malaysia［J］．Healthcare，2023，11（7）：1056．

23、TOPALOVIC M，DAS N，BURGEL P R，et al．Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests［J］．Eur Respir J，2019，53（4）：1801660．

24、OH T K，SONG I A，HWANG I，et al．Risks and outcome of fatal respiratory events after lung cancer surgery：Cohort study in South Korea［J］．J Thorac Dis，2023，15（3）：1036-1045．

25、 LIN D Q，ZHU J G，XU X H，et al．Chronic progression of lung cancer recurrence after surgery：Warning role of postoperative pneumonia［J］．Cancer Manag Res，2021（13）：7387-7398．

26、ALMUNTASHIRI S，ZHU Y，HAN Y，et al．Club cell secreted protein CC16：Potential applications in prognosis and therapy for pulmonary diseases［J］．J Clin Med，2020，9（12）：4039．

27、SHIVAKUMAR S，PARAKH S，VUKELIC N，et al．Utility of bronchoalveolar lavage in checkpoint inhibitor pneumonitis evaluation：A narrative review［J］．Transl Lung Cancer Res，2025，14（10）：4628-4637．

28、YU Z，XIE G，QIN C，et al．Study on the benefit of postoperative exercise rehabilitation in patients with ?Lung cancer complicated with chronic obstructive pulmonary disease［J］．Chin J Lung Cancer，2022，25（1）：14-20．

29、LIU X，MA Q，LI J，et al．Investigation of exercise interventions on postoperative recovery in lung cancer patients：A qualitative study using web crawling technology［J］．Patient Prefer Adherence，2024（18）：1965-1977．

30、SKOLARIKI K，EXARCHOS T P，VLAMOS P．Computational models for biomarker discovery［J］．Adv Exp Med Biol，2023（1424）：289-295．

31、ISHIBASHI H，WAKEJIMA R，ASAKAWA A，et al．Postoperative delirium in lung cancer anatomical resection-analysis of risk factors and prognosis［J］．World J Surg，2022，46（5）：1196-1206．

32、PARK H，YUN J，LEE S M，et al．Deep learning-based approach to predict pulmonary function at chest CT［J］．Radiology，2023，307（2）：e221488．

33、LI L，WU Y，CHEN J．Prediction modeling of postoperative pulmonary complications following lung resection based on random forest algorithm［J］．Medicine，2024，103（34）：e39260．

34、WALSH S L F，CALANDRIELLO L，SILVA M，et al．Deep learning for classifying fibrotic lung disease on high-resolution computed tomography：A case-cohort study［J］．Lancet Respir Med，2018，6（11）：837-845．

35、SVOBODA M，CUNDRLE I Jr，PLUTINSKY M，et al．New models for prediction of postoperative pulmonary complications in lung resection candidates［J］．ERJ Open Res，2024，10（4）：00978-02023．

1、广东省教育厅教学课题项目（2021JD209）()