【目的】基于智能手表的生理参数和音频数据，结合机器学习技术，建立并评估慢阻肺诊断模型。

【方法】1. 对稳定期慢阻肺和非慢阻肺受试者进行肺功能检查，使用华为智能手表（Watch GT3/Watch 3）连续监测受试者3~7天的生理参数，并采集两次自主咳嗽音。基于生理参数和音频数据，以慢阻肺诊断为主要结局指标，建立慢阻肺诊断模型并进行优化，结果筛选出对慢阻肺诊断最优指标为咳嗽音特征。2. 扩大样本量，对稳定期慢阻肺和非慢阻肺受试者进行肺功能检查，使用手表采集两次自主咳嗽音。随机将数据按7:3比例分配至训练集和测试集。以FEV₁/FVC为主要结局指标，建立基于咳嗽音的肺功能预测模型，并基于FEV₁/FVC的预测结果，进行慢阻肺诊断。

【结果】1. 263例受试者纳入分析，其中107例为慢阻肺患者。受试者中位年龄为65.0岁，男性占比56.3%。联合生理参数和音频数据的诊断模型结果显示，多数机器学习模型（7/8）的受试者工作特征曲线下面积（AUC）均大于0.70。基于咳嗽音特征的最优预测变量集的诊断模型结果显示，各模型的AUC均大于0.83，敏感度可达85%，明显优于COPD-SQ问卷（AUC=0.67，敏感度=31.8%）。2. 纳入646例受试者，中位年龄为64.0岁，男性占比59.4%，302例慢阻肺患者。基于咳嗽音的FEV₁/FVC回归预测模型中，梯度提升机模型在测试集表现最佳，平均绝对误差（mean absolute error，MAE）为9.3%。基于咳嗽音的慢阻肺诊断模型在训练集的AUC均大于0.80，在测试集最高仍可达0.81（如图a,b），其中梯度提升机模型的敏感度可达86%，明显优于COPD-SQ问卷，该模型在慢阻肺高风险人群中筛查的敏感性更高。

【结论】基于智能手表的咳嗽音，对慢阻肺的诊断具有良好性能，优于COPD-SQ问卷，有助于未来慢阻肺早期诊断。