Research Article

Erstellung und Validierung eines Nomogramms zur Identifizierung von Schleimobstruktion bei Patienten mit chronisch obstruktiver Lungenerkrankung

DOI:

10.3791/69780

⸱

June 9th, 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Pulmonary and Critical Care Medicine, The First Affiliated Hospital of Shenzhen University (Shenzhen Second People's Hospital)

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie zielte darauf ab, unabhängige klinische Prädiktoren für durch Computertomographie (CT) nachgewiesene kleine Atemwegsschleimstopfen bei Patienten mit chronisch obstruktiver Lungenerkrankung (COPD) zu identifizieren und ein Nomogramm zur individuellen Risikovorhersage zu erstellen und zu validieren.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kleine Atemwegsschleimverstopfungen bei der Lungen-Computertomographie (CT) sind ein klinisch signifikanter Befund bei chronisch obstruktiver Lungenerkrankung (COPD) und sind mit einem beschleunigten Lungenfunktionsabbau, erhöhter Häufigkeit akuter Exazerbationen und einer höheren Anfälligkeit für Atemwegsinfektionen verbunden. Allerdings fehlt derzeit ein validiertes prädiktives Tool zur Identifizierung von Patienten mit Risiko für CT-erkannte Schleimstopfen. Diese Studie hatte zum Ziel, ein Nomogramm zu entwickeln und zu validieren, um eine kleine Atemwegsschleimverstopfung bei Patienten mit COPD vorherzusagen. Wir haben rückwirkend 212 COPD-Patienten aus dem Shenzhen Second People's Hospital (Januar 2021 bis Juni 2022) aufgenommen, von denen 47 CT-bestätigte Schleimstopfen hatten (Schleimstopfgruppe, MP) und 165 keine (Nicht-Schleimplumpengruppe, NMP). Univariate und Empfänger-Betriebseigenschaften (ROC)-Analysen wurden verwendet, um Kandidatenprädiktoren zu identifizieren. Multivariate logistische Regression wurde durchgeführt, um das endgültige prädiktive Modell zu erstellen, das dann in ein Nomogramm umgewandelt wurde. Die interne Validierung erfolgte mittels Bootstrap-Sampling (1000 Iterationen). Bronchiektase, chronische Rhinosinusitis (CRS), Body-Mass-Index (BMI), erzwungener exspiratorischer Fluss von 25–75 % der vorhergesagten (FEF25–75 % Pred), das Verhältnis von Restvolumen zu Gesamtlungenkapazität (RV/TLC) und Serum-25-Hydroxyvitamin D [25(OH)D] wurden als unabhängige Risikofaktoren für CT-Schleimstopfen identifiziert. Das Nomogramm zeigte einen ausgezeichneten Prädiktionswert mit einem AUC von 0,9611. Kalibrierungskurven und Entscheidungskurvenanalysen zeigten guten klinischen Nutzen. Die interne Bootstrap-Validierung unterstützte die prädiktive Stabilität des Modells weiter. Dieses Nomogramm bietet ein praktisches, individuelles Werkzeug zur frühzeitigen Erkennung und personalisierten Behandlung von COPD-Patienten mit Risiko für Schleimverschluss in den kleinen Atemwegen.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die chronisch obstruktive Lungenerkrankung (COPD) ist durch anhaltende und weitgehend irreversible Einschränkung des Luftstroms gekennzeichnet. Die Weltgesundheitsorganisation gibt an, dass sie bis 2030 die dritthäufigste Todesursache weltweit sein wird. Die Krankheit beginnt hauptsächlich in den kleinen Atemwegen (Atemwege mit einem Innendurchmesser von weniger als 2 mm), die eine grundlegende Stelle der COPD-Pathologie darstellen. Strukturelle und entzündliche Veränderungen in diesen Regionen gehen dem Auftreten klinischer Symptome oft mehrere Jahre voraus, tragen jedoch wesentlich zur Luftverstopfung bei. Pathologische Merkmale der Erkrankung der kleinen Atemwege bei COPD sind Infiltration durch Entzündungszellen,2,3,4, Beeinträchtigung der epithelialen Abwehrmechanismen, 5,6, Atemwegsanbau und Fibrose 7,8,9 sowie die Bildung von Schleimstopfen (MP)10,11.

Atemwegschleimstopfen bei COPD stellen eine pathologische Ansammlung von Schleim im Atemwegslumen dar, was zur Begrenzung des Luftstroms12 führt. Die Bildung von Schleimproppen ist mit einem proinflammatorischen Milieu verbunden, das durch erhöhte Eosinophilzahlen und eine Hochregulation der Typ-2-Zytokin-Genexpression13 gekennzeichnet ist. Übermäßiger intraluminaler Schleim beeinträchtigt die Sauerstoffdiffusion und verursacht Hypoxie in den Epithelzellen der Atemwege, wodurch Bedingungen für anhaltende bakterielle Besiedlung und wiederkehrende Infektionen der unteren Atemwege günstig sind14. Diese Infektionen verschlimmern die Schwere der Krankheit und erhöhen das Sterblichkeitsrisiko15. Erhöhte Atemwegsschleimsekretion wurde außerdem als Vorläufer akuter Exazerbationsereignisse bei COPD16 identifiziert. Dies unterstreicht die dringende Notwendigkeit einer Früherkennung und eines mechanistischen Verständnisses der Faktoren, die zu Schleimstopfen bei Patienten mit COPD beitragen.

Eine Reihe von Risikofaktoren wurde mit der Bildung von Atemwegsschleimstopfen bei chronischen Atemwegserkrankungen assoziiert, darunter Virusinfektionen17,18, Kolonisierung durch Pseudomonas aeruginosa19,20 wiederkehrende akute Exazerbationsepisoden, beeinträchtigte Lungenfunktion gemessen durch erzwungenes Ausatmungsvolumen in 1 Sekunde (FEV1)21, Rauchvorgeschichte22, erhöhte Eosinophilperoxidase-Werte23, intrabronchiale Mucin 5B (MUC5B)-Proteinkonzentrationen und 25-Hydroxyvitamin-D-Werte (25(OH)D) sowie Infektionen, die auf Mycoplasma und Aspergillus zurückzuführen sind. Arten 24,25,26. Dennoch bleibt das spezifische Risikoprofil für die Entwicklung von Schleimstopfen bei COPD-Patienten unvollständig charakterisiert, und der prognostische Nutzen einzelner Risikofaktoren isoliert ist begrenzt.

Ein multifaktorieller Ansatz, der mehrere Prädiktoren integriert, kann zu einer klinisch sinnvolleren Risikoschichtung führen. Nomogramme wurden in medizinischen Fachrichtungen, darunter Onkologie, Kardiologie und Pneumologie, weit verbreitet eingesetzt, um Überlebensvorhersagen, Risikostratifizierung und therapeutische Entscheidungsfindung zu erleichtern27. Sie bieten eine nuancierte, interpretierbare Möglichkeit, komplexe Interaktionen zwischen verschiedenen klinischen Variablen zu erfassen. Trotz ihres breiten Nutzens existiert kein validiertes Nomogramm, das CT-erkannte Schleimstopfen bei COPD-Patienten vorhersagen kann. Diese Studie schließt diese Lücke, indem unabhängige Risikofaktoren für die Bildung von Schleimstopfen bei COPD identifiziert und ein validiertes prädiktives Nomogramm entwickelt wird, um eine individuelle Risikobewertung zu ermöglichen. Ein solches Werkzeug könnte problemlos in routinemäßige COPD-Managementabläufe integriert werden, insbesondere in Zentren mit Zugang zu HRCT-Bildgebung und Spirometrie, um frühzeitige gezielte Interventionen zu unterstützen und die Last von Verschlechterungen bei gefährdeten Patienten zu verringern.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die vorliegende Studie wurde vom Ethikkomitee des zweiten Volkskrankenhauses Shenzhen genehmigt (Protokoll Nr. 20193357024). Vor der Einschreibung wurde eine informierte Zustimmung von allen Teilnehmern oder deren Rechtsvertretern eingeholt.

Studienpopulation und Methodik

Diese Studie wurde als einzentrierte, retrospektive Kohortenstudie konzipiert. Medizinische Unterlagen von Patienten mit einer primären COPD-Diagnose in der Abteilung für Atemwegsmedizin des Shenzhen Second People's Hospital von Januar 2021 bis Juni 2022 wurden überprüft. Alle erwachsenen Patienten (≥18 Jahre) mit einer Primärdiagnose COPD wurden zunächst mittels der International Classification of Diseases (ICD-10) Codierung und der Aktenüberprüfung aus dem elektronischen Patientenaktensystem des Krankenhauses untersucht.

Einschlusskriterien

(1) Bestätigte Diagnose von COPD gemäß den Richtlinien der Global Initiative for chronic obstructive lung disease (GOLD); (2) Verfügbarkeit einer hochauflösenden Computertomographie (HRCT) der Brust, die innerhalb einer Woche nach dem Krankenhausaufenthalt durchgeführt wird; (3) Verfügbarkeit vollständiger Spirometrie- und Labordaten; und (4) mindestens ein Jahr Folgedaten zur Überwachung der akuten Exazerbation.

Ausschlusskriterien

(1) Aktive Lungeninfektionen (z. B. Lungenentzündung oder Tuberkulose) zum Zeitpunkt der HRCT-Bildgebung; (2) Koexistierende Lungenmalignität; (3) Frühere Thoraxchirurgie mit möglichen Auswirkungen auf die Atemwegsanatomie; und (4) Fehlende kritische klinische Daten oder nicht wertlose Bildgebung aufgrund von Bewegungsartefakten. Nach Anwendung dieser Kriterien wurde eine letzte Kohorte von 212 Patienten aufgenommen, bestehend aus 47 Patienten in der schleimplumpenpositiven (MP)-Gruppe und 165 Patienten in der nicht-schleimpöcherigen (NMP)-Gruppe. Representative HRCT-Bilder sind in Abbildung 1 dargestellt. Patienten in der NMP-Gruppe (n = 165) dienten als interne Kontrolle, was einen statistischen Vergleich klinischer Merkmale, Lungenfunktionsindizes und Laborbiomarker zwischen den Gruppen ermöglichte. Alle Analysen wurden an dieser intern kontrollierten Kohorte durchgeführt, um die hypothesengetriebene Modellentwicklung zu unterstützen.

Datenerhebung

Die Datenentnahme folgte einem strukturierten, sequentiellen Protokoll. Demografische Variablen umfassten Alter, Geschlecht, Body-Mass-Index (BMI) und Rauchstatus. Zu den Variablen der klinischen Anamnese gehörten die Dauer der COPD, die Häufigkeit akuter Exazerbationen und Komorbiditäten. Spirometrieparameter enthalten FEV1 %, FEV1 bis zur erzwungenen vitalen Kapazität (FVC), Vitalkapazität (VC), erzwungener Ausatmungsfluss (FEF25–75 % pred), Restvolumen (RV), Gesamtlungenkapazität (TLC) und das RV/TLC-Verhältnis. Laborindizes umfassten Serumtotal-Immunglobulin E (IgE), 25-Hydroxyvitamin D(25(OH)D), Serumcalcium (Ca2+), Phosphor, Kohlenhydratantigen (CA199) und fraktioniertes ausgeatmetes Stickstoffmonoxid (FeNO) sowie leitendes Atemwegs-Stickstoffmonoxid (CaNO). Das Komorbiditätsscreening umfasste Sinusitis, Asthma, Bronchiektase, Pilz- und Bakterienbesiedlung sowie Herz-Kreislauf- und Stoffwechselerkrankungen. Alle Daten wurden aus dem elektronischen Patientenaktensystem (EMR) des Krankenhauses abgerufen. Die HRCT-Bilder wurden aus dem Archivarchivierungs- und Kommunikationssystem (PACS) des Krankenhauses abgerufen. Details zur in dieser Studie verwendeten Software und Ausrüstung sind in der Materialtabelle enthalten. Es wurden keine physikalischen Reagenzien oder Labormaterialien verwendet; Alle Analysen wurden mit vorhandenen klinischen und radiologischen Daten durchgeführt. Alle Patientendaten wurden von zwei unabhängigen Forschern geprüft. Fehlende Daten wurden mit der in R implementierten nichtparametrischen Imputationsmethode 'missForest' behandelt, um Verzerrungen in multivariaten Analysen zu minimieren.

HRCT-Diagnosekriterien für Schleimstopfen

Alle Patienten unterzogen sich einer HRCT-Behandlung mit standardisierten institutionellen Bildgebungsprotokollen. Schleimstopfen wurden radiologisch auf axialen CT-Schnitten definiert, die als röhrenförmige oder verzweigte Weichteilabschwächungsstrukturen identifiziert wurden, die ein Atemwegslumen einnehmen und auf mindestens zwei zusammenhängenden axialen Schnitten sichtbar sind, was mit veröffentlichten diagnostischen Kriterien übereinstimmt. Nur Fälle mit klar abgegrenzten, segmentalen oder subsegmentalen Atemwegsopazitäten mit Weichteilabschwächung, ähnlich wie Weichgewebe, die nicht auf Artefakte oder Bronchiektasen zurückzuführen sind, wurden als schleimverstopfungspositiv eingestuft. Die HRCT-Bildgebung wurde mit einem Siemens SOMATOM Definition AS (128-Schnitt) CT-Scanner mit folgenden Aufnahmeparametern durchgeführt: Schnittdicke 1,0 mm, Rekonstruktionsintervall 0,75 mm und Verwendung des B70f-Hochauflösungskerns. Die Bilder wurden in den Standard-Lungenfenstereinstellungen überprüft (Fensterbreite: 1600 Hounsfield-Einheiten [HU]; Fensterniveau: 600 HU. Zwei zertifizierte thorakale Radiologen mit über 8 Jahren Erfahrung überprüften alle Scans unabhängig voneinander. Fälle mit interpretativen Unstimmigkeiten wurden durch Konsensdiskussion gelöst. Diagnostische Kriterien wurden in allen Fällen einheitlich angewendet, um die Klassifikationskonsistenz sicherzustellen.

Nomogrammkonstruktion, Bewertung und Validierung

Ein Nomogramm wurde entwickelt, um CT-erkannte Schleimstopfen bei COPD-Patienten anhand multivariater logistischer Regressionsergebnisse vorherzusagen. Das endgültige Modell umfasste folgende unabhängige Prädiktoren: Bronchiektase, chronische Rhinosinusitis (CRS), akute Exazerbationen (AE), BMI, FEF25–75 % Pred, RV/TLC-Verhältnis und Serumwerte von 25(OH)D. Jeder Prädiktor erhält eine Punktzahl auf einer horizontalen Punkteskala; Einzelne Werte werden summiert, um einen Gesamtwert zu ergeben, der einer vorhergesagten Wahrscheinlichkeit für das Vorhandensein von Schleimstopfen auf der Output-Wahrscheinlichkeitsskala entspricht. Das Nomogramm wurde intern per Bootstrap-Neubeschlagnahme (1000 Iterationen) validiert, um die prädiktive Genauigkeit und Unterscheidung mittels Kalibrierungskurven (AUC und ROC) zu bewerten.

Statistische Analysen

Alle statistischen Analysen wurden mit R-Version 4.1.2 und IBM SPSS Statistics Version 25.0 durchgeführt. Kategoriale Daten wurden als Häufigkeiten und Prozentsätze angegeben; Vergleiche zwischen den Gruppen wurden je nach Bedarf mit dem Chi-Quadrat-Test oder dem exakten Fisher-Test durchgeführt. Kontinuierliche Daten mit Normalverteilung wurden als Mittelwert ± Standardabweichung (SD) angegeben und mit dem unabhängigen Stichproben-t-Test verglichen; nicht normal verteilte kontinuierliche Daten wurden als Median (Interquartilbereich (IQR)) angegeben und mit dem Mann-Whitney-U-Test verglichen. Variablen mit P < 0,1 in der univariaten logistischen Regressionsanalyse wurden in das Modell einbezogen, was mit der Standardpraxis bei der Entwicklung prädiktiver Modelle übereinstimmt. Die verwendeten R-Pakete waren "rms", "mstate", "data.table", "pROC", "rmada", "rio", "boot" und "missForest". Die Nomogramm-Konstruktion wurde mit den Funktionen lrm und nomogram aus dem rms-Paket implementiert. ROC-Kurven und AUC-Werte wurden mit den ROC- und AUC-Funktionen aus dem pROC-Paket berechnet. Kalibrierungskurven wurden mit der Kalibrierungsfunktion in RMS generiert. Die Entscheidungskurvenanalyse (DCA) wurde mit der Entscheidungskurvenfunktion aus dem RMDA-Paket durchgeführt. Die Imputation fehlender Daten wurde mit der Funktion missForest durchgeführt. Die interne Bootstrap-Validierung (1000 Iterationen) wurde mit dem Boot-Paket durchgeführt. Zu Beginn der Analyse wurde ein fester zufälliger Seed (set.seed[240708] angewendet, um die Reproduzierbarkeit sicherzustellen. Ein P-Wert von < 0,05 galt als statistisch signifikant. Die Formel des logistischen Regressionsmodells lautete:

glm(mucus_status ~ Bronchiektase + CRS + BMI + FEF25_75 + RV_TLC + VitD, Familie = "binomial")

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Basismerkmale

Die Studie umfasste eine Kohorte von 212 Patienten mit COPD, unterteilt in zwei Gruppen: 47 mit Schleimstopfen (MP) und 165 ohne Schleimstopfen (NMP). Das Auftreten von Schleimstopfen in dieser COPD-Population lag bei 28,33 %. Die statistische Analyse, wie in Tabelle 1 detailliert, identifizierte signifikante Unterschiede zwischen den MP- und NMP-Gruppen in mehreren wichtigen Kennzahlen. Dazu gehörten der Body-Mass-Index (BMI), die Häufigkeit ak...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dieser Studie betrug die Prävalenz der CT-Detektierten Schleimstopfbildung bei stationären COPD-Patienten 22,16 %, im Einklang mit den Schätzungen in der früheren Literatur27. Schleimstopfen bei COPD sind klinisch signifikant, da sie mit einem beschleunigten Lungenfunktionsabbau, erhöhter akuter Exazerbationshäufigkeit und einem höheren Sterblichkeitsrisikoin Zusammenhang stehen. Trotzdem fehlte zuvor ein validiertes prädiktives Werkzeug...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren geben an, dass sie keine bekannten konkurrierenden finanziellen Interessen oder persönlichen Beziehungen haben, die die in diesem Artikel berichtete Arbeit beeinflusst haben könnten. Sie haben auch keine Interessenkonflikte bezüglich der Veröffentlichung dieses Manuskripts. Die Forschung wurde gemäß ethischen Standards durchgeführt, und alle Autoren haben gemäß den Anforderungen der Zeitschrift zur Arbeit beigetragen. Es gibt keine finanziellen oder nicht-finanziellen Interessen, die die Forschung oder die Interpretation der Ergebnisse potenziell beeinflussen könnten. Die Autoren bestätigen, dass die KI-basierten Sprachwerkzeuge (Grammarly und Quilbot) verwendet wurden, um die Grammatik und Formulierung des Manuskripts zu verbessern und zu verfeinern. Alle Teile des Manuskripts wurden von den Autoren manuell verfasst, und selbst nach Verwendung der Werkzeuge zur Verfeinerung der Arbeit überprüften die Autoren das Endergebnis manuell. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt. Jeder von ihnen übernimmt die volle Verantwortung für die Genauigkeit und Integrität der Arbeit.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Forschung wurde unterstützt durch den "Vergleich behandelbarer Merkmale der Bronchiektase mit verschiedenen klinischen Phänotypen: eine prospektive Kohortenstudie" unter Stipendium (LCYSSQ20220823091203007) des Shenzhen Clinical Research Center for Respiratory Disease, Shenzhen Institute of Respiratory Disease, Shenzhen People's Hospital China.

Ich möchte allen, die zu dieser Forschung und zum Schreiben dieses Manuskripts beigetragen haben, meinen aufrichtigen Dank aussprechen. Zuallererst bin ich meinem Vorgesetzten, He Huang, sehr dankbar für seine ständige Ermutigung, wertvolle Anleitung und aufschlussreichen Kommentare während des gesamten Prozesses. Seine Expertise und Geduld haben mir dabei geholfen, meine Ideen zu klären und die Qualität dieser Arbeit zu verbessern. Ich bin auch meinen Kollegen in der Abteilung für Lungen- und Intensivmedizin, dem First Affiliated Hospital der Universität Shenzhen (Shenzhen Second People's Hospital), Shenzhen, Guangdong, China, insbesondere Yan Zhang, Zhi Yang und anderen Krankenhäusern dankbar. Sie haben mir wichtige Unterstützung geleistet, darunter das Teilen experimenteller Ausrüstung, technische Beratung und die Teilnahme an fruchtbaren Diskussionen. Ihre Beiträge haben meine Forschung erheblich erleichtert. Außerdem möchte ich "Vergleich behandelbarer Merkmale der Bronchiektasis mit verschiedenen klinischen Phänotypen: eine prospektive Kohortenstudie" für ihre finanzielle Unterstützung danken, ohne die diese Forschung nicht möglich gewesen wäre. Abschließend möchte ich meiner Familie und meinen Freunden für ihre unerschütterliche Unterstützung und ihr Verständnis während meiner Forschung und des Schreibens danken. Ihre Liebe und Ermutigung haben mir die Kraft gegeben, Schwierigkeiten zu überwinden und diese Arbeit zu vollenden.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
HRCT-Scans
 		Shenzhen
Zweites
Volkskrankenhaus		Verwendet zur Diagnose einer kleinen Atemwegsschleimverstopfung bei COPD-Patienten
SPSS 25.0 SoftwareIBMStatistische Software für Datenanalyse, einschließlich t-Tests und logistischer Regression.
R-Software (Pakete: mms, mstate, etc.)

 		R Foundation for Statistical ComputingVerwendet für statistische Analyse und Modellvalidierung, einschließlich der Berechnung des C-Index.
Elektronisches medizinisches
Patientendatensystem		Shenzhen
Zweites
Volkskrankenhaus		Datenquelle für klinische und Laborvariable, einschließlich Patientengeschichte und diagnostische Parameter.
Logistische Regression
Gleichung
 		Benutzerdefiniert
(Angewandt via
SPSS und R)		Verwendet, um unabhängige Risikofaktoren im Zusammenhang mit einer kleinen Atemwegsschleimverstopfung bei COPD-Patienten zu screenen.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Fazleen, A., Wilkinson, T. Early COPD: current evidence for diagnosis and management. Ther. Adv. Respir. Dis. 14, 1753466620942128(2020).
  2. Eapen, M. S., et al. Profiling cellular and inflammatory changes in the airway wall of mild to moderate COPD. Respirology. 22, 1125-1132 (2017).
  3. Bu, T., Wang, L. F., Yin, Y. Q. How do innate immune cells contribute to airway remodeling in COPD progression? Int. J. Chron. Obstruct. Pulmon. Dis. 15, 107-116 (2020).
  4. Ladjemi, M. Z., et al. Increased IgA expression in lung lymphoid follicles in severe COPD. Am. J. Respir. Crit. Care Med. 199, 592-602 (2019).
  5. Blackburn, J. B., et al. Secretory cells are the primary source of pIgR in small airways. Am. J. Respir. Cell Mol. Biol. 67, 334-345 (2022).
  6. Polosukhin, V. V., et al. Secretory IgA deficiency in individual small airways is associated with persistent inflammation and remodeling. Am. J. Respir. Crit. Care Med. 195, 1010-1021 (2017).
  7. Zakarya, R., et al. BET proteins are associated with the induction of small airway fibrosis in COPD. Thorax. 76, 647-655 (2021).
  8. Mahmood, M. Q., et al. Transforming growth factor (TGF)β1 and Smad signalling pathways: a likely key to EMT-associated COPD pathogenesis. Respirology. 22, 974-985 (2017).
  9. Balázs, A., Mall, M. A. Mucus obstruction and inflammation in early cystic fibrosis lung disease: emerging role of the IL-1 signaling pathway. Pediatr. Pulmonol. 54, S5-S12 (2019).
  10. Radicioni, G., et al. Airway mucin MUC5AC and MUC5B concentrations and the initiation and progression of COPD: an analysis of the SPIROMICS cohort. Lancet Respir. Med. 9, 1241-1254 (2021).
  11. Ghosh, A., Boucher, R. C., Tarran, R. Airway hydration and COPD. Cell. Mol. Life Sci. 72, 3637-3652 (2015).
  12. Dunican, E. M., Watchorn, D. C., Fahy, J. V. Autopsy and imaging studies of mucus in asthma: lessons learned about disease mechanisms and the role of mucus in airflow obstruction. Ann. Am. Thorac. Soc. 15, S184-S191 (2018).
  13. Thornton, D. J., Rousseau, K., McGuckin, M. A. Structure and function of the polymeric mucins in airways mucus. Annu. Rev. Physiol. 70, 459-486 (2008).
  14. Mall, M. A., Danahay, H., Boucher, R. C. Emerging concepts and therapies for mucoobstructive lung disease. Ann. Am. Thorac. Soc. 15, S216-S226 (2018).
  15. Hogg, J. C., et al. Survival after lung volume reduction in COPD: insights from small airway pathology. Am. J. Respir. Crit. Care Med. 176, 454-459 (2007).
  16. Jacobson, P. K., Lind, L., Persson, H. L. The exacerbation of COPD: which symptom is most important to monitor? Int. J. Chron. Obstruct. Pulmon. Dis. 18, 1533-1541 (2023).
  17. Inoue, D., et al. Mechanisms of mucin production by rhinovirus infection in cultured human airway epithelial cells. Respir. Physiol. Neurobiol. 154, 484-499 (2006).
  18. Jing, Y., et al. NOTCH3 contributes to rhinovirus-induced goblet cell hyperplasia in COPD airway epithelial cells. Thorax. 74, 18-32 (2019).
  19. Lillehoj, E. P., et al. Neuraminidase 1-mediated desialylation of the mucin 1 ectodomain releases a decoy receptor protecting against Pseudomonas aeruginosa lung infection. J. Biol. Chem. 294, 662-678 (2019).
  20. Kato, K., et al. Membrane-tethered MUC1 mucin counter-regulates the phagocytic activity of macrophages. Am. J. Respir. Cell Mol. Biol. 54, 515-523 (2016).
  21. Hogg, J. C. Pathophysiology of airflow limitation in COPD. Lancet. 364, 709-721 (2004).
  22. Lin, V. Y., et al. Excess mucus viscosity and airway dehydration impact COPD airway clearance. Eur. Respir. J. 55, 1900419(2020).
  23. Dunican, E. M., et al. Mucus plugs in patients with asthma linked to eosinophilia and airflow obstruction. J. Clin. Invest. 128, 997-1009 (2018).
  24. Dunican, E. M., et al. Mucus plugs and emphysema in the pathophysiology of airflow obstruction and hypoxemia in smokers. Am. J. Respir. Crit. Care Med. 203, 957-968 (2021).
  25. Kun, J., et al. Reduced serum 25(OH)D is closely related to bronchial mucus plug formation in children with mycoplasma pneumonia: a prospective cohort study. Front. Public Health. 11, 1099683(2023).
  26. Kodaka, N., et al. Effectiveness of mucus plug removal by bronchoscopy for high-attenuation mucus with allergic bronchopulmonary mycosis. Allergol. Int. 71, 150-152 (2022).
  27. Okajima, Y., et al. Luminal plugging on chest CT scan: association with lung function, quality of life, and COPD clinical phenotypes. Chest. 158, 121-130 (2020).
  28. Rogliani, P., Calzetta, L. Impact of airway-occluding mucus plugs on mortality in COPD according to disease severity: a subset analysis from COPDGene. Int. J. Chron. Obstruct. Pulmon. Dis. 20, 831-840 (2025).
  29. da Silva, S. M. D., et al. Bronchiectasis associated with severe COPD: clinical, functional, microbiological and tomographic features. Lung India. 39, 502-509 (2022).
  30. Polosukhin, V. V., et al. Small airway determinants of airflow limitation in COPD. Thorax. 76, 1079-1088 (2021).
  31. Yang, C., et al. Correlation of luminal mucus score in large airways with lung function and quality of life in severe acute exacerbation of COPD. Int. J. Chron. Obstruct. Pulmon. Dis. 16, 1449-1459 (2021).
  32. Yasuo, M., et al. Differences between central airway obstruction and COPD detected with the forced oscillation technique. Int. J. Chron. Obstruct. Pulmon. Dis. 15, 1425-1434 (2020).
  33. Islam, S., et al. Association of serum vitamin D (25OHD) level with acute exacerbation of COPD. Mymensingh Med. J. 28, 441-448 (2019).
  34. Ghosh, A. J., et al. Vitamin D deficiency is associated with respiratory symptoms and airway wall thickening in smokers with and without COPD: a prospective cohort study. BMC Pulm. Med. 20, 141(2020).
  35. Kurian, N., et al. Dual role for a MEK inhibitor as a modulator of inflammation and host defense in COPD. Int. J. Chron. Obstruct. Pulmon. Dis. 14, 2611-2624 (2019).
  36. Jiang, J. J., et al. TLR3 inhibitor and tyrosine kinase inhibitor attenuate cigarette smoke/poly I:C-induced airway inflammation and remodeling via the EGFR/TLR3/MAPK pathway. Eur. J. Pharmacol. 890, 173654(2021).
  37. Liu, W., et al. Chinese patent medicine for COPD based on tonifying Qi, promoting blood circulation, and resolving phlegm: a systematic review of RCTs. J. Tradit. Chin. Med. 35, 1-10 (2015).
  38. Jorde, I., et al. Association of serum vitamin D levels with disease severity, systemic inflammation, lung function loss, and exacerbations in COPD patients. J. Thorac. Dis. 13, 3597-3609 (2021).
  39. Wannamethee, S. G., et al. Vitamin D deficiency, impaired lung function, and total and respiratory mortality in older men: The British Regional Heart Study. BMJ Open. 11, e040650(2021).
  40. Liu, W., Zhang, X., Mao, B., Jiang, H. Systems pharmacology-based study of Tanreqing injection in airway mucus hypersecretion. J. Ethnopharmacol. 249, 112425(2020).
  41. Lange, P., et al. Relation of ventilatory impairment and chronic mucus hypersecretion to mortality from obstructive lung disease and from all causes. Thorax. 45, 579-585 (1990).
  42. Wu, Z., Wang, D., Tang, C. A novel nomogram for predicting the risk of coronary atherosclerosis in patients with gastroesophageal reflux disease. Arab J. Gastroenterol. 26, 176-184 (2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Chronic Obstructive PulmonaryMucus ObstructionNomogram ValidationSmall Airway MucusChest Computed TomographyCOPD Risk PredictionLogistic RegressionReceiver Operating CharacteristicBronchiectasisForced Expiratory Flow

Related Articles