摘要
新冠病毒-19的预测模型https://bit.ly/2WHiEkJ
致编辑:
过去3个月,2019冠状病毒病(COVID-19)在中国各地出现,并发展成为全球疫情[1.].这种疾病引起了不同程度的疾病。入院时非重症病例占84.3%,重症病例占15.7% [2.].大多数非重症肺炎患者经治疗后病情会逐渐好转,治愈,而其他患者病情会迅速发展为重症,预后较差[3.,4.].正如最近报道的,在所有新冠病毒-19患者中,复合终点的累积风险为3.6%,严重疾病的累积风险为20.6%[2.].
然而,对非重症患者进行早期识别和干预是否能防止病情发展尚不清楚。根据治疗其他疾病的经验,治疗可能有很大的促进作用。本文旨在建立识别高危非传染性疾病的预测模型-重症肺炎患者处于早期阶段。
于2020年1月2日至20日在武汉大学人民医院招募86例新冠肺炎和非重症肺炎患者作为培训队列,于2020年1月28日至2月9日前瞻性招募62例患者作为验证队列。实时荧光定量PCR证实。根据美国胸科学会社区获得性肺炎指南的标准,将COVID-19疾病严重程度定义为重症和非重症肺炎[2.,5.].排除标准包括:1)入院时或随访时无法得知病情严重程度;(二)入院时诊断为重症的;3)确诊并在其他医院治疗;4)入院前15天内给药;5)随访期间给予氧支持。根据患者在14天随访期间是否进展为重症,将患者分为“进展”组和“未进展”组。共病包括糖尿病、高血压、心脑血管疾病、慢性阻塞性肺病、恶性肿瘤、慢性肝病、慢性肾病、结核病和免疫缺陷疾病,等.
从电子病历中提取临床特征和实验室检查结果。使用双盲方法从胸部计算机断层扫描(CT)图像中提取放射学特征[6.].为了准确评估病灶大小,采用基于人工智能(AI)的COVID-19诊断系统,通过分析CT值自动测量肺炎体积比[7.,8.].
采用Logistic回归作为分类器建立预测模型。通过训练数据集与验证数据集交叉验证时,接收方工作特征曲线(AUC)下面积的大小来量化预测模型的判别性能。根据模型中各变量的权重计算风险指数,确定高危人群。所有分析均使用R-3.6.0进行。
148例患者中位年龄为46.5岁(四分位差(IQR) 35.8-58.0岁),其中81例(54.7%)为女性。60例(40.5%)非重症患者进展为重症,中位进展时间为5.0天(IQR 2.8 ~ 9.0天)。在培训队列中,60例(40.5%)非重症患者进展为重症患者,26例(41.9%)在验证队列中。这两个队列的中位进展时间分别为5.5天(IQR 1.0-9.0天)和5.0天(IQR 3.0-9.8天)。变量的描述在表1.
为了建立预测模型,我们测试了除治疗特征外的所有临床、实验室和放射学变量。模型最终包括四个变量,包括共病(β=1.234,p=0.036)、入院时呼吸困难(β=1.583,p=0.095)、乳酸脱氢酶(β=0.007,p=0.027)和淋巴细胞计数(β=0.027)=−对训练数据集进行Hosmer-Lemeshow检验(卡方检验=10.451,p=0.235)。训练数据集交叉验证中的AUC值为0.819(95%可信区间0.731–0.907),为0.759(95%可信区间0.635–0.884)在验证数据集中。根据回归系数,四个变量被赋予不同的权重。共病率为12点/单位,呼吸困难为16,乳酸脱氢酶为0.07,淋巴细胞计数为−20.然后,计算每个人的总分,不同的分数显示不同的风险。基于训练数据集中的风险分数的AUC值为0.856(95%CI 0.776–0.935)。患者分为高风险组和低风险组(总分>−6.0及≤−6.0),根据Youden指数确定的最佳截止值;敏感性为0.941,特异性为0.635。更多详情见表1.
在我们的预测模型中,共病与疾病进展相关,这意味着有共病的患者比没有共病的患者更有可能进展为严重疾病。以往的研究表明,更严重的疾病中有更高比例的患者伴有共病[9]我们进一步证实,合并症的非严重患者更有可能进展。应该解释的是,在多元回归分析中,入院时呼吸困难的p值不小于0.05,这可能是因为在调整其他变量后,呼吸困难与本研究结果之间的关系不是严格的线性关系。虽然我们之前尝试过其他性能更好的模型,但由于逻辑模型的可解释性和应用的简单性,我们最终选择了逻辑模型。研究发现,进展期患者更可能伴随淋巴细胞计数减少和乳酸脱氢酶升高[2.,10].我们的研究进一步证实了这两个指标也与疾病进展有关。淋巴细胞计数下降通常表明免疫功能下降,多器官功能障碍可能导致乳酸脱氢酶升高[11,这与我们在临床上观察到的现象是一致的。
此前有报道指出,高龄是COVID-19患者预后不良的危险因素之一[2.,3.].然而,年龄没有包括在模型中。提示对年轻非重症患者的早期治疗不应忽视。我们推测年龄对疾病进展的贡献反映在共病和呼吸困难。此外,一些研究报告了放射性指标与COVID-19疾病之间的相关性[12].虽然对入院时CT图像的影像学特征进行了详细描述,但并未纳入模型。我们推测,治疗期间的多张图像而不是单张图像可能表明疾病的进一步进展。虽然模型中没有包含人工智能从CT图像中提取的变量,但这是有前景的,将是我们后续研究的重点。
这项研究也有一些局限性。首先,本研究中纳入的COVID-19患者来自一家医院,这是我们模型推广的潜在限制。二是按照当地政府规定将危重患者转移到其他定点医院。我们无法在短期内追踪这些患者的死亡情况,也无法评估模型与总生存期之间的关系,不幸的是,这是本研究的一个主要局限性。
总之,根据入院时的临床特征,我们的模型可以预测非重症患者的进展。该模型通过具有良好性能的前瞻性验证队列进一步验证。在我们的模型的帮助下,临床医生可以很容易地在入院时用很少的常规临床指标识别高危非重症患者,从而有助于治疗和预防新冠病毒-19。
可共享PDF
脚注
基金资助:国家自然科学基金项目(no . 81901817);湖北省自然科学基金项目(no . 2018CFB136);武汉大学创新种子基金项目(no . TFZZ2018020)。本文的资金信息已存入Crossref资助者注册表.
利益冲突:纪万昌没有什么可透露的。
利益冲突:L.Yuan无需披露任何信息。
利益冲突:沈先生没有什么可透露的。
利益冲突:吕杰没有什么可披露的。
利益冲突:李彦宏没有什么可透露的。
利益冲突:陈杰没有什么要披露的。
利益冲突:C.朱没有什么可披露的。
利益冲突:B.刘没有什么可披露的。
利益冲突:Z. Liang没有什么可披露的。
利益冲突:林问没什么可透露的。
利益冲突:谢没有什么可披露的。
利益冲突:M. Li没有什么可透露的。
利益冲突:陈Z.没有什么可透露的。
利益冲突:X.卢没有什么可披露的。
利益冲突:丁颖没有什么可披露的。
利益冲突:安永没有什么可披露的。
利益冲突:S. Zhu没有什么可披露的。
利益冲突:高晓松没有什么可披露的。
利益冲突:H. Ni没有什么可披露的。
利益冲突:L.Hu无需披露任何信息。
利益冲突:施正荣没有什么可披露的。
利益冲突:L. Shi没有什么可透露的。
利益冲突:董炜东没有什么可透露的。
- 收到了2020年3月16日。
- 认可的2020年5月10日。
- 版权©2020人队
本版本根据知识共享署名非商业许可4.0的条款发布。