摘要
现有证据表明,没有新冠肺炎19种预测模型可用于临床应用。在此,我们将讨论COVID-19预测的“下一步”。https://bit.ly/2SMtoLV
为满足2019冠状病毒病(COVID-19)大流行的需求,全球医疗保健系统已发生重大变化。围绕最佳治疗的不确定性、快速的公共卫生紧急情况和临床紧急情况造成了住院和门诊设施中病例及其相关接触者的混乱。根据目前可用的科学证据开发更有针对性的医疗保健计划,可以帮助提高临床疗效、治疗结果、预后和健康效率。
开发和实施风险预测模型来帮助风险分层和资源配置可以改善当前的情况。临床预测模型(CPMs)的目的是根据确定的预测变量集,预测个体的预期结果值,或个体的结果存在(诊断)或未来发生(预后)的风险[1那2].在Covid-19流行病的第一波中描述了一种这种这种模型:最近的“生活”系统审查(在撰写本文时),专注于Covid-19患者的145厘米[3.].
不幸的是,许多现有的COVID-19 cpm由于报告不佳、对预测性能的过高估计以及缺乏外部验证而被认为存在较高的偏置风险[3.].外部验证是任何CPM开发过程中的一个重要方面,它可以独立地评估模型,关注于那些用于派生模型的数据之外的数据[1那2].至关重要的是,在CPM被推荐用于广泛的临床应用之前,这一步评估了CPM在新人群中的通用性/可移植性。
解决当前文献的这种差距,gupta等.[4.],在本期的欧洲呼吸杂志,旨在外部验证在上述系统评论中确定的CPMS [3.].使用来自英国伦敦大学学院医院(University College Hospital, UK London)临床诊断为COVID-19的411名成年人的数据,显示所有cpm在新数据中表现不佳[4.].此外,作者发现(在他们的数据中)房间空气的基线氧饱和度是住院恶化的最预测变量,而年龄是住院死亡率的最预测变量[4.].令人惊讶的是,与这些变量单独相比,外部验证中包含的22个CPM中的22个CPM都没有显示出显着更高的临床实用性[4.].综上所述,这些结果暗示没有一个选定的cpm应该被推荐在日常临床常规中采用。
在解释G的解释中需要注意的一些谨慎upta等.[4.].首先,这是一个单站点验证。各场地的cpm性能可能有很大差异[5.),因此可以说,一些COVID-19模型在这个特定的站点上只是“不走运”,而在其他地方可能表现得更好。因此,迫切需要更广泛的多站点外部验证,并可能结合对其预测性能的meta分析[6.].第二,新的COVID-19防控模式一直在不断开发,而且显然这些模式的质量正在开始提高,这是基于疫情首次演变期间提出的新见解和方法批评。例如ISARIC 4C预测模型[7.]显示出了有希望的预测效果,并且是基于迄今为止最大的COVID-19住院患者数据集之一开发的,不过,围绕该模型仍存在一些方法论上的担忧[8.].因此,有必要进行进一步的外部验证研究,以便对新兴模型进行评估。
实际上,尽管对开发新的CPMS进行广泛兴趣,但研究界会在为混合添加更多模型之前,研究界占据了可用证据的关键。例如,G的重要研究upta等.[4.]侧重于验证CPM,旨在预测Covid-19患者之间的医院内临床恶化或死亡率。鉴于其他结果和不同的临床环境(如。在已经开发出COVID-19 cpm的门诊场所),未来的外部验证研究应成为近期的研究目标。
尽管如此,新兴的科学证据表明,可以建议任何模型用于临床使用和广泛采用。因此,仍然存在一个关键的突出问题:我们如何改变这种情况并开发Covid-19的CPM,可以推荐并在很大程度上实施?一个潜在的答案是,激励需要改变[9.].具体来说,当计划开发任何CPM时,有足够的和定性上具有代表性的样本量是一个关键的假设[10-13];然而,在新出现的大流行病往往缺乏高质量数据的情况下,这种方法上的必要性可能具有挑战性。在这种情况下,数据共享变得至关重要,但很容易受到当前研究动机的阻碍[9.].不可避免地,激励措施意味着不同背景下的Covid-19预测模型的临床需求充当了朝向“高冲击公开”终点线的比赛的起始信号。这是一个多方面的问题,但如果有未来需要CPM的新疾病,则确实提出了影响,但有限的数据可用。即便如此,Covid-19 CPMS的上下文中的数据共享仍有机会。Gupta等.[4.)在验证现有COVID-19 cpm的背景下很好地阐明了这一点:“未来的研究可能寻求汇集多个中心的数据,以有力地评估现有模型和新出现模型在异质人群中的表现”。如果结合元分析方法[6.那14),这种方法在应对COVID-19强大cpm的临床需求方面可以说是至关重要的。
随着研究界开始关注“现在该怎么办?”“关于COVID-19的cpm,重要的是我们要尽可能谨慎利用现有的科学可靠证据。具体来说,完全可以想象新兴的模型(如ISARIC 4C预测模型[7.)将在与开发该模型时相似的数据中显示出足够的预测性能结果,但外部验证显示模型对新人口统计数据的可移植性较差(如。新国家)和统计人口。在这种情况下,社区应该建立在这样的模型之上,而不是开发德诺维不同种群的模型。例如,现有的COVID-19模型可以利用其他人群的数据进行更新和改进,从而促进模型的可移植性[15那16].对人口特征的仔细评估和深入研究可以帮助找到使模型适应其自身的人口统计学、临床和流行病学协变量的新环境的最佳方法。在不同的种群中反复从零开始开发新的模型会浪费之前的信息,并有过拟合的风险。相比之下,模型更新使用现有模型作为基础,并在此基础上构建新数据,以便针对感兴趣的人群进行定制。
与此相关,针对COVID-19的不同方面和不同背景,已经开发了大量cpm。事实上,现有的模型包括旨在预测COVID-19病毒学确诊诊断的诊断cpm,以及用于预测已确诊COVID-19患者不同临床结果的预后cpm。然而,许多这些结果是相互关联的,在促进COVID-19患者治疗/管理决策的背景下,同时观察多个结果往往更有临床意义,并提供更相关的见解。例如,已经开发了不同的模型来预测临床恶化、住院时间更长或死亡(在不同的时间点),而其他模型则定义了复合结果(如。死亡和临床恶化)[3.].对于决策,临床医生可能更感兴趣的是,若干事件的风险变异性(如。估计临床恶化和住院时间延长的可能性)。这里,联合(而不是边缘)预测是主要的焦点,但为每个结果单独开发单独的模型不能实现这种类型的预测[17].今后的工作不妨在COVID-19 cpm背景下考虑这种方法和目标类型。
最后,对于迄今开发的所有COVID-19模型,一个重要的考虑是,它们是在当前护理的背景下派生的。然而,随着大流行的发展,目前的护理继续迅速变化。这意味着需要仔细解释COVID-19 cpm的输出:在何时、如何和何处提出疑问词,以更好地解释模型的潜在推理和应用。具体来说,预测揭示了在开发数据集中观察到的应用实践下的风险。它们不能用于告知个人在各种竞争性干预措施下的风险[18].一个潜在的解决方案可能是探索反事实预测[19那20.],其中风险是在固定护理制度下估计的。这将基线风险和为减轻风险而采取的行动分开,从而使用户能够回答有关特定环境下不同干预措施对COVID-19风险影响的“万一”问题[18].将反事实预测纳入建模可能还可以增加群体模型可转移性的机会。或者,在动态框架内嵌入Covid-19型号[21]将允许模型迅速适应变化的临床和时间背景。这种模型更新的动态方法有助于确保模型在一段时间内保持预测性能,但它确实需要适当的基础设施来支持在收集新数据时进行实时更新。显然,任何形式的模型更新都应该只对迄今罕见的偏差风险最低的COVID-19模型进行[3.].
为了总结,目前的科学证据表明,可以建议任何现有的CoVID-19 CPM用于临床使用。我们迫切地推荐额外的外部验证研究,例如Gupta等.[4.].未来的工作应寻求跨不同种群汇集数据,并酌情应用模型更新方法,以促进跨种群变异性模型的改进。
可分享的PDF.
脚注
利益冲突:G.P.马丁没有什么可以披露的。
利益冲突:M. Sperrin没有什么可透露的。
利益冲突:G. Sotgiu没有什么可透露的。
- 收到了2020年10月5日。
- 公认10月6日,2020年。
- 版权©2020人队
此版本在Creative Commons归因非商业许可证4.0的条款下分发。