摘要
COVID-19和预测建模
由于2019年冠状病毒病(Covid-19)大流行,全球卫生保健系统已发生重大变化,以满足需求。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,导致住院和门诊环境中的病例及其相关接触者陷入混乱。根据现有的科学证据制定更有针对性的医疗保健计划,可以帮助改善临床疗效、治疗结果、预后和健康效率。
开发和实施风险预测模型,以帮助风险分层和资源分配,可以改善当前的情况。临床预测模型(cpm)旨在基于已确定的预测变量集,预测个体的预期结果值,或个体目前(诊断)或将来发生某一结果的风险(预后)[1,2].在Covid-19疫情的第一波期间,已经描述了大量此类模型:最近的一项“活的”系统综述(撰写本文时)确定了145个专注于Covid-19患者的cpm [3.].
不幸的是,许多现有的Covid-19 cpm已被确定存在很高的偏倚风险,原因是报告不佳、对预测性能的高估以及缺乏外部验证[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,专注于独立于用于推导模型的数据的数据[1,2].至关重要的是,这一步在CPM被推荐广泛临床应用之前,评估了CPM在新人群中的通用性/可移植性。
为了解决当前文献中的这一差距,古普塔的一篇论文等.[4],最近发表在《欧洲呼吸杂志》上,旨在从外部验证上述系统综述中确定的22个cpm [3.].该研究使用了来自伦敦大学学院医院的411名临床诊断为Covid-19的成年人的数据,结果显示,所有cpm在新数据中表现都很差[4].此外,作者发现(在他们的数据中)室内空气的基线氧饱和度是院内病情恶化的最具预测性变量,而年龄是院内死亡率的最具预测性变量。令人惊讶的是,与这些单独变量相比,外部验证中包含的22个cpm中没有一个显示出明显更高的临床效用[4].综上所述,这些结果表明所选择的cpm均不应推荐用于日常临床常规。
在解释古普塔的发现时,需要谨慎一些等.[4].首先,这是一个单站点验证。每一地点的cpm表现可能大不相同[5),因此可以说,一些Covid-19模型只是在这个特定的网站上“不走运”,在其他地方可能表现更好。因此,迫切需要更广泛的多位点外部验证,并可能与预测性能的元分析相结合[6].其次,针对Covid-19的新cpm一直在开发中,显然,基于大流行首次演变期间提出的新见解和方法批评,这些模型的质量现在开始提高。例如,ISARIC 4C预测模型[7]显示了很有前景的预测性能结果,并且是在迄今为止最大的Covid-19住院患者入院数据集之一上开发的,尽管围绕该模型仍存在一些方法学上的问题[8].因此,必须进行进一步的外部验证研究,以便对新兴模型进行评估。
事实上,尽管人们对开发新的cpm有广泛的兴趣,但在添加更多模型之前,研究界对现有证据进行评估是关键。比如古普塔的重要研究等.[4]重点验证旨在预测Covid-19患者住院临床恶化或死亡率的cpm。鉴于有许多其他结果和不同的临床情况(如。在已经开发了Covid-19 cpm的地区,未来的外部验证研究应成为近期研究的目标。
尽管如此,新出现的科学证据表明,没有一种模型可以推荐用于临床使用和广泛采用。因此,仍然存在一个悬而未决的关键问题:我们如何改变这种状况,制定可以推荐并基本实施的Covid-19 cpm ?一个可能的答案是,激励机制需要改变。9].具体来说,当计划开发任何CPM时,具有足够的和具有定性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的背景下,这种方法的必要性可能具有挑战性,因为通常缺乏高质量的数据。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].不可避免的是,激励因素意味着,在不同背景下对Covid-19预测模型的临床需求,将成为朝着“高影响-发表”终点线赛跑的起始信号。这是一个多方面的问题,但如果未来有新的疾病需要开发cpm,但现有数据有限,它确实会产生影响。即便如此,在Covid-19 cpm的背景下,仍有数据共享的机会;古普塔等.[4在验证现有Covid-19 cpm的背景下,他很好地阐述了这一点:“未来的研究可能寻求汇集来自多个中心的数据,以便在异质人群中有力地评估现有和新出现的模型的性能”。如果结合元分析方法[6,14],这种方法可以说是解决Covid-19稳健cpm的临床需求的关键。
当研究界展望“现在怎么办?”关于Covid-19的cpm,重要的是我们要尽可能仔细利用现有的科学可靠证据。具体来说,完全可以想象,新兴模型(如ISARIC 4C预测模型[7])将在与开发模型时相似的数据中显示足够的预测性能结果,但外部验证显示模型对新的人口统计数据的可转移性较差(如。新的国家)和统计人口。在这种情况下,社区应该建立在这些模型的基础上,而不是在不同的人群中开发全新的模型。例如,这些现有的Covid-19模型可以使用其他人群的数据进行更新和完善,从而促进了模型的可移植性[15,16].对人群特征的仔细评估和深入研究可以帮助找到最佳方法,使模型适应以其自身的人口统计学、临床和流行病学协变量为特征的新环境。在不同的人群中从头开始反复开发新模型会浪费先验信息,并存在过度拟合的风险。相比之下,模型更新使用现有模型作为基础,并在此基础上使用新数据,以便它们适合感兴趣的人群。
与此相关,针对Covid-19的不同方面和背景制定了大量cpm。事实上,现有模型包括旨在预测病毒学确认的Covid-19诊断的诊断性cpm,以及面向预测已诊断为Covid-19患者的不同临床结果的预后cpm。然而,其中许多结果是相互关联的,在促进Covid-19患者治疗/管理决策的背景下,同时观察多种结果往往具有更大的临床兴趣,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、更长的住院时间或死亡(在不同的时间点),而其他模型则定义了复合结局(如。、死亡及临床恶化)[3.].为了做出决策,临床医生可能更感兴趣的是这些结果中几个同时发生的风险变异性(如。,估计临床恶化和更长住院时间的概率)。在这里,联合(而非边际)预测是主要重点,但单独为每个结果开发单独的模型无法实现这种类型的预测[17].今后的工作不妨在Covid-19 cpm的背景下考虑这种方法和类型的目标。
最后,迄今开发的所有Covid-19模型的一个重要考虑因素是,它们是在当前护理的背景下推导出来的。然而,随着大流行的展开,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:何时、如何以及在何处提出疑问词,以更好地解释模型的潜在推论和应用。具体地说,预测揭示了在开发数据集中观察到的应用实践下的风险。在各种相互竞争的干预措施下,它们不能用来告知个人的风险[18].一个潜在的解决方案可能是探索反事实预测[19,20.],其中在固定护理制度下估计风险。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关于在特定环境下不同干预措施对Covid-19风险影响的“假设”问题[18].将反事实预测纳入模型也可能增加模型在人群间可转移的机会。或者,在动态框架中嵌入Covid-19模型[21]将使模型迅速适应不断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,以便在收集新数据时实现实时更新。显然,任何形式的模型更新都应仅在偏倚风险最低的Covid-19模型上进行,这种模型迄今很少[3.].
总之,目前的科学证据表明,现有的Covid-19 cpm都不能推荐用于临床使用。我们迫切建议额外的外部验证研究,如Gupta的研究等.[4].未来的工作应设法汇集不同种群的数据,并在适当情况下应用模型更新方法,以促进改进跨种群变异性的模型。
脚注
支持声明:没有一个
利益冲突:马丁医生没什么可透露的。
利益冲突:斯佩林博士没什么可透露的。
利益冲突:Sotgiu博士没什么可透露的。
- 收到了2020年10月5日。
- 接受2020年10月6日。
- 版权所有©ERS 2020
本文是开放获取的,并根据创作共用188滚球软件署名非商业许可4.0的条款发布。