马萨诸塞州东部住院COVID-19患者入院实验室指标与重症及死亡风险的关联
该回顾性队列研究纳入马萨诸塞州东部2家学术医学中心和4家社区医院2020年3月1日至6月5日住院的2511例SARS-CoV-2 PCR阳性成人患者,以ICU入住、机械通气或死亡为重症复合终点。215例(8.6%)入住ICU,164例(6.5%)需机械通气,292例(11.6%)死亡。基于3家医院训练的L1惩罚回归模型在另3家独立医院验证,重症AUC 0.807、死亡AUC 0.847;最高风险五分位集中了78%的死亡(212/292)。入院实验室指标联合社会人口学特征和既往诊断有助于COVID-19住院患者风险分层。
要点
- 2511例住院COVID-19患者中,215例(8.6%)入住ICU、164例(6.5%)需机械通气、292例(11.6%)死亡。
- 重症模型在独立验证集AUC 0.807,最高风险五分位敏感度60.6%、特异度88.9%、阳性预测值54.7%、阴性预测值91.1%。
- 死亡模型在独立验证集AUC 0.847,最高风险五分位敏感度78.0%、特异度87.5%、阳性预测值45.6%、阴性预测值96.7%。
- 与重症相关的入院特征包括淋巴细胞减少(模型系数0.3049)、嗜酸性粒细胞减少(系数−0.3129)、中性粒细胞增多(系数0.2332)及肾功能下降(BUN系数0.0091、高肌酐系数0.2546、低GFR系数0.0736)。
- 死亡模型额外纳入有核红细胞增多(系数0.3478)、降钙素原(系数0.1823)及既往COPD(系数0.0454)、肺癌(系数0.0389)、呼吸衰竭(系数0.0373)等诊断。
适用人群与场景
- 纳入2020年3月1日至6月5日在2家学术医学中心和4家社区医院住院、入院5天内SARS-CoV-2 PCR阳性、年龄≥18岁的患者。
- 排除入院当天即发生重症结局者及从外院转入者。
- 场景为急诊科及住院入院时,使用入院最早(含急诊)的实验室值和生命体征进行风险分层。
诊断标准与关键阈值
- 重症复合终点定义为入住ICU、机械通气或死亡任一发生。
- 死亡终点为住院期间死亡,随访截止至出院或2020年6月5日。
- 风险分层采用基于训练集确定的5个风险五分位,最高风险五分位为高危组。
处置流程与药物剂量
- 原文未提及
红旗征与不能漏的情况
- 入院时淋巴细胞减少(模型系数0.3049)、嗜酸性粒细胞减少(系数−0.3129)、中性粒细胞增多(系数0.2332)与重症风险相关。
- 入院时肾功能下降:BUN升高(系数0.0091)、高肌酐(系数0.2546)、低GFR(系数0.0736)与重症风险相关。
- 死亡风险相关指标还包括有核红细胞增多(系数0.3478)、红细胞分布宽度(系数0.0451)、降钙素原升高(系数0.1823)及既往COPD、肺癌、呼吸衰竭诊断。
研究设计与关键结果
- 回顾性队列研究,纳入6家医院2511例住院COVID-19患者,其中训练集1877例(1家学术中心+2家社区医院),验证集634例(另1家学术中心+2家社区医院)。
- 总体215例(8.6%)入住ICU,164例(6.5%)需机械通气,292例(11.6%)死亡。
- 重症模型在独立验证集AUC 0.807,最高风险五分位敏感度60.6%、特异度88.9%、阳性预测值54.7%、阴性预测值91.1%,lift 3.0。
- 死亡模型在独立验证集AUC 0.847,最高风险五分位敏感度78.0%、特异度87.5%、阳性预测值45.6%、阴性预测值96.7%,lift 3.9。
- 292例死亡中212例(78%)发生在最高风险死亡五分位;五分位与预测结局经log-rank检验显著相关(χ2=818,P<.001)。
证据类型、等级与局限
- 证据类型:回顾性队列研究,遵循STROBE报告规范。
- 原文述局限性:开放医院系统导致既往诊断记录缺失、排除外院转入;实验室值高度非正态,未采用特定转换或切点,可能低估模型性能。
对床旁实践的改变
- 入院时可联合社会人口学特征、既往诊断及入院实验室值(血常规、肾功能、降钙素原等)对COVID-19住院患者进行重症和死亡风险分层。
- 最高风险五分位集中了78%的死亡,提示可将资源优先投向该高危组;但模型预测最有用可能限于住院第一周。
- 原文指出模型未经外部地理区域验证,且初始模型可能过拟合和存在偏倚,临床实施需谨慎。
指南或共识出处
- JAMA Network Open;原文未提及具体指南或共识名称。
全文中译7 节 · 点击展开
引言
随着2019冠状病毒病(COVID-19)的迅速传播,预测临床结局和进行风险分层的工作变得更加紧迫,以此作为分配资源和确定干预目标的手段。中国最近一份纳入1099例入院患者的报告发现,5.0%需要转入重症监护病房(ICU),2.3%需要有创机械通气。1在意大利伦巴第,约16%的检测阳性个体需要入住ICU。2在美国,入院患者的特征可能有所不同。华盛顿州西雅图地区最近的一份病例系列描述了24例入住ICU的患者,其中75%需要有创机械通气。3在迄今为止美国规模最大的研究之一中,纽约州纽约市一家医院连续收治的2634例住院患者中(这些患者已死亡或出院),12.2%曾需要有创机械通气。4
鉴于治疗COVID-19的资源有限,尤其是有创通气资源,需要简单的方法来在住院时对发病和死亡风险进行分层。在100至200例患者的队列中,多项实验室检查与死亡风险相关,包括铁蛋白、肌钙蛋白和C反应蛋白水平升高,5 D-二聚体水平升高,6以及嗜酸性粒细胞计数降低。7最近,一项共纳入3377例患者的荟萃分析确定多种血细胞指标对死亡的预测作用最强。8
电子健康记录可能有助于快速、高效地开展临床队列研究,并可能构成各联盟大规模应对COVID-19工作的基础。9在此,我们检查了马萨诸塞州东部2家学术医学中心和4家附属社区医院的记录。我们应用其中3家医院的数据构建简单且透明的模型,以估计严重住院病程的风险,其特征为需要有创机械通气、ICU级别照护或死亡风险,并在3家留出医院(包括另一家学术医学中心和2家社区医院)中对这些结果进行了验证,作为可推广的临床风险分层工作的起点。10我们假设,在数据收集时可获得的临床和实验室数据能够有效分层更严重住院病程或死亡的风险。
方法
患者
完整队列包括所有在2020年3月1日至6月5日期间在2个学术医疗中心和4个社区附属医院中任何一家住院的18岁及以上个体,且在入院后5天内记录有严重急性呼吸综合征冠状病毒2(SARS-CoV-2)聚合酶链反应阳性检测结果。我们排除了入院当天即出现严重结局的患者(对于这些患者,基于实验室检查的预测将无意义)以及从外院转入的患者。对于所有这些个体,既往诊断和入院期间病程的数据从Partners Research Patient Data Registry11和企业数据仓库中提取,并用于生成i2b2数据集市。12数据补充了来自同一来源的年龄、性别、种族和种族/民族信息。企业实验室数据流用于提取SARS-CoV-2检测医嘱和结果,以及其他实验室值(补充材料中的eTable 1)。在至少80%个体中可获得的实验室值作为连续变量纳入后续分析,在第99百分位数处进行缩尾处理,除此之外未进行变换,并附有实验室特定的高值和低值标志。作为共病的汇总指标,Charlson共病指数使用从电子健康记录中获得的国际疾病分类第九版(ICD-9)和国际疾病统计分类及相关健康问题第十版(ICD-10)诊断编码计算,方法如前述。13
研究方案经Partners HealthCare人类研究委员会批准。本研究无需参与者接触,依赖于常规临床诊疗所产生数据的二次利用,根据45 CFR 46.116的详细规定,允许豁免知情同意要求。本研究应用了加强流行病学观察性研究报告(STROBE)队列研究报告指南。
研究设计与统计分析
我们纳入了所有新住院且在入院5天内严重急性呼吸综合征冠状病毒2(SARS-CoV-2)聚合酶链反应检测结果为阳性的人员。患者从入院时随访至出院或死亡,随访在出院时进行删失,以与类似发表文献保持一致,并且因为目前尚无法从独立来源(即国家死亡指数或同等来源)获得死亡率数据。2个主要关注结局为(1)2019冠状病毒病(COVID-19)相关重症,包括以下任一情况:入住重症监护病房(ICU)、机械通气或死亡,以及(2)死亡。选择前一复合结局是为了避免竞争风险问题(即重症个体在入住ICU或机械通气之前死亡)。我们选择了与入院相关的最早实验室值和生命体征,包括在急诊科测量的那些。既往ICD诊断使用医疗保健利用项目临床分类软件层级进行分组。14 每个临床分类软件诊断组的对数转换计数被用作预测变量。除描述性分析外,我们报告了适当的单变量比较(即二分类变量采用χ2检验,连续变量采用t检验),随后采用L1惩罚逻辑回归,或最小绝对收缩和选择算子(lasso),15 以识别一个简约模型,将社会人口学特征、基线生命体征、既往诊断和实验室值作为候选预测变量。医院被分为训练队列(由1个学术中心和2家社区医院组成)和评估队列(由另外1个学术医学中心和2家社区医院组成)。lasso应用于训练队列中所有具有完整实验室检查的参与者,并在完全独立的评估队列中评估模型性能。模型拟合使用训练集中的所有个体,对缺失数据(包括实验室值)采用中位数插补;对于测试集中的个体,我们用训练集中的中位数值替代缺失值。模型性能使用标准的区分度和校准指标进行表征,重点关注在训练数据集中确定的5个风险五分位数,未进行重新校准。
这些逻辑回归模型在可解释性方面具有优势,但未考虑删失。因此,为了更好地表征测试集中的模型性能,作为比较,我们还使用了生存分析,在出院时或可用数据结束时(2020年6月5日)进行右删失,呈现比较风险五分位组的Kaplan-Meier曲线。所有分析使用R版本4.0.0。16 对数秩检验统计量用于比较五分位曲线。
结果
截至2020年6月5日住院的2511例个体中,1348例(53.7%)在学术医疗中心住院,1163例(46.3%)在社区医院住院;1277例(50.9%)为男性,1354例(53.9%)为白人,679例(27.0%)为西班牙裔;平均(SD)年龄为62.6(19.0)岁(表1)。总共215例个体(8.6%)入住ICU,164例(6.5%)需要机械通气,292例(11.6%)死亡。在2511例总住院中,634例发生在测试队列,1877例发生在训练队列。实验室值总结于eTable 2,并在 supplement 的eFigure中展示。
我们使用L1惩罚回归,在1个学术医疗中心和2个社区医院中,基于入院特征、既往诊断和实验室值训练预测模型(表2)。对于重症,显著特征包括淋巴细胞减少(低绝对淋巴细胞计数模型系数:0.3049)、嗜酸性粒细胞减少(嗜酸性粒细胞计数模型系数:−0.3129)和中性粒细胞增多(高绝对中性粒细胞计数模型系数:0.2332),以及肾功能减弱的标志物(血尿素氮模型系数:0.0091;高肌酐水平模型系数:0.2546;低肾小球滤过率模型系数:0.0736)(表2)。对于死亡率(表2),特征总体相似,另加有核红细胞存在(高绝对有核红细胞计数模型系数:0.3478)和其他异常红细胞指数(低平均红细胞血红蛋白浓度模型系数:0.0099);红细胞分布宽度模型系数:0.0451)、降钙素原水平(模型系数:0.1823),以及更多与肺部疾病一致的既往诊断编码(既往诊断COPD模型系数:0.0454;既往诊断肺癌模型系数:0.0389;既往诊断呼吸衰竭模型系数:0.0373)(Supplement中的eTable 3和eTable 4报告了惩罚回归中所包含特征的系数,未收缩)。
在由第二个学术医疗中心和另外2个社区医院组成的独立测试集中,COVID-19相关重症模型产生的曲线下面积为0.807(图1A),在最高风险五分位组中敏感性为60.6%,特异性为88.9%(阳性预测值为54.7%,而阴性预测值为91.1%)。对于死亡率模型,曲线下面积为0.847(图1B),敏感性为78.0%,特异性为87.5%(阳性预测值为45.6%,而阴性预测值为96.7%)。两个模型均表现出显著提升,测试队列中最高风险五分位组富集不良结局(重症最高五分位组提升:3.0;死亡率模型最高五分位组提升:3.9)(图2A和B)。
为便于说明,我们还在Kaplan-Meier生存曲线中检查了COVID-19相关重症风险五分位组(来自纳入所有不良结局的模型)和死亡风险五分位组,曲线在出院时、2020年6月5日(即可用随访结束)或14天时删失,以先到者为准(图3)。通过log-rank检验,五分位组与预测结局显著相关(χ2 = 818;P < .001)。总共292例死亡中有212例(78%)发生在最高风险死亡五分位组。
讨论
在这项纳入2511例COVID-19患者的研究中,这些患者截至2020年6月5日在马萨诸塞州东部的学术医学中心和社区医院住院,8.6%入住ICU,6.5%需要机械通气,11.6%死亡。总体而言,血液学指标异常(包括中性粒细胞增多、淋巴细胞减少和嗜酸性粒细胞减少)以及肾功能下降与更严重的住院病程风险相关。既往肺部疾病和红细胞异常的指标也体现在死亡风险中。
两个模型的区分度看起来是有前景的,识别出的高风险五分位组具有合理的敏感性和特异性。同样,生存曲线支持高风险五分位组的信息价值,并表明这些结果不是差异性失访或住院时间较短造成的假象。预测可能在住院第一周最为有用;一个有价值的下一步研究可以检验,使用额外的实验室检查重新运行模型,或纳入其他生物标志物,是否能改善长期预测。
我们的结果与最近报道的一项将肾脏受累与死亡率相关的研究一致。17多个较小的队列也报道了与COVID-19住院患者发病率和死亡率相关的实验室特征。例如,来自中国武汉的一项纳入191例住院患者的回顾性队列研究发现,年龄较大和入院时较高的d-二聚体水平与死亡风险相关。6
在95例COVID-19死亡病例中,入院时嗜酸性粒细胞计数低也很常见。7在一项来自武汉的120例患者的回顾性队列研究中,铁蛋白水平升高也与死亡率相关,5同时还有肌钙蛋白和C反应蛋白水平升高。我们的结果还证实并扩展了迄今为止最大的荟萃分析的结果,该分析涵盖3377例患者,并提示血液学指标以及肾功能8,以及更广泛的组织损伤标志物。
在开发这些简单的预测模型时,我们注意到了近期关于此类模型的框架和批评,10,18尤其是认识到验证或校准不佳的模型可能弊大于利。初始模型可能是乐观的(即对数据过拟合)和有偏的(即由非代表性样本导致),且缺乏透明度。18另一方面,在资源受限的环境中,允许风险分层的策略尤其必要。因此,我们报告这些结果,希望它们能提供简单的基线模型供他人改进。毫无疑问,应用更复杂的模型将进一步改善模型拟合,但改善程度是否足以抵消临床实施增加的复杂性和可解释性降低,值得仔细考虑。
局限性
我们注意到可能降低模型性能的多重局限性。首先,由于这些是开放的医院系统而非封闭网络,既往诊断记录缺失并不能排除个体在其他机构接受诊疗时已存在这些诊断。因此,我们排除了医院间转院患者,因为既往合并症记录很可能存在偏倚。然而,此类缺失数据很可能削弱任何给定诊断的预测能力,因此我们的模型性能估计很可能是保守的。此外,许多实验室指标高度非正态分布,因此采用更特异的变量变换或切点很可能改善模型性能;我们选择纳入标准的高/低标志 plus 连续测量值,而非对每个值采用特定变换,后者可能带来过拟合风险或降低泛化性,但很可能提取额外信息。若个体水平数据可获取,跨国际卫生系统聚合实验室数据的努力将为探索此类变换提供机会。9
结论
本队列研究的结果提示,实验室指标联合记录的合并症和社会人口学特征有助于识别住院病程更严重风险特别高的个体。值得注意的是,通过在不同医院(尽管位于同一地理区域内)进行验证,我们对模型性能的估计很可能不那么乐观,但仍提示泛化性应良好。这些入院模型也为在开发更复杂模型(尤其是纳入额外生物学指标的模型)时进行比较提供了机会。在医院资源受限的情况下,将资源定向至最高风险个体的能力很可能有价值,而风险模型的扩展和细化可能代表优化诊疗的有用方法。
参考来源
- Castro VM, McCoy TH, Perlis RH, et al. Laboratory Findings Associated With Severe Illness and Mortality Among Hospitalized Individuals With Coronavirus Disease 2019 in Eastern Massachusetts. JAMA Netw Open. 2020. PMID: 33125498. doi:10.1001/jamanetworkopen.2020.23934
- 全文:PMC7599467(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7599467/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。