利用早期预警列线图预测COVID-19患者入住ICU风险:中国多中心研究
该回顾性多中心研究纳入2020年1月2日至2月28日四川和武汉49个中心1087例实验室确诊COVID-19住院患者,按7:3随机分为训练队列(763例)和验证队列(324例),共97例(8.9%)入住ICU。采用LASSO和logistic回归筛选出年龄、呼吸频率、收缩压、吸烟状态、发热和慢性肾病6个预测因子构建列线图。模型训练队列C-index为0.829(95%CI 0.779–0.879),验证队列C-index为0.776(95%CI 0.684–0.868),校准曲线和决策曲线分析显示良好一致性和临床实用性。该模型仅需入院时可快速获取的临床特征,可用于急诊甚至社区卫生中心早期识别高危患者以优化有限资源分配。
要点
- 列线图仅含6个入院即可获取的预测因子:年龄、呼吸频率、收缩压、吸烟状态、发热、慢性肾病,无需实验室检查数据。
- 训练队列763例,验证队列324例,总队列ICU入住率8.9%(97/1087例)。
- 模型区分度:训练队列C-index 0.829(95%CI 0.779–0.879),验证队列C-index 0.776(95%CI 0.684–0.868)。
- 列线图中预测能力最强的变量为慢性肾病、年龄和呼吸频率。
- 决策曲线分析显示该模型在训练和验证队列中大多数阈值概率下均有显著净获益。
适用人群与场景
- 实验室确诊COVID-19住院患者,诊断符合WHO临时指南,通过高通量测序或鼻咽拭子实时RT-PCR确认。
- 数据来自2020年1月2日至2月28日四川47个地区和武汉2个地区共49个中心,连续入组。
- 研究为回顾性多中心设计,数据截止2020年3月14日。
诊断标准与关键阈值
- 主要结局为入住ICU,COVID-19严重程度依据美国胸科学会社区获得性肺炎指南判定。
- 列线图纳入6个预测因子:年龄、呼吸频率、收缩压、吸烟状态、发热、慢性肾病。
- 模型预测性能以C-index评估:训练队列0.829(95%CI 0.779–0.879),验证队列0.776(95%CI 0.684–0.868)。
- 校准曲线显示预测与实际ICU入住风险一致性良好;决策曲线分析显示临床有用性。
处置流程与药物剂量
- 第一步:入院时采集6项临床特征(年龄、呼吸频率、收缩压、吸烟状态、发热、慢性肾病),均为快速可获取指标。
- 第二步:将各变量按列线图评分(Table 3)分别计分,求和得到总分。
- 第三步:根据总分从列线图(Fig. 2)读取对应的ICU入住概率。
- 原文未提及具体的药物剂量、给药途径或治疗方案。
红旗征与不能漏的情况
- 原文未提及具体的红旗征或需立即处理的情况。
研究设计与关键结果
- 研究类型:回顾性多中心队列研究,共纳入1087例实验室确诊COVID-19住院患者,来自四川和武汉49个中心。
- 训练队列763例,验证队列324例(7:3随机分组);总队列97例(8.9%)入住ICU。
- 训练队列中位年龄51岁(IQR 37–65),验证队列50岁(IQR 38–64);女性训练队列51.4%、验证队列52.5%。
- 最常见症状:发热(训练队列63.0%,验证队列66.0%)、咳嗽(训练队列59.8%,验证队列65.1%)、乏力(训练队列37.1%,验证队列38.3%)。
- 最常见合并症:高血压(训练队列24.8%,验证队列23.1%)、糖尿病(训练队列12.7%,验证队列10.2%)、心血管疾病(训练队列7.5%,验证队列6.2%)。
- LASSO从37个变量中筛选出19个非零系数预测因子,进一步logistic回归确定6个独立预测因子:年龄、呼吸频率、收缩压、吸烟状态、发热、慢性肾病。
- 模型C-index:训练队列0.829(95%CI 0.779–0.879),验证队列0.776(95%CI 0.684–0.868);AUC训练队列0.829,验证队列0.776。
- 校准曲线显示预测与观察风险一致性良好;决策曲线分析显示在大多数阈值概率下净获益显著。
证据类型、等级与局限
- 证据类型:回顾性多中心队列研究(原文自述retrospective, multi-center study)。
- 局限性(原文明确列出):①设计为回顾性;②虽为多中心但数据仅限四川和武汉两地,结果不能推广至其他人群;③样本量有限,需更大样本研究验证;④部分病例症状、实验室检查和影像学数据不完整(因各参与医院电子数据库结构差异及紧急数据提取计划);⑤重症患者年龄大于非重症患者,年龄差异可能为混杂因素;⑥未收集治疗相关数据,而治疗可能对患者结局至关重要。
对床旁实践的改变
- 该列线图可在急诊甚至社区卫生中心使用,仅需入院时可快速获取的6项临床特征即可预测COVID-19患者入住ICU的个体风险。
- 模型可用于早期识别高危患者,辅助决定治疗地点和干预类型,优化有限医疗资源分配。
- 适用人群为实验室确诊COVID-19住院患者;原文指出结果不能推广至四川和武汉以外的其他人群。
- 原文未提及该模型在非COVID-19患者中的适用性。
指南或共识出处
- 原文未提及具体的指南或共识名称作为列线图的来源;研究引用WHO临时指南作为COVID-19诊断依据,引用美国胸科学会社区获得性肺炎指南判定严重程度。
全文中译13 节 · 点击展开
背景
新型冠状病毒病2019(COVID-19)是一种传染病,首次在中国湖北武汉报告,疫情迅速蔓延[1, 2]。根据世界卫生组织(WHO)的数据,截至2020年5月23日,全球(几乎所有国家和地区)报告了超过4,993,470例确诊病例,超过327,738例感染者死亡[3]。目前,美国、欧洲、俄罗斯和拉丁美洲的COVID-19患者数量正在迅速增加。该感染似乎通过飞沫、气溶胶、粪口或直接接触实现人际传播,潜伏期为≥1–14天[4]。据报道,COVID-19感染可发生于各年龄段患者,但在老年人以及合并高血压、心血管疾病、慢性肾脏病(CKD)、糖尿病和慢性呼吸系统疾病的人群中观察到更高的死亡率[5]。肥胖也可能是COVID-19患者发生呼吸衰竭导致有创机械通气的危险因素[6]。就诊时的疾病表现总体相似,轻度流感样症状是最常见的表现。此外,普通人群中最常见的症状为发热、咳嗽、呼吸困难以及肌痛或乏力。然而,某些患者可能迅速发展为急性呼吸衰竭、多器官衰竭和其他致命性并发症。迄今为止,尚未完全研发出针对COVID-19的特异性治疗方法。
尽管公共卫生应对措施旨在遏制疾病并延缓其传播,但此次疫情已导致医疗资源需求增加,而医务人员自身也可能被感染。为减轻医疗系统负担并为患者提供最佳救治,需要对疾病进行有效的预后评估。一个结合多个变量或特征来估计感染者不良结局风险的预测模型,可帮助医护人员在分配有限医疗资源时根据病情严重程度对患者进行分类[7]。一些预测模型(如肺炎严重指数[PSI]、CURB-65、快速急诊医学评分[REMS]等)已被用于COVID-19患者。一项关于COVID-19的早期研究发现,PSI在预测死亡率方面优于CURB-65[8]。另一项研究表明,REMS可为急诊临床医生提供一种有效的辅助风险分层工具,用于重症COVID-19患者,尤其是年龄<65岁的患者。当REMS参数无法在急诊科完成时,改良早期预警评分(MEWS)对筛查也具有较高的阴性预测值(NPV),同样是COVID-19患者的第二选择;MEWS的预测准确性可接受[9]。最近一项研究表明,重症病例发生率存在显著地区差异[10]。因此,在本研究中,我们旨在描述中国不同城市(疫情风险水平不同)确诊COVID-19患者的临床特征,并构建一个纳入临床特征的早期预警预测列线图模型,以识别预后不良风险的患者。该预测列线图将入住ICU作为结局,而非预后不良患者。该列线图包含一些可快速获得的因素,但不包括实验室检查数据,这可能有助于提前提供适当的支持治疗并降低重症COVID-19的概率。
方法
患者
这项回顾性、多中心研究经四川大学华西医院伦理委员会批准。考虑到研究的回顾性性质,指定的新发传染病医院伦理委员会豁免了书面知情同意。该研究纳入了2020年1月2日至2月28日期间连续住院、经实验室确诊的COVID-19患者的数据,这些病例已上报国家卫生健康委员会。研究数据截止日期为2020年3月14日。COVID-19诊断通过高通量测序或鼻咽拭子标本的实时逆转录聚合酶链反应(RT-PCR)确认[11]。所有研究患者均根据WHO临时指南诊断为COVID-19[12]。基于已发表的关于列线图的文章[13, 14],主要队列患者随后使用R 3.5.1版本中的简单随机拆分方法和“caret”包,按7:3的比例随机分配至训练集或验证集。
人口学和风险变量
以下数据取自患者的电子病历:人口统计学资料、入院时的临床体征、临床症状、临床危险因素和感染暴露史。人口统计学数据包括年龄、性别、饮酒状况、吸烟状况、肥胖以及从症状出现至入院的时间。临床症状出现时间定义为首次就诊医院之前。感染暴露定义为暴露于武汉(包括武汉居住史、武汉旅行史或与武汉人员接触史)或其他COVID-19疫区(居住、旅行史或与这些地区人员接触)或接触COVID-19患者。感染暴露风险随中华人民共和国国家卫生健康委员会COVID-19指南中相关定义的修改而变化。若记录中数据缺失或需要澄清,则通过与主治医师或其他医疗保健提供者直接沟通获取数据。由一组经验丰富的临床医生对数据进行审阅、摘录和交叉核对。每份记录由2名临床医生独立核查。研究队列的临床和人口统计学特征总结于表1。
结局定义
住院期间COVID-19的严重程度根据美国胸科学会社区获得性肺炎指南确定[15]。主要结局定义为入住重症监护病房(ICU),这与其他严重感染性疾病相关研究一致[15, 16]。
特征选择
训练队列同时用于变量选择和风险模型开发,由763例住院COVID-19患者组成。如表1所述,37个变量纳入选择过程。最小绝对收缩和选择算子(LASSO)方法适用于分析高维数据,用于选择最具显著预测意义的特征[17, 18]。在LASSO回归模型中系数非零的特征被选入前向逐步logistic回归模型[19]。所考虑的特征包括比值比(OR)及95%置信区间和双侧p值。单因素分析中p值<0.1且多因素分析中具有潜在显著意义的变量纳入logistic回归分析。采用前向选择程序开发简约模型,以预测本队列中COVID-19患者的ICU入住情况。
个体化预测模型的开发与验证
列线图是一种可用于风险评估的统计模型。使用LASSO选择的独立因素开发预测列线图,以生成综合指标来估算COVID-19患者的ICU入住情况。列线图可作为医生评估个体ICU入住概率的定量工具。此外,所创建的列线图提交外部验证,并计算每个结的总分。列线图以总分作为因素构建。
列线图在训练队列和验证队列中的表观性能
进行了充分的区分度和校准度分析,以检验和验证列线图模型的预后准确性[20]。区分度使用Harrell一致性指数(C-index)进行量化,其绝对值接近1表明模型具有较强的预测能力。通过自举法(1000次自举重复)进一步验证列线图,以计算校正后的C-index。绘制校准曲线以评估预测准确性以及预测疾病严重程度与观察疾病严重程度之间的一致性。进行决策曲线分析(DCA)以评估列线图的临床实用性。净获益通过从真阳性结果患者比例中减去假阳性结果患者比例,并权衡干预的相对风险与不必要干预的不良反应来计算。预测精度使用受试者工作特征曲线下面积(AUC)进行评估。双侧p值<0.05表示差异具有统计学意义。
统计分析
连续变量以中位数和四分位间距表示。分类变量以绝对值和百分比表示。连续变量的中位数比较:正态分布数据使用独立样本t检验,非正态分布数据使用Mann-Whitney检验。使用卡方检验或Fisher精确检验比较训练队列和验证队列之间的比例。统计分析使用R软件3.5.1版(R Foundation for Statistical Computing,维也纳,奥地利)和SPSS 25.0版(IBM Corporation,Armonk,纽约)进行。
结果
临床特征
获取了2020年1月2日至2月28日期间在四川省47个地区和武汉市2个地区住院的1087例COVID-19患者的数据。在这些患者中,763例被分配至训练队列,324例被分配至验证队列。研究队列的人口学和临床特征见表1。共有97例患者最终入住ICU(8.9%)。训练队列的中位年龄为51岁(四分位间距,37–65岁),验证队列为50岁(四分位间距,38–64岁)。超过半数为女性(训练队列,51.4%;验证队列,52.5%)。最常见的症状为发热(训练队列,63.0%;验证队列,66.0%)、咳嗽(训练队列,59.8%;验证队列,65.1%)和乏力(训练队列,37.1%;验证队列,38.3%)。前3位合并症为高血压(训练队列,24.8%;验证队列,23.1%)、糖尿病(训练队列,12.7%;验证队列,10.2%)和心血管系统疾病(训练队列,7.5%;验证队列,6.2%)。
在入住ICU的患者中,大多数有饮酒史(训练队列,79.4%;验证队列,86.2%)、吸烟史(训练队列,72.1%;验证队列,89.7%)和非肥胖状态(训练队列,100%;验证队列,100%)。在训练队列和验证队列中,入住ICU的患者中位年龄均比未入住ICU的患者大6岁。大多数入住ICU患者的收缩压>100 mmHg、心率<100次/分,入院时体温在36.2 °C至38.0 °C之间。近90%的入住ICU患者在过去14天内曾接触武汉或其他受COVID影响的地区。
独立预测因子的选择
基于人口学特征、入院时临床体征、临床症状、临床危险因素和感染暴露情况,在LASSO逻辑回归模型中筛选出19个系数非零的潜在预测因子(图1)。将这19个变量纳入逻辑回归模型后,得到6个对入住ICU具有独立统计学显著意义的预测因子。
所选预测因子为年龄、呼吸频率、收缩压、吸烟状态、发热和慢性肾脏病(CKD)。逻辑回归分析结果见表2。
构建和验证预测列线图模型
用于预测COVID-19患者入住ICU的列线图使用显著的独立因素(年龄、呼吸频率、收缩压、吸烟状态、发热和CKD)构建。列线图显示最佳预测因子为CKD、年龄和呼吸频率。根据个体患者的人口学和临床特征为每个变量分配评分(表3),总分通过将各单项评分相加计算得出。入住ICU概率也可从列线图获得(图2)。
列线图的C指数在训练队列中为0.829(95%置信区间[CI],0.779–0.879),在验证队列中为0.776(0.684–0.868),表明该模型具有良好的区分能力。列线图的校准曲线显示,在训练队列和验证队列中,预测疾病严重程度与观察疾病严重程度之间的一致性最佳(图3)。此外,DCA显示该预测模型在训练队列和验证队列中不同时间点的大多数阈值概率下具有显著的净获益,证明了该预测模型的潜在临床获益(图4)。列线图的AUC在训练队列中为0.829,在验证队列中为0.776,表明与列线图模型相比生存预测得到改善(图5)。
讨论
我们的研究纳入了1087例COVID-19患者,这些患者登记自四川省和湖北省的卫生中心,两地暴发风险水平不同。在初始研究中,基于患者首次入院时获得的人口学和临床特征,我们通过LASSO和logistic回归分析建立并验证了预测入住ICU风险的列线图。纳入预测模型的独立统计学显著因素包括年龄、呼吸频率、收缩压、吸烟状态、发热和CKD。使用不同统计方法对该模型进行验证,证明其具有最佳性能。由于这些因素在入院时易于获得,该列线图是一种便捷且有价值的临床预警工具,可用于预测COVID-19患者入住ICU,尤其是在急诊科甚至社区卫生中心。
大多数COVID-19患者为轻症,预后良好,但部分患者可能发展为严重的呼吸窘迫综合征,预后不良[21]。为减轻医疗系统负担并为患者提供最佳诊疗,有必要有效预测该疾病的预后[22]。一个结合多个变量或特征来估计感染者不良结局风险的预测模型,可帮助医护人员在分配有限医疗资源时对患者的疾病严重程度进行分类[23]。既往研究已报道了用于COVID-19诊断和预后预测以及用于检测COVID-19住院风险的预测模型。Chen等基于136名参与者构建了包含10项临床因素的诊断预测模型[24]。Wang等纳入296例住院COVID-19患者,并开发了一个临床模型来预测此类患者的死亡风险[22]。Dong等基于209例患者开发了一个评分模型来预测COVID-19肺炎的进展风险[25]。然而,这些已提出的模型报告质量较差且存在高偏倚风险,令人担忧其在实际诊断应用中可能产生不可靠的预测。在最近一项研究中,报道了一种基于10个变量来估计COVID-19患者危重症风险的风险评分[26]。尽管该研究样本量适中且性能令人满意,但该评分系统较为复杂,涉及一些在入院前或入院后短时间内无法获得的实验室检查数据。因此,有必要开发和验证一种可供医护人员或急诊人员快速简便使用的便捷预测模型。在本研究中,我们基于来自武汉和四川省不同城市、不同疫情严重程度的多中心数据,构建了一个用于预测ICU入住风险的预警模型。在我们的模型中,具有独立统计学意义的因素为年龄、呼吸频率、收缩压、吸烟状态、发热以及合并慢性肾脏病(CKD),这些因素均可快速、简便、实用且可靠地获取。该预测模型可用于院前救治或急诊科,使医务人员能够在早期阶段进行干预并确定其治疗地点和干预类型。在统计学上,我们的模型表现出良好的区分能力和潜在的临床获益。
该模型识别出合并症在COVID-19患者预后中起关键作用。心血管系统疾病,尤其是高血压,已被报道为最重要的独立危险因素之一[27]。在本研究中,我们观察到慢性肾脏病(CKD)患者更可能被收入重症监护病房(ICU),且肾脏疾病是COVID-19患者收入ICU的独立危险因素。这一发现提示,入院时合并肾脏疾病的患者可能存在较高的恶化风险[28, 29]。既往研究揭示,肾损伤与甲型H1N1流感病毒亚型和严重急性呼吸综合征(SARS)患者死亡风险增加相关。2003年SARS期间以及最近在COVID-19患者中,已报道包括肝脏、胃肠道和肾脏在内的多器官受累[30–33]。我们假设此类患者可能存在促炎状态,伴有先天性和适应性免疫细胞群的功能缺陷,并且已知其发生上呼吸道感染和肺炎的风险较高。2019-nCoV本身也可能通过多种机制导致肾损伤:2019-nCoV可能利用血管紧张素转换酶2(ACE2)作为细胞进入受体,并对肾组织发挥直接细胞病变效应。已有报道称肾脏中ACE2的表达几乎比肺部高100倍[33]。病毒抗原或病毒诱导的特异性免疫效应机制(特异性T细胞淋巴细胞或抗体)以及免疫复合物的沉积可能损伤肾脏[34]。早期发现和治疗肾脏异常,包括评估容量状态和肾移植压力、避免使用肾毒性药物以及充分的血流动力学支持,可能有助于改善COVID-19患者的生命预后。
在大多数已发表的预后预测模型中,高龄、合并症以及乳酸脱氢酶、淋巴细胞和C反应蛋白水平升高是不良预后的危险因素[25]。其他指标如心率;呼吸频率;血氧饱和度;降钙素原、直接胆红素、白蛋白和D-二聚体水平;活化部分凝血活酶时间;肾小球滤过率;以及胸部X线异常,其结论存在争议[35, 36]。我们的研究还表明,年龄较大(尤其是> 65岁)的COVID-19感染患者预后比年轻患者更差。在我们的研究中,发热(训练队列,63.0%;验证队列,66.0%)、咳嗽(训练队列,59.8%;验证队列,65.1%)和乏力(训练队列,37.1%;验证队列,38.3%)是最常见的症状。然而,在所有症状中,仅发热是预后的独立危险因素,这与其他研究不同。这些模型不一致性的差异可归因于各模型样本量和地理差异所致的偏倚风险。
我们的研究存在一些局限性。第一,研究设计为回顾性。第二,尽管该研究是多中心的,但由于数据仅限于四川和武汉两个地区,结果不能推广至其他人群。第三,样本量有限;未来需要更大样本量的研究来验证我们的结果。第四,由于不同参与医院的电子数据库结构存在差异以及数据提取时间紧迫,部分病例的症状、实验室检查和影像学检查数据不完整。第五,重症患者年龄大于非重症患者,这种年龄差异可能是一个混杂因素。第六,我们未收集治疗相关数据,而治疗相关数据可能对患者结局至关重要。然而,所有患者均按照中国国家卫生健康委员会发布的指南接受了治疗。
结论
我们建立了一个纳入入院时可快速获取的临床特征的早期预测模型,即使在社区卫生服务中心也可获取这些特征。该模型可方便地用于预测COVID-19患者入住ICU的个体风险,并优化有限资源的使用。
参考来源
- Zhou Y, He Y, Yang H, et al. Exploiting an early warning Nomogram for predicting the risk of ICU admission in patients with COVID-19: a multi-center study in China. Scand J Trauma Resusc Emerg Med. 2020. PMID: 33109234. doi:10.1186/s13049-020-00795-w
- 全文:PMC7590555(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7590555/
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。