文献速递呼吸衰竭与机械通气重症综合管理与镇静镇痛

预测COVID-19患者需要重症监护:基于韩国疾控中心数据开发并验证的整数评分系统

Prediction of patients requiring intensive care for COVID-19: development and validation of an integer-based score using data from Centers for Disease Control and Prevention of South Korea.
PubMed 文献 · J Intensive Care · 2021-01-29
一句话结论COVIC评分仅用分诊时可获取的7项变量预测COVID-19患者需重症监护,外部验证AUC 0.880。

本研究为回顾性队列研究,使用韩国疾控中心2020年1月19日至6月3日全国100家医院收治的4663例COVID-19患者数据,开发并时间外部验证预测需重症监护的整数评分系统(COVIC评分)。主要终点为实际入住ICU、使用ECLS/机械通气/血管活性药物或死亡。训练集3238例,验证集1425例,444例(9.5%)需重症监护。仅用患者可提供变量(年龄、性别、初始体温、呼吸困难、咯血、慢性肾病病史、ADL评分)的模型验证集AUC 0.884,加入影像和实验室变量未显著提高(P=0.169)。COVIC评分验证集AUC 0.880,可用于分诊时优先安排住院和重症监护。

要点

  • COVIC评分包含7项分诊时可获取的变量:年龄、性别、初始体温、呼吸困难、咯血、慢性肾脏病病史、日常生活活动能力(ADL)评分。
  • 评分系统在时间外部验证集中AUC为0.880(95%CI 0.847–0.912),Hosmer-Lemeshow检验P=0.35提示拟合良好。
  • 仅用患者可提供变量的模型验证集AUC 0.884(95%CI 0.852–0.916),加入胸部X线浸润和实验室变量后AUC 0.897(95%CI 0.865–0.928),差异无统计学意义(P=0.169)。
  • 研究纳入4663例COVID-19患者,444例(9.5%)需重症监护,213例(4.6%)实际入住ICU,217例(4.7%)死亡。
  • 该评分可用于医疗资源有限时分诊优先安排住院和重症监护,或辅助急救人员将疑似COVID-19患者转运至合适医院。

适用人群与场景

  • 韩国100家医院收治的实验室确诊COVID-19成人患者(≥18岁),入院时间2020年1月25日至6月3日。
  • 排除年龄<18岁(117例)或数据不完整(413例)的患者。
  • 训练集为2020年3月20日前入院患者(3238例),验证集为之后入院患者(1425例)。
  • 研究场景为医院分诊时,用于预测患者后续是否需要重症监护。

诊断标准与关键阈值

  • 主要结局「需重症监护」定义为:实际入住ICU;任何时候使用体外生命支持(ECLS)装置、机械通气或血管活性药物;以及死亡。
  • COVIC评分由7项变量构成:性别、年龄、入院初始体温、呼吸困难、咯血、慢性肾脏病病史、ADL评分;连续变量(年龄、体温)以中位数分组计分,最低组设为0分。
  • 验证集ROC曲线AUC为0.880(95%CI 0.847–0.912)。
  • Hosmer-Lemeshow检验卡方值8.866,P=0.35,提示拟合良好。

处置流程与药物剂量

  • 第一步:在分诊时采集7项变量——性别、年龄、初始体温、有无呼吸困难、有无咯血、有无慢性肾脏病病史、ADL评分。
  • 第二步:使用COVIC评分整数计分系统计算总分(各变量分值见原文Table 3;连续变量按中位数分组,最低组0分)。
  • 第三步:根据总分评估患者需重症监护的概率(原文Fig. 3展示评分与概率的关联),辅助决定住院优先级和ICU资源分配。
  • 第四步:可使用网页应用(http://covic.docl.org)计算COVIC评分。
  • 原文未提及具体药物剂量、给药途径、频次或目标值。

红旗征与不能漏的情况

  • 原文未提及针对特定红旗征的紧急处理措施;评分系统用于预测需重症监护,但未给出触发紧急干预的具体界值。
  • 研究中仅46%实际入住ICU的患者死亡或使用ECLS/机械通气/血管活性药物,提示部分ICU入住原因未在数据集中体现。

研究设计与关键结果

  • 研究类型:回顾性队列研究,使用韩国疾控中心全国100家医院数据,开发并时间外部验证预测模型。
  • 样本量:总注册5193例,排除后纳入4663例;训练集3238例,验证集1425例;444例(9.5%)需重症监护,213例(4.6%)实际入住ICU,217例(4.7%)死亡。
  • 干预/方法:比较仅用患者可提供变量的logistic回归模型与加入胸部X线浸润和实验室变量的模型;基于前者开发整数评分系统(COVIC评分)。
  • 主要终点结果:仅用临床变量模型验证集AUC 0.884(95%CI 0.852–0.916);加入影像和实验室变量后AUC 0.897(95%CI 0.865–0.928),差异无统计学意义(P=0.169)。
  • COVIC评分验证集AUC 0.880(95%CI 0.847–0.912),Hosmer-Lemeshow检验P=0.35。
  • 关键次要终点:原文未提及独立的关键次要终点分析。
  • 不良事件:原文未提及不良事件分析。

证据类型、等级与局限

  • 证据类型:回顾性队列研究,开发并外部验证预测模型。
  • 证据等级或推荐强度:原文未提及正式证据分级或推荐等级。
  • 局限:单国家(韩国,98.2%为韩国族裔)、回顾性设计,需在不同国家或族裔中外部验证;约8%患者因数据不足或年龄<18岁被排除;症状数据仅采集于入院时,未考虑症状出现时间;ICU入住决策可能受ICU床位可用性影响,但数据集无法纳入该因素;仅46%实际入住ICU患者符合扩展主要终点,可能存在未计入的应入住ICU患者。

对床旁实践的改变

  • 可改变分诊做法:在COVID-19疫情期间医疗资源有限时,使用COVIC评分(仅需7项患者可提供变量)辅助优先安排住院和重症监护,而非仅按先到先得原则。
  • 适用人群:韩国成人COVID-19住院患者数据开发,外推至其他人群需谨慎;不适用于<18岁患者(原文排除)。
  • 常见陷阱:评分基于韩国单国数据,不应直接作为其他地区决策阈值;原文未给出具体评分截断值对应的推荐等级,需结合临床判断。
  • 加入胸部X线和实验室变量未显著提高预测性能(P=0.169),提示分诊时无需等待这些检查即可计算评分。

指南或共识出处

  • 原文未提及具体指南或共识名称;研究数据来自韩国疾病控制与预防中心(KCDC)队列。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:J Intensive Care. 2021 Jan 29;9:16. doi: 10.1186/s40560-021-00527-x

背景

截至2020年7月10日,COVID-19是一场全球确诊病例超过1200万的大流行病。该病导致的死亡超过50万例。不同国家乃至不同城市之间的死亡率存在差异,医疗资源的可及性可能是造成这些差异的主要因素之一[1]。病毒的快速传播正给公共卫生系统带来过度的压力[2]。人们正在通过增加医疗物资供应来努力缓解这一压力[3],但面对压倒性的疫情暴发,这可能并不足够,尤其是在医疗资源有限的情况下。

约80–90%的COVID-19病例为轻型或无症状[4]。需要重症监护的病例比例较低,其中10–20%被收入重症监护病房(ICU),3–10%需要插管,2–5%死亡[5]。重症患者表现为呼吸衰竭、肺炎、多器官衰竭和休克,需要在重症监护设施中接受治疗。在这些患者中,ICU治疗对生存至关重要。虽然各国死亡率不一,但ICU的不可获得性或饱和是影响死亡率的关键因素之一[4]。各国ICU容量不同,中低收入国家较低[6]。在ICU内,COVID-19患者应收入空气传播感染隔离病房,以保护其他住院患者和医务人员免受COVID-19传播。因此,人们担心COVID-19患者可获得的ICU设施有限。

虽然尚不确定有多少以及哪些COVID-19患者需要住院和ICU治疗,但许多轻症患者常因担心病情加重和需要隔离而住院。在资源有限的情况下,这可能进一步耗尽包括医院床位可及性在内的医疗资源。在此背景下,优先安排COVID-19患者在专业医疗设施中接受治疗,尤其是ICU治疗,可能有助于降低COVID-19疫情热点地区的死亡率。

COVID-19的病程不一。从症状出现到严重低氧血症和收入ICU的中位时间约为7–12天[6]。尽管目前需要ICU治疗的患者比例尚不清楚,但6.1%被归类为危重型,13.8%为重型[7]。然而,在疾病早期或就诊于医院时,谁需要ICU治疗往往难以预测[6]。预测有死亡风险或需要ICU治疗的COVID-19患者,可能有助于在分诊时优先安排患者住院。

在本研究中,我们旨在利用韩国全国性COVID-19患者队列的数据,开发并验证一个模型,用于预测就诊于医院时收入ICU的情况。

方法

研究人群

这是一项使用队列数据的回顾性研究,队列数据包括来自100家医院的韩国所有COVID-19患者。该队列由韩国疾病控制与预防中心(KCDC)建立和管理。实验室确诊的COVID-19患者根据地区风险分层和分诊系统[8]被收入医院或社区治疗中心。没有任何危险因素或严重症状的患者被收入社区治疗中心,如果其中任何患者随后病情恶化,他们被转移到医院。KCDC要求医院将患者数据登记到队列中。在入院患者中,2020年1月25日至2020年6月3日期间死亡或经管理后确认无病并解除隔离的患者被纳入本研究。截至2020年3月20日入院的患者用于训练数据集,对之后入院的患者进行时间外部验证。所有患者均纳入本研究,但18岁以下或数据不完整的患者除外。

数据和变量

用于开发结局预测模型的变量包括结局、人口统计学、病史、临床症状和体征、影像学发现和实验室结果的变量。纳入ICU入住;使用体外生命支持(ECLS)、机械通气或血管升压药;以及死亡来推导主要结局。人口统计学变量包括年龄和性别。病史包括妊娠、糖尿病、心力衰竭、高血压、慢性心脏病、哮喘、慢性阻塞性肺疾病、慢性肾脏病、癌症、慢性肝病、慢性神经系统疾病、慢性血液系统疾病、人类免疫缺陷病毒感染、痴呆、吸烟状态和日常生活活动能力(ADL)量表。临床变量包括初始体温、咳嗽、咳痰、咯血、咽痛、流涕、胸部不适、肌痛、疲劳和呼吸困难。影像学结果中唯一纳入的变量是初始胸部X线是否显示任何浸润的二分类值。实验室检查结果包括白细胞、淋巴细胞和血小板计数以及血红蛋白、血细胞比容、白蛋白、天冬氨酸氨基转移酶、丙氨酸氨基转移酶、血尿素氮和肌酐水平。使用为患者获取的初始值。

结局

主要结局是需要重症监护的患者,定义为实际入住ICU;任何时候使用ECLS装置、机械通气或血管升压药;以及死亡。死亡定义为患者在随访期间死亡。

统计分析

对所有变量进行了描述性统计。建立了两个逻辑回归模型以评估输入变量的重要性。这两个模型具有相同的预测目标,即需要ICU护理的患者,但预测变量不同。第一个模型仅使用分诊期间可获取的变量构建,这些变量可轻易由患者提供,包括患者的人口统计学特征、病史、临床症状和体温。另一个模型在第一个模型所有变量的基础上增加了影像学表现和实验室结果。计算训练集和验证集的曲线下面积(AUC)以评估模型的预测准确性。

从两个逻辑回归模型中,逐步向后消除过程中具有统计学意义的变量被用于构建基于整数的评分模型。第一个模型(仅使用患者可提供的变量)的系数乘以4并四舍五入至最接近的整数,以生成基于整数的评分系统。总评分计算为各评分之和。该评分系统应用于验证数据集以获取模型的准确性。所有P值均为双侧,P < 0.05被认为具有统计学意义。统计分析使用R进行,使用了MASS和caret软件包[9–11]。

结果

研究期间,来自100个中心的共5193例确诊COVID-19患者被登记进入队列。排除18岁以下患者(117例),排除数据不完整的患者(413例),剩余4663例患者进行分析。在纳入的患者中,444例(9.5%)需要ICU护理,213例(4.6%)实际入住ICU,217例(4.7%)死亡。共3238例患者在2020年3月20日之前入院,用于开发预测模型。此后入院的患者用于验证所开发的模型,共纳入1425例患者(表1)。

表1 训练集与验证集的比较 查看原表 ↗

两种预测模型的准确性

采用逐步向后消除不显著变量的方法建立多因素逻辑回归模型。第一个模型仅使用患者可提供的变量开发,训练集的AUC为0.869 [95% CI 0.845–0.893],验证集的AUC为0.884 [95% CI 0.852–0.916]。第二个模型在第一个模型的基础上增加了初始胸部X线表现和实验室结果,准确性略有提高(训练集AUC 0.899 [95% CI 0.877–0.920],验证集AUC 0.897 [95% CI 0.865–0.928]),但差异不显著(P = 0.169)(图1)。

图1 a训练数据集和b验证数据集的受试者工作特征曲线。括号中所示为曲线下面积 查看原图 ↗

基于整数的评分系统

使用第一个模型的多因素logistic回归分析结果,共筛选出7个变量作为需要ICU治疗的患者的显著预测因素:性别、年龄、入院时初始体温、呼吸困难、咯血、慢性肾脏病史和ADL量表(表2)。平均方差膨胀因子为1.08(范围1.01–1.24),显示共线性较低。将模型系数乘以4并四舍五入至最接近的整数,形成基于整数的评分系统,用于预测需要ICU治疗的COVID-19患者(COVIC评分)。连续变量(年龄和初始体温)被分类,使用中位数计算该类别的评分分值。对于连续变量,为便于计算,每个类别的评分减去最低类别的评分。因此,年龄和体温的最低类别评分设为零(表3)。

对新开发的评分系统进行了外部验证。绘制受试者工作特征曲线,AUC为0.880 [95% CI,0.847–0.912](图2)。基于整数的评分与整个数据集中患者需要ICU治疗概率之间的关联见图3。Hosmer-Lemeshow检验的卡方值为8.866,P值为0.35,提示拟合良好(图4)。

为提高可及性和易用性,开发了一个基于网络的应用程序(见附加文件2)。该应用程序可通过http://covic.docl.org访问。

表2 多因素logistic回归中需要重症监护室治疗患者的预测因素 查看原表 ↗
表3 预测需要ICU治疗的COVID-19患者的评分系统(COVIC评分) 查看原表 ↗
图2 新开发评分系统(COVIC评分)的受试者工作特征曲线。该评分在验证数据集中测试用于预测需要ICU治疗的COVID-19患者(COVIC评分)。曲线下面积为0.880 [95% CI,0.847–0.912] 查看原图 ↗
图3 基于整数的评分与患者需要重症监护概率之间的关联。红色虚线表示95%置信区间 查看原图 ↗
图4 基于整数的预测评分(COVIC评分)的校准图 查看原图 ↗

讨论

本研究提出并验证了一个基于整数的评分系统,用于预测需要ICU治疗的COVID-19患者(COVIC评分),具有优异的预测性能。该评分系统由7个变量组成:性别、年龄、初始体温、咯血、呼吸困难、慢性肾脏病史和ADL量表。

既往研究表明,男性、高龄以及合并症(包括活动性癌症、冠状动脉疾病、肝肾功能障碍、慢性阻塞性肺疾病、糖尿病和高胆固醇血症)是与入住ICU的COVID-19患者死亡率相关的因素[12, 13]。这些发现与本研究的发现提示,当COVID-19患者年老、男性且伴有合并症时,其不良结局或需要重症监护的风险可能增加。本研究结果表明,还应考虑一些症状和体征的额外存在,如发热、咯血、呼吸困难和日常生活活动依赖,作为患者在病程中可能需要重症监护的线索。

以往有研究预测COVID-19患者的结局[14–18]。死亡风险、住院时间和进展为重症状态是预测模型的主要结局[14–25]。纳入的最大病例之一来自中国的一项全国性回顾性队列,共1590例[18]。在该研究中,评分系统包括10个变量,即胸部影像学异常、年龄、咯血、呼吸困难、意识不清、合并症数量、癌症病史和实验室检查值。其中一些变量与本研究的评分系统相似,但也包括只能在专业诊疗后评估的变量,如影像学结果和实验室检查值。

本研究中,逻辑回归分析显示,包括胸部X线表现和实验室结果在内的附加变量可能不会显著提高对需要ICU治疗患者的预测性能。本研究开发的评分系统所包含的变量不需要专业医学评估,而可由患者提供。因此,该评分系统可能有助于在分诊时对患者住院进行优先排序。

本研究的评分系统可应用于更广泛的使用场景。例如,当诊断能力或医院床位不足以满足COVID-19患者的需求时,对患者住院进行优先排序可能至关重要。如果患者按先到先得的原则住院,那么病程中可能需要ICU治疗但到达诊所较慢的患者可能无法得到适当管理。此外,该评分系统可能有助于急救人员将疑似COVID-19患者转运至合适的医院。即使对于未确诊的患者,如果需要,患者可自行计算的特征也可能有用。

本研究中,主要结局——需要ICU治疗的患者——定义为实际入住ICU;任何时候使用ECLS装置、机械通气或血管升压药;以及死亡。之所以选择上述患者的总和而非仅选择入住ICU的患者作为主要结局,是因为韩国有许多医院设有负压隔离病房,在ICU饱和或缺乏ICU时用以替代ICU。此外,使用ECLS装置、机械通气或血管升压药是需要重症监护的充分指标。

决定患者是否需要ICU治疗时,应考虑许多因素。实际入住ICU的患者中,只有一半(46%)死亡或使用了ECLS装置、机械通气或血管升压药之一。对入住ICU的患者进行了描述性分析(见附加文件1)。77例(66.9%)患者需要供氧,未使用ECLS装置、机械通气或血管升压药的患者淋巴细胞百分比显著更高(17.9% vs. 12.1%,P值 < 0.001)。然而,分析结果显示,有些患者入住ICU的原因在我们的数据集中并不明显。

本研究使用的数据集由韩国疾病管理厅(KCDC)提供,韩国所有入院病例均须登记入组。其余COVID-19患者在社区治疗中心接受管理。因此,研究期间韩国全部COVID-19患者中有56%(9306例中的5193例)被纳入本研究分析。幸运的是,韩国医院床位相对充足,每日确诊病例数最高为1062例(2020年3月1日)。这确保了院外居住的患者既非危重也不需要住院。例如,根据KCDC指南[26],任何年龄大于65岁或患有糖尿病等慢性合并症者均须住院。研究期间无确诊病例居家居住。因此,本研究基于的队列选择偏倚风险应非常低。

本研究存在若干局限性。虽然各国之间医疗基础设施存在差异,但本研究在一个种族同质性较高的国家进行(98.2%为韩国族裔)。此外,本研究为回顾性研究。因此,需要在不同国家或种族中进行外部验证。约8%的患者因数据不足或年龄较小而被排除在模型开发之外。所有症状数据均在入院时获取,若能考虑症状发作时间可能提供更多信息。ICU入住决策可能受ICU床位可用性影响。研究ICU入住决策与区域患者数量之间的关联本会有价值。然而,由于数据集的局限性,本研究无法将ICU床位可用性作为因素考虑。可能存在未被纳入统计、本应入住ICU但因ICU床位有限而未能入住的患者。主要结局的扩展定义纳入了死亡或需要体外生命支持(ECLS)装置、机械通气或血管升压药的患者,以考虑这些患者。然而,考虑到入住ICU的患者中仅半数符合标准,实际人数可能更多。

结论

开发了一种基于整数的评分系统,用于预测需要ICU治疗的COVID-19患者,性能较高。所开发的模型可能有助于为患者住院优先级提供决策支持,尤其是在医疗资源有限的情况下。

补充信息

附加文件1:附加表I。入住重症监护室患者的描述性统计。数据说明:一张呈现入住重症监护室患者描述性统计的表格。展示了死亡或需要ECLS装置、机械通气或血管升压药的患者与不需要这些治疗的患者之间的比较。

附加文件2:附加图I。为便于使用COVIC评分而开发的网络应用程序截图。数据说明:该网络应用程序的截图,可从本研究中提出的机器学习模型计算结果。访问地址:http://covid.docl.org。

参考来源

  1. Heo J, Han D, Kim HJ, et al. Prediction of patients requiring intensive care for COVID-19: development and validation of an integer-based score using data from Centers for Disease Control and Prevention of South Korea. J Intensive Care. 2021. PMID: 33514443. doi:10.1186/s40560-021-00527-x
  2. 全文:PMC7844778(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7844778/

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。