文献速递呼吸衰竭与机械通气重症综合管理与镇静镇痛消化、代谢与肾脏急症

ISARIC 4C恶化模型的开发与验证:COVID-19住院成人前瞻性队列研究

Development and validation of the ISARIC 4C Deterioration model for adults hospitalised with COVID-19: a prospective cohort study.
PubMed 文献 · Lancet Respir Med · 2021-01-11

该模型有潜力用于临床决策和资源分配。

要点

  • 4C恶化模型包含11项入院常规指标:年龄、性别、院内感染、GCS、SpO2(及是否吸氧)、呼吸频率、尿素、CRP、淋巴细胞计数、胸部影像浸润。
  • 决策曲线分析显示,在所有开发NHS地区和留出地区,4C恶化模型的净获益高于11个现有候选模型及treat-all/treat-none策略。

适用人群与场景

  • 连续成人(≥18岁)住院患者,高度疑似或PCR确诊COVID-19,在初次评估时即可使用(不要求病毒学确认)。
  • 开发队列来自英格兰、苏格兰和威尔士8个NHS地区66 705例;留出验证队列为伦敦8 239例。
  • 纳入院内感染病例(症状出现或首次PCR阳性在入院7天后),但排除在COVID-19发病前已满足恶化终点的院内感染患者。

诊断标准与关键阈值

  • 复合主要终点:院内临床恶化,定义为以下任一:启动通气支持(无创通气、有创机械通气或ECMO);入住高依赖或ICU;死亡。
  • 该终点与WHO临床进展量表评分≥6分高度一致。
  • 社区获得性感染定义:症状出现或首次SARS-CoV-2 PCR阳性在入院7天内;不满足且症状出现或首次PCR阳性在入院7天后定义为院内感染。
  • 预测因子均在入院当天或院内感染病例首次临床怀疑COVID-19当天采集。

处置流程与药物剂量

  • 原文未提及具体治疗药物剂量或处置流程;模型旨在预测恶化风险以辅助临床决策(如资源分配、ICU转运、靶向治疗选择)。
  • 模型参数和风险预测工具将与已发表的4C死亡评分一同在线免费提供,以便独立外部验证和风险分层。

红旗征与不能漏的情况

  • 原文未提及特定的红旗征或需立即处理的紧急情况清单。

研究设计与关键结果

  • 研究类型:前瞻性队列研究,模型开发与验证,遵循TRIPOD报告规范。
  • 样本量与中心数:74 944例参与者,来自英格兰、苏格兰和威尔士260家医院,招募时间2020年2月6日至8月26日。
  • 决策曲线分析:4C恶化模型在所有开发地区和留出地区的广泛阈值概率范围内净获益高于11个现有候选模型及treat-all/treat-none策略。

证据类型、等级与局限

  • 证据类型:前瞻性队列研究,模型开发与验证(非RCT)。
  • 证据等级或推荐强度:原文未给出正式证据等级或推荐强度。
  • 局限:观察性设计;模型预测时间 horizon 为住院期间,随时间延长区分度略降;院内感染亚组校准-in-the-large提示基线风险较高;需外部独立验证;原文未报告模型在不同治疗背景下的效用。

对床旁实践的改变

  • 对急诊/ICU接诊的COVID-19住院成人,可在入院时使用4C恶化模型(11项常规指标)评估恶化风险,辅助决定ICU转运、资源分配和靶向治疗。
  • 模型预测的是复合恶化终点(通气支持、ICU入住或死亡),不能替代4C死亡评分单独评估死亡风险;年轻患者中两者预测差异较大。
  • 模型在高度疑似但PCR未确认的COVID-19患者中也可使用(开发队列包含此类患者)。
  • 原文未提供具体风险阈值或治疗启动 cutoff,临床使用需结合当地资源和个体化判断。

指南或共识出处

  • ISARIC 4C Deterioration model,发表于Lancet Respiratory Medicine;研究注册号ISRCTN66726260;遵循TRIPOD指南。
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:Lancet Respir Med. 2021 Apr;9(4):349–59. doi: 10.1016/S2213-2600(20)30559-2

引言

COVID-19大流行持续使全球卫生保健系统不堪重负。1 对因进展性恶化风险而至医院就诊的患者进行有效分诊,对于指导临床决策和促进有效资源配置(包括医院床位、重症监护资源和靶向药物治疗)至关重要。此外,早期识别死亡或恶化风险较高、需要通气或重症监护支持的患者亚组,有助于针对均衡治疗的随机对照试验进行靶向招募,2 并更精准地实施已知疗效因疾病严重程度而异的治疗(包括皮质类固醇和瑞德西韦)。3, 4, 5

许多针对COVID-19患者的多变量临床预后模型已被迅速积累用于预测死亡或临床恶化的不良结局。6 大多数被归类为高偏倚风险,且可能不具有可推广性,原因往往包括样本量不足、依赖单中心数据以及在模型开发过程中未遵循最佳实践方法或报告标准。6, 7 在一项系统性头对头外部验证研究中,纳入的多变量预后模型均未优于单变量预测因子,8 这凸显了将大规模多中心数据与严格的模型开发方法相结合以提高可推广性的必要性。

研究背景 本研究之前的证据

一项现有的系统综述评估了截至2020年5月5日收录于PubMed、Embase、arXiv、medRxiv和bioRxiv的COVID-19预测模型。共识别出145个模型,其中50个为旨在预测死亡或临床恶化临床结局的预后模型。所提出的模型被认为报告质量差、偏倚风险高,其报告的性能被认为被高估。对其中22个预后模型的系统性头对头外部验证研究发现,没有一个模型在死亡率的年龄这一简单单变量预测因子和临床恶化的氧饱和度这一简单单变量预测因子之上具有临床效用。因此,没有一个多变量模型可被推荐用于临床实施,这凸显了需要使用多中心数据集以最大化可推广性的更高质量模型开发方法的需求。

本研究的附加价值

我们开发并验证了4C恶化模型,包括11项常规测量的人口学、临床和实验室预测因子,用于预测ISARIC4C研究中在英格兰、苏格兰和威尔士260家医院连续招募的74 944名成年人的院内临床恶化,符合TRIPOD标准。4C恶化模型在模型开发期间在八个国家卫生服务区域表现出一致的区分度、校准度和净获益,在来自伦敦的留出验证数据中表现相似。重要的是,4C恶化模型在所有区域的决策曲线分析中显示出临床效用,净获益高于其他可重复的候选模型。与我们最近报告的4C死亡评分相比,4C恶化模型通过识别死亡风险低但恶化风险高的人群提供了显著的额外价值,有可能更好地为需要干预且最可能获益的人群靶向实施干预。

所有现有证据的意义

需要平行的预后模型来预测住院成人COVID-19患者的临床恶化与单独死亡构成的复合结局。4C Deterioration模型在临床实用性和可推广性方面显示出比以往任何针对成人COVID-19临床恶化的预后模型更强的潜力。该模型参数和风险预测工具将与我们先前的4C Mortality Score一起在线免费提供,以便进行独立外部验证并促进治疗干预的风险分层。

我们此前报告了来自国际严重急性呼吸和新兴感染联盟冠状病毒临床特征联盟(ISARIC4C)研究的住院死亡率实用预后评分。9 在本研究中,我们通过更大的研究队列扩展了这项工作,以开发和验证住院临床恶化(需要通气支持或重症监护,或死亡)的预后模型。我们利用ISARIC4C研究队列在英格兰、威尔士和苏格兰的广泛地理覆盖,探讨区域间异质性,并在区分度、校准度和临床实用性方面全面评估模型的可推广性。我们将其称为4C Deterioration模型。

方法

研究人群和数据收集

国际严重急性呼吸和新兴感染联盟(ISARIC)—WHO临床特征方案英国(CCP-UK)研究由ISARIC4C在英格兰、苏格兰和威尔士的260家医院开展(美国国立卫生研究院[NIHR]临床研究网络中央组合管理系统ID 14152)。10 在本分析中,我们连续纳入高度疑似或PCR确诊COVID-19的成人(年龄≥18岁)。我们将疑似COVID-19患者纳入分析,因为该模型旨在用于COVID-19初步评估时的参与者,此时病毒学确认可能尚不可用。本研究按照个体预后或诊断多变量预测模型的透明报告(TRIPOD)指南进行报告。11 人口学、临床和结局数据通过公开可用的标准化病例记录表收集,如前所述。9, 10

伦理批准由英格兰South Central Oxford C研究伦理委员会(参考号13/SC/0149)和Scotland A研究伦理委员会(参考号20/SS/0028)给出。本研究已在ISRCTN注册(ISRCTN66726260)。

结局

我们使用院内临床恶化的复合主要结局,包括以下任一情况:启动通气支持(无创通气、有创机械通气或体外膜氧合);入住高依赖病房或重症监护病房;或死亡。该结局与WHO临床进展量表12评分6分或以上密切对应,并确保该结局在不同医院间具有可推广性,因为呼吸支持实践可能差异很大。我们纳入了在2020年8月26日或之前因COVID-19入院或首次接受评估的合格参与者,以便在最终数据提取日期(2020年9月24日)之前留出至少4周的间隔用于登记结局事件。在随访结束时(病例记录表中记录最终结局的时间点)仍在接受住院治疗的患者被归类为未达到终点,因为恶化风险随入院时间延长而下降。8

候选预测因素

我们纳入了既往开发和完善4C死亡率评分9时考虑的候选预测因素,这些因素在研究人群中至少60%的参与者中可获得(附录第21页)。这些预测因素基于既往预后评分和描述与COVID-19预后相关的常规检测生物标志物的新兴文献而事先指定。9我们还纳入了院内获得性COVID-19以检验院内获得感染可能与不同风险相关的假设。社区获得性感染定义为入院7天内出现症状或首次严重急性呼吸综合征冠状病毒2(SARS-CoV-2)PCR结果阳性;不符合这些标准且症状出现或首次SARS-CoV-2 PCR结果阳性在入院7天以上的参与者被归类为院内感染病例。13在院内感染病例中,在COVID-19发病前即达到恶化结局的患者被排除。

合并症根据改良Charlson合并症指数14定义,并增加临床医生定义的肥胖。9我们考虑将代表合并症数量的复合变量纳入模型,该变量包括以下合并症:慢性心脏病、慢性呼吸系统疾病(不包括哮喘)、慢性肾脏病、轻至重度肝病、痴呆、慢性神经系统疾病、结缔组织病、糖尿病、HIV或AIDS、恶性肿瘤和临床医生定义的肥胖。

所有预测因素均取自入院当天或院内感染病例首次临床怀疑COVID-19当天。

模型开发

我们假设不同地理区域之间人群和医疗服务的异质性可能导致模型性能差异。因此,我们将数据划分为九个与参与医院相关联的国家医疗服务体系(NHS)区域15。八个区域用于模型开发和内部-外部交叉验证(英格兰东部、中部地区、英格兰东北部和约克郡、英格兰西北部、苏格兰、英格兰东南部、英格兰西南部和威尔士),具体如下所述。第九个区域(伦敦)未用于模型开发,而是保留用于进一步验证,独立于模型训练队列。

鉴于预测的时间范围较短(住院期间),我们采用了逻辑回归建模方法,并在开发队列中对先验候选变量进行了向后消除(附录第5页)。连续预测变量采用限制性立方样条建模,默认使用四个节点,节点位置基于百分位数放置在推荐位置,通过R语言rms包中的rcs函数生成变换。16, 17 格拉斯哥昏迷量表评分被分类为15分或低于15分,因为低于15分的数据点不足以拟合样条函数。我们使用链式方程多重插补来处理缺失数据;在主分析中,对每个插补数据集进行分析并使用Rubin规则进行合并(附录第5页)。18

模型验证

在验证过程中,我们评估了模型的区分度(预测在多大程度上能够区分经历了复合结局的参与者与未经历者,以C统计量量化)、校准度(预测风险与观察风险之间的一致性,使用校准斜率、大范围校准和校准图进行评估)以及临床实用性(以净获益量化)。19 理想的校准斜率为1,而如果观察到的结局事件数与预测数相匹配,大范围校准应为0。

包含所选变量的模型首先在开发数据集中使用内部-外部交叉验证框架进行验证,以同时检查组间异质性并评估泛化能力。19, 20 在此过程中,八个参与贡献的NHS区域中的每一个被迭代地从开发集中排除;然后使用剩余区域中所选预测变量对模型进行训练,并在被排除的区域中进行验证,通过量化C统计量、校准斜率和大范围校准以及校准图的可视化来实现(附录第5页)。19 我们使用随机效应荟萃分析计算各开发区域合并的C统计量、校准斜率和大范围校准统计量,并检查森林图以评估区域间异质性。

最终模型随后使用完整开发数据集进行训练,并在保留的NHS区域(伦敦)中进一步验证。

决策曲线分析通过量化根据阈值概率加权的正确识别真阳性和错误识别假阳性之间的权衡来评估临床实用性。21 阈值概率代表风险截断值,高于该值时可考虑任何给定的治疗或干预措施,并反映了对干预措施的风险-获益比的感知。决策曲线分析用于内部-外部验证和保留验证中,以量化在临床实践中实施该模型的净获益,21 与以下策略进行比较:全部治疗策略;全不治疗策略;以及使用近期系统综述所识别的其他COVID-19特异性和已有预后模型。6, 8, 9 我们纳入了所有组成变量在队列中超过60%可用的模型。使用积分评分的候选模型在决策曲线分析期间被校准至验证数据,导致其净获益的估计偏于乐观。所有决策曲线均通过局部加权平滑(LOESS)从堆叠的多重插补数据集进行平滑处理。19

所有分析均在R中进行(版本3.6.3;附录第6页)。

敏感性分析

我们仅在留出的NHS地区中使用完整病例数据评估了最终模型的验证情况。我们还重新计算了验证指标,具体包括:按恶化事件发生时间对恶化事件进行分层(入院或首次COVID-19评估当天 vs 之后;以及入院或首次COVID-19评估后0–3天 vs >3天),以评估判别能力是否随结局时间间隔而变化;排除验证队列中随访结束时仍在接受住院治疗的患者;按社区获得性感染 vs 医院获得性感染对验证队列进行分层;以及排除在入院至医院获得性感染时间阈值之间出现症状的社区获得性病例,以评估将医院获得性感染错误纳入社区获得性病例的任何影响。我们还使用替代多重插补方法重复了分析,使用R中rms包的aregImpute函数,17并使用医院获得性SARS-CoV-2感染的替代时间定义重新计算了模型参数。最后,我们评估了最终模型中包含的每个连续变量作为单一单变量预测因子的判别能力。

资助方的作用

本研究的资助方在研究设计、数据收集、数据分析、数据解释或报告撰写中均无任何作用。所有作者均可完整获取研究中的所有数据,并对决定提交发表承担最终责任。

结果

2020年2月6日至8月26日期间,ISARIC4C研究共招募了74 944名符合条件的成年人,其中66 136名(88.2%)已知为PCR确诊的COVID-19。基线人口学、生理学和实验室特征按结局分层(表1)以及按社区获得性感染 vs 医院获得性感染分层(附录第22页)展示。996名(1.3%)参与者的结局数据缺失。在73 948名有结局数据的参与者中,31 924名(43.2%)达到了院内临床恶化的复合主要结局,中位恶化时间为4天(IQR 1–9;附录第7页)。恶化风险随入院时间延长而下降,支持我们将随访结束时仍需住院治疗的患者归类为未达到主要分析终点的做法。

来自八个地区的66 705名参与者(样本量从3066至15 583不等)被纳入模型开发,另有来自一个地区(伦敦)的8239名参与者被留出用于额外验证。候选预测因子及其缺失比例按NHS地区分层展示于附录(第8页)。各变量在各地区间的缺失比例相似。

在向后消除法中,11个预测因子在八个开发NHS区域中超过四个(>50%)区域内、在十个多重插补数据集中超过五个(>50%)数据集中被保留,并进入最终模型。这些预测因子为年龄、性别、院内感染、格拉斯哥昏迷量表评分、入院时外周血氧饱和度(SpO2)、呼吸室内空气或氧疗(与SpO2测量同时)、呼吸频率、尿素浓度、C反应蛋白浓度、淋巴细胞计数以及影像学胸部浸润的存在。在完整开发队列上训练的最终4C Deterioration模型中,每个预测因子与结局之间的关联(包括非线性关系)见图1,完整模型系数见附录(第23页),以便能够独立重建模型。

图2显示了在开发队列中对预后模型进行内部-外部交叉验证20所得的模型区分度(C统计量)和校准指标(斜率和总体校准)的森林图。C统计量在各开发NHS区域间一致(点估计0·75至0·77;合并随机效应荟萃分析估计值0·76 [95% CI 0·75至0·77])。校准斜率在各区域间也一致,几乎没有异质性证据(点估计0·95至1·06;合并估计值0·99 [0·97至1·02])。各NHS区域间在总体校准方面存在轻微异质性,可能反映区域间基线风险存在一定差异(点估计–0·19至0·15;合并估计值–0·01 [–0·12至0·09])。总体风险在英格兰东南部被轻度低估(总体校准0·09 [95% CI 0·05至0·14])和威尔士被轻度低估(0·15 [0·07至0·22]),而在苏格兰被高估(−0·19 [–0·28至–0·11])和英格兰西南部被高估(−0·19 [–0·26至–0·11])。按NHS区域分层的合并校准图见附录(第9页)。鉴于各NHS区域间总体校准存在轻微差异,我们还通过重新估计模型截距对每个NHS区域重新校准后重复进行了内部-外部交叉验证;重新校准截距后的校准图证实模型校准有小幅改善(附录第10页)。

内部-外部交叉验证验证集中的决策曲线分析(未对新模型进行重新校准)见附录(第11页),并以11个现有候选预后模型为基准,这些模型的组成变量在超过60%的参与者中可获得。在所有开发NHS区域中(未进行本地重新校准),4C Deterioration模型在广泛阈值概率范围内净获益高于任何现有模型以及全部治疗或全不治疗策略。

随后,我们在留出的NHS区域中验证了最终预后模型,该模型是在完整开发队列上训练的。4C恶化模型的区分度和校准指标与内部-外部交叉验证的估计值相似(表2),C统计量为0·77(0·76至0·78),大范围校准为0·00(−0·05至0·05),校准斜率为0·96(0·91至1·01;可视化校准曲线见图3A)。4C恶化模型的区分度高于其他现有候选模型。该模型在全部概率阈值范围内的敏感性、特异性、阳性预测值和阴性预测值见附录(第12页)。

在留出的NHS区域进行的决策曲线分析进一步检验了4C恶化模型的临床实用性,结果显示在一系列阈值概率下,其净获益高于所有其他候选模型以及全部治疗和全不治疗策略(图3B)。

我们预期临床医生可能希望分别评估恶化或死亡的风险。因此,作为示例,我们在伦敦验证队列中将4C恶化模型的预测与我们先前报道的4C死亡率评分9进行比较,并按年龄(图4A)、性别和族裔(附录第13页)分层。此外,图4B显示了从伦敦队列中4C恶化预测值每个十分位数中随机选取的十名示例参与者,其临床特征总结于图4C。总体而言,恶化预测值似乎适当地高于死亡率预测值。重要的是,4C死亡率评分与4C恶化预测值之间的协方差在较年轻年龄组中较低,因此这些组中预测值之间的差异更大。按年龄分层后,协方差在性别或族裔方面没有差异。

在来自保留的伦敦地区的完整病例数据中对模型进行验证,结果与主要分析相似(附录第24页)。在伦敦验证队列中,对结局事件进行分层(入院当天或首次COVID-19评估当天 vs 之后;以及入院或首次COVID-19评估后0–3天 vs >3天)后,4C Deterioration模型及大多数其他模型在较长的时间范围内C统计量略低(附录第26页)。然而,对于某些以死亡率为原始预期结局的模型(包括4C Mortality模型),区分度在较长的时间范围内似乎更好。当排除随访结束时仍在接受住院治疗的参与者时(附录第27页)、当限制为社区获得性感染时(附录第28页)、以及当排除入院后出现症状的社区获得性感染时(附录第29页),伦敦队列的验证指标与主要分析相似。在院内感染病例中,4C Deterioration模型的C统计量略低于主要分析(0·73 [0·68至0·78]),尽管区分度仍高于其他候选模型,且大范围校准为0·32(0·12至0·53),提示院内感染参与者的基线风险升高(附录第28页)。使用替代多重插补方法以及采用更短和更长的院内感染时间定义重复分析,结果与主要分析相似(附录第14–19、30页)。在最终模型的连续变量中,血清C反应蛋白浓度是恶化最强的单变量预测因子(C统计量0·68 [0·66至0·69]),但区分度低于完整多变量模型(附录第31页)。

表1 研究队列的基线特征,按结局分层 查看原表 ↗
图1 最终模型中选定预测因子与结局之间的多变量关联变量选择在每个插补数据集中进行,在每个国家卫生服务体系区域内采用向后消除法(附录第5页)。黑线和黑点表示点估计值;红色阴影区域和误差条表示95% CI。 查看原图 ↗
图2 按国家卫生服务体系区域对选定模型进行内部–外部交叉验证虚线表示大范围校准(0)和校准斜率(1)的完美校准线。黑色方块表示点估计值;条表示95% CI;菱形表示随机效应荟萃分析的合并估计值(n=66 705)。 查看原图 ↗
表2 在保留的伦敦地区的验证性能 查看原表 ↗
图3 在保留的伦敦地区的校准和决策曲线分析(n=8239)(A)校准使用局部加权平滑(LOESS)在多重插补数据集上展示。(B)净获益使用LOESS展示每种候选模型与全部治疗和不治疗方法的比较。评分模型被重新校准至验证数据,导致这些模型的净获益估计偏于乐观。NEWS2=国家早期预警评分2。REMS=快速急诊医学评分。MEWS=改良早期预警评分。qSOFA=快速序贯器官衰竭评估。ACP=年龄和C反应蛋白。 查看原图 ↗
图4 4C恶化与4C死亡预测在伦敦验证队列(n=8239)和随机抽样的示例患者(n=10)中的比较。4C死亡概率由分值计算得出,基于原始验证数据中各分值对应的观察死亡风险。(A)平滑图反映局部估计散点图平滑拟合,按年龄分层(<50岁、50–69岁或≥70岁),在伦敦队列中(n=8239)。(B)从验证队列中随机抽取10例示例患者,按4C恶化模型预测值的十分位数分层。(C)每例示例参与者的特征,红色表示与较高风险预测相关的特征。M=男性。F=女性。N=否。Y=是。RA=呼吸室内空气。O2=接受氧疗。 查看原图 ↗

讨论

我们在74 944例连续住院的COVID-19成人患者中开发并验证了一个院内临床恶化预后模型,这些患者被纳入ISARIC4C研究,覆盖英格兰、苏格兰和威尔士的260家医院。最终模型整合了11项常规可获得的预测因子,拟用于社区获得性病例入院时或疑似医院获得性COVID-19首次评估时。内部-外部交叉验证显示,在各NHS区域中具有一致的区分度、校准度和净获益,并在留出的伦敦地区的进一步验证中得到确认。该模型提供概率输出,指示被评估个体发生该结局的可能性。这些预测将使临床医生能够客观评估恶化风险,从而为是否需要持续住院、考虑重症监护以及启动治疗药物等干预措施提供依据。重要的是,在所有NHS区域的广泛风险阈值范围内,4C恶化模型均比其他候选风险分层工具获得更高的净获益。因此,4C恶化模型具有很强的临床实用性和可推广潜力。

我们的4C恶化模型可以与先前报道的4C死亡率评分9一起以程序化方式实施。4C恶化预测与4C死亡率预测之间的协方差在性别或族裔方面无系统性差异,但在较年轻年龄组中减弱。因此,风险的不一致在年轻患者中最为明显。这一发现提示,发生恶化的年轻患者更可能通过入住高依赖病房或重症监护病房或通过通气支持而升级治疗,而发生恶化的老年患者更可能死亡。这些观察结果可能部分由与年龄相关的不同治疗升级决策所介导。此外,我们对在结局风险分布中随机选取的10例患者进行模型比较,举例说明了死亡风险相对较低但恶化风险为中至高度的病例。这些不一致凸显了需要针对临床恶化这一复合结局以及仅针对死亡率的平行预后模型。值得注意的是,4C恶化模型的区分度随着至结局事件时间的增加而略有下降,而4C死亡率模型的区分度则有所改善,这可能反映了大多数发生在入院3天以上的恶化事件为死亡,而较早的事件更可能是开始通气支持或进入高依赖病房或重症监护病房。因此,联合应用4C死亡率评分和4C恶化模型为临床医生提供了最佳方法,以预测所需的适当结局,从而为临床管理决策提供信息。

我们遵循TRIPOD标准11并保留连续变量而不进行任意分类,同时考虑非线性关联以避免信息丢失,从而克服了既往COVID-19预测模型6, 8的弱点。31此外,据我们所知,我们使用了迄今最大的数据集来开发和验证4C恶化模型,降低了因样本量不足而导致过拟合的风险。我们利用英格兰、苏格兰和威尔士九个NHS区域的广泛地理覆盖,通过内部-外部交叉验证探索模型性能的区域间异质性。32尽管区分度、校准斜率和净获益在很大程度上非常一致,但我们注意到大范围校准存在微小变异,提示区域间基线风险存在一定差异。我们将模型截距重新校准至每个NHS区域的方法显示了解决此类异质性的潜力,并可用于在风险随时间变化时(如实施新疗法)以及在不同人群中更新模型。尽管如此,净获益(在量化临床效用时考虑了模型区分度和校准度)在所有NHS区域和留出验证数据集中,即使未经重新校准,4C恶化模型也高于所有其他候选模型。即使与基于积分的模型进行比较也是如此,后者在决策曲线分析中可能因已针对验证数据集重新校准而获得过于乐观的性能。我们还采用了多重插补33这一缺失数据的最佳实践方法,并使用替代插补方法获得了一致的结果。

我们的4C恶化模型是在当前诊疗背景下开发并验证的;因此,预测结果应被解读为既反映基线风险,也反映通过院内干预可能实现的缓解。需要对4C恶化模型进行持续的前瞻性外部验证,以考虑时间校准的必要性34,并在ISARIC4C研究之外的其他国际环境中评估模型性能。尽管该模型在英格兰、威尔士和苏格兰表现出了一致的性能,但应优先在其他国家进行验证,以使其能够在国际上用于临床实施。我们已提供底层模型系数以实现这一目标。另一个局限性是,我们仅纳入了研究期间作为临床诊疗常规测量的一部分的预测因子,并规定这些预测因子必须在超过60%的人群中可用才能纳入分析。因此,我们无法评估包含乳酸脱氢酶或D-二聚体浓度等预测因子的候选模型,因为这些变量仅在一小部分参与者中可用。未来的研究可以考虑对被认为具有预后价值的实验室检测进行标准化采集,以便将这些变量纳入大规模的模型开发和验证。此外,我们注意到目前正在研究的新型分子生物标志物也可能具有预后价值。35ISARIC4C参与者的一个子集将可获得血液转录本、蛋白质和代谢物检测结果,并可在未来的研究中整合到风险分层工具中。

总之,我们提出了一种用于社区获得性或医院获得性COVID-19住院成人临床恶化的预后模型,并在英格兰、苏格兰和威尔士的九个NHS区域进行了验证。该模型使用易于获得的临床预测因子来预测院内恶化的概率,并将与我们先前报道的死亡风险评分9一起在线免费提供,以支持临床决策和治疗干预的患者分层。

数据共享

对ISARIC4C收集的所有数据和样本的访问由一个独立的数据和材料访问委员会控制,该委员会由研究资助方、学术界、临床医学、公共卫生和行业的代表组成。数据访问的申请流程可在ISARIC4C网站上获取。

参考来源

  1. Gupta RK, Harrison EM, Ho A, et al. Development and validation of the ISARIC 4C Deterioration model for adults hospitalised with COVID-19: a prospective cohort study. Lancet Respir Med. 2021. PMID: 33444539. doi:10.1016/S2213-2600(20)30559-2
  2. 全文:PMC7832571(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7832571/

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。