文献速递胸部CT

轻症向中重症COVID-19转变预测模型的开发与外部验证

Development and external validation of a prediction model for the transition from mild to moderate or severe form of COVID-19.
PubMed 文献 · Eur Radiol · 2023-07-05

本研究基于法国四家医院827例轻症COVID-19伴呼吸道症状患者,结合简单临床与生物学参数及初始胸部CT的定性、定量或影像组学数据建立预测模型,并在两家独立医院474例患者中外部验证。定性模型c-index为0.70(95%CI 0.63;0.77),加入CT定量提升至0.73(95%CI 0.67;0.79),影像组学提升至0.77(95%CI 0.71;0.83),两个验证队列结果相似。

要点

  • 定性CT联合临床与生物学参数可预测轻症COVID-19向中重症恶化,c-index为0.70(95%CI 0.63;0.77)。
  • 加入CT定量分析可将预测模型性能提升至c-index 0.73(95%CI 0.67;0.79)。
  • 影像组学分析使模型性能略提升至c-index 0.77(95%CI 0.71;0.83)。

核心结论

  • 在简单临床与生物学参数基础上加入CT定量或影像组学分析,较单独定性分析能更好地预测初始轻症COVID-19患者是否恶化。

研究设计与样本

  • 多中心预测模型开发与外部验证研究,开发队列来自法国4家医院共827例,外部验证队列来自2家独立医院共474例(平扫228例、增强246例)。
  • 纳入标准为≥18岁、因呼吸道症状行首次胸部平扫CT且高度疑似或符合COVID-19,并有RT-PCR或临床疑似诊断,CT时间在2020年3月1日至2021年5月5日之间。
  • 排除首次胸部CT时即为中重症(需氧疗≥3 L/min以维持SpO2>97%)或危重症(需无创/有创通气或气管插管)的患者。
  • 复合结局为胸部CT后30天内出现中度、重度(需氧疗>5 L/min以维持SpO2>97%)或危重COVID-19或死亡。
  • CT采集使用9种CT机型,采用法国放射学会标准化报告,包括5级严重程度评分和4级COVID-19风险分类。

关键影像表现/征象

  • 磨玻璃影见于805例(97.3%),病变范围轻度182例(22.0%)、中度389例(47.0%)、广泛200例(24.2%)、重度52例(6.3%)、危重4例(0.5%)。
  • 440例(53.2%)被分级为高度疑似COVID-19诊断,其余为符合。

诊断标准与关键数值

  • 定性模型(模型1)外部验证c-index:平扫队列0.70(95%CI 0.63;0.77),增强队列0.66(95%CI 0.59;0.72)。
  • 定量模型(模型2)外部验证c-index:平扫队列0.73(95%CI 0.67;0.80),增强队列0.72(95%CI 0.66;0.79),风险阈值0.49以达到开发队列特异度至少90%。
  • 影像组学模型(模型3)外部验证c-index:平扫队列0.77(95%CI 0.71;0.83),增强队列0.72(95%CI 0.66;0.79),风险阈值0.52以达到开发队列特异度至少90%。
  • 模型2较模型1的c-index提升为0.04(95%CI 0.01;0.07),模型3较模型1提升0.06(95%CI 0.03;0.10),模型3较模型2提升0.02(95%CI 0.00;0.05)未达显著。

临床应用与阅片要点

  • 作者认为该工具可能有助于医疗资源的公平使用,并筛选可能从新药中获益以预防COVID-19不良演变的患者。
  • 作者指出CT定量或影像组学分析联合简单临床与生物学参数,在判断初始轻症COVID-19患者是否恶化为中重症方面优于单独定性分析。

局限性

  • 原文未报告局限性。
全文中译20 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,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Jul 5;33(12):9262–74. doi: 10.1007/s00330-023-09759-x

引言

少数感染2019冠状病毒病(COVID-19)的患者会迅速进展为急性呼吸窘迫导致呼吸衰竭,短期死亡率较高[1]。然而,仅5%的COVID-19感染患者出现了这种不良演变[2]。尽管已有疫苗,大流行尚未结束,对于高危人群仍不能排除从轻中度向重度进展的可能[3]。然而,目前仍缺乏可靠的非重症COVID-19患者入院时的风险分层工具,尤其是在有呼吸道症状的患者中,这进一步加重了医疗系统的负担[4]。轻症患者通常在家康复[5],尤其是因为这些轻症COVID-19尚无完全证实有效的治疗来预防不良演变[6]。尽管如此,新的扩展性策略正在涌现以预防轻症向重症COVID-19的恶化[7],但并未区分可能恶化的特定人群。

胸部计算机断层扫描(CT)因其可及性和快速采集而广泛用于COVID-19肺炎的管理;在症状持续或出现新的紧急体征时仍然至关重要。除了在大流行最初几个月中用于早期诊断的作用外,CT在检测血栓栓塞等并发症方面具有关键作用[8],后者即使在轻症中也可能发生[9]。此外,已有报道胸部CT在评估COVID-19肺部异常范围方面具有预后价值[10, 11],而既往数据显示其可预测不良结局[12–14]。此外,结合影像数据人工智能(AI)分析的临床和生物学参数似乎能够识别COVID-19肺炎中具有不良结局的患者[15]。然而,大多数发表文献基于小队列或重症病例[16–18],且缺乏关于轻症COVID-19的数据,而轻症在临床上更为常见。

本多中心研究的目标是开发并验证临床预测模型,用于预测伴有呼吸道症状的轻症COVID-19患者从轻症进展为中重度或危重症COVID-19的风险,该模型结合简单的临床和生物学参数与初始胸部CT的定性或定量数据(包括影像组学)。该策略有助于识别尽管有呼吸道症状但SARS-CoV-2肺炎恶化风险低的患者。早期识别高危患者可能解决医疗资源合理使用这一重大问题,并有助于更好地筛选新的扩展性治疗以预防COVID-19的不良演变。

材料与方法

伦理考量

本研究按照国际指南开展,并于2020年6月18日获得国家伦理委员会批准(NCT04481620)。本研究遵循TRIPOD声明(推荐用于开发和验证预测模型)进行。研究数据使用波尔多大学医院托管的REDCap电子数据采集工具进行收集和管理[19]。

研究设计与参与者

在开发队列中(来自法国波尔多、格勒诺布尔和蒙彼利埃的3家大学医院以及波尔多的一家私立医院),患者符合条件的要求为:年龄至少18岁,因呼吸道症状首次接受未注射造影剂的胸部CT检查,且根据标准化的视觉分析,该CT结果导致对COVID-19高度怀疑或符合COVID-19。此外,患者在CT扫描时(2020年3月1日至2021年5月5日期间)应具备COVID-19的生物学诊断(RT-PCR)或临床怀疑(咳嗽和/或呼吸困难 and/or 发热和/或作为常规诊疗的一部分需要使用氧疗)(图S1)。排除标准为:在首次胸部CT检查当日,患者为中型或重型(定义为需要氧疗≥3 L/min才能使SpO2>97%)或危重型COVID-19(定义为需要无创或有创通气 and/or 气管插管)。在验证队列中(法国南锡和普瓦捷的大学医院),入选标准相似,不同之处在于半数患者的胸部CT接受了造影剂注射。

关注结局与预测因子

复合结局定义为胸部CT后30天内轻型COVID-19出现显著临床恶化,其判定标准为发生中型、重型(定义为需要氧疗>5 L/min才能使SpO2>97%)或危重型COVID-19或死亡[20]。临床和生物学候选预测因子选自文献综述[8, 11, 21–23],并从电子病历中提取:年龄、性别、吸烟、症状出现以来经过的时间,以及任何既往存在的心血管合并症,如冠状动脉疾病、高血压、糖尿病、肥胖、呼吸系统疾病(COPD或间质性肺病)或免疫抑制。临床和生物学参数在CT扫描后24小时时间窗内收集。

验证队列

我们对模型进行了内部验证,并在一个独立验证队列中估计了其性能。验证队列的一半(n=228)使用2020年3月19日至2021年1月28日期间纳入的接受未注射造影剂CT扫描的参与者。另一半(n=246)纳入2020年3月23日至2021年4月23日期间接受注射造影剂CT扫描的参与者(图S1)。

胸部CT

CT在9种CT型号上采集(表S1,补充数据)。法国放射学会(https://ebulletin.radiologie.fr/comptes-rendus-covid-19)提出的标准化报告在各参与中心的法国放射科医师中被广泛使用。该报告包括一个5级严重程度评分(0%=无;<10%=轻度;10–25%=中度;25–50%=范围较广;50–75%=重度;>75%=危重)和一个4点量表用于对COVID-19风险进行分类:高度怀疑、符合、不怀疑和正常。报告了COVID-19肺部病变的不同模式及其分布(磨玻璃影、实变和铺路石征)[24, 25]。

CT定量评估

使用西门子医疗(Siemens Healthineers)的基于人工智能的胸部CT分析软件工具(syngo.via CT Pneumonia Analysis原型,版本1.0.4.2)评估COVID-19的严重程度。该工具基于卷积神经网络自动分割肺/肺叶并勾画肺部磨玻璃影和实变影,该网络使用由专家放射科医师手动标注的数据进行训练[26]。如有需要,可手动调整肺分割。低衰减区定义为低于-950 HU(LAA-950)。

CT的影像组学分析

在提取影像组学特征之前,使用PyRadiomics将图像重采样至1 mm × 1 mm × 1 mm网格[27]。使用scikit-learn框架中的RobustScaler对特征进行预处理、协调和归一化缩放[31],该方法去除中位数并根据分位数范围对数据进行缩放。

然后,从每位患者的CT中,使用PyRadiomics在每位患者的两个不同感兴趣区(ROI)上提取两组影像组学特征:COVID-19病灶和不包括COVID-19部分的肺区域。对于每个ROI,我们共提取了107个影像组学特征——箱宽为34——分别对应一阶(n = 18)、形状(n = 14)和二阶(灰度共生矩阵,与邻居距离为1个体素;灰度游程长度矩阵;邻域灰度差矩阵;灰度区域长度矩阵,n = 75)影像组学特征组。在开发队列中,通过在重复(n = 30)十折交叉验证[28]上c-index指标的平均值来选择最佳模型(即预处理、筛选、过采样、模型方法的链条)。随后在整个队列上重新训练完整流程,并用于在验证队列上获得预测。在提取前对图像施加了额外滤波器(高斯拉普拉斯滤波器,sigma = 2 mm),从每个ROI额外获得186个特征。由于这些额外特征未显著改善结果,我们选择在分析中舍弃它们。因此,每张CT共提取了214个影像组学特征。

还进行了消融研究以探究不同组影像特征的重要性。结果展示在验证集的两个队列中(表S5)。“病灶影像组学”仅考虑从病灶提取的影像组学特征集(107个特征);“病灶 + 肺影像组学”考虑从病灶和肺实质提取的影像组学特征(214个特征);“完整影像组学”是使用完整影像特征集以及临床和生物学特征(226个特征)获得的模型。

统计分析

开发队列的样本量使用Riley及其同事的方法计算[29]。我们假设30天内显著临床恶化的发生率为20%;在轻型COVID-19中[1, 2],临床预测模型纳入16个参数,预期Harrell's c-index为0.78(Nagelkerke's R2为0.25)。所得样本量至少为826例患者。对于外部验证,按照Vergouwe的建议[30],我们旨在为每个验证队列至少招募一百例临床恶化事件。

开发了三种临床预测模型,将临床和生物学因素与复杂度递增的影像学参数相结合:基于CT视觉评估的5级严重程度评分(模型1或定性模型);CT上磨玻璃影、实变和低衰减区域的定量评估(模型2或定量模型);影像组学特征(模型3),其中在COVID病灶和肺ROI中,从开发队列单因素分析中每个经典影像组学类别(基于形状的特征、一阶强度特征和二阶强度特征)里各选择6个最佳特征,每组2个特征。此外,我们预先将实变百分比定义为模型中拟保留的关注特征。

预测模型的开发基于逻辑回归模型,其响应变量由上述关注结局定义。结局和预测变量的缺失数据(表S2)已适当处理(补充数据)。

临床预测模型的预测性能在独立研究中心招募的参与者样本上进行评估(外部验证)。最后,为估计临床预测模型的敏感性、特异性和预测值,我们使用开发过程中每个插补数据集中计算出的阈值中位数对结局概率进行二分类,以获得最低期望特异性0.90,用于选择患者以避免不必要的住院/治疗。

机器学习模型的开发与探索

我们使用机器学习算法评估了更大一组影像组学特征的预测能力。它们在开发队列上使用重复交叉验证进行训练。模型选择在开发队列上进行,其性能在验证队列中评估。计算使用Python在Scikit-learn平台[31]上运行。特征选择:首先,使用Spearman秩相关计算特征之间的两两相关性。当两个特征高度相关(相关系数>0.95)时,删除后一个特征(列事先随机打乱,未观察到性能的显著变化)。然后,我们保留单因素分析中最好的50个特征(该过程对每个交叉验证折单独进行,每个折可能产生不同的所选特征集)。

结果

开发队列的基线特征和结局

开发队列共纳入827名参与者(图1)。研究人口统计学资料见表1和表S3。简言之,平均年龄为65.5 [IQR 54; 79]岁;男性495名(59.9%),中位BMI为27.4 [23; 30] kg/m2,从首次症状到CT的中位时间为6 [2; 10]天。合并症主要为高血压(373,45.1%)、肥胖(178,21.7%)和糖尿病(170,20.6%)。哮喘和COPD分别影响9.3%和8.5%的人群。461名(64.8%)参与者在急性期报告了阳性RT-PCR。平均淋巴细胞水平为1.16 ± 1.35 G/L,CRP为86 ± 82 mg/L。CT特征分布如下:磨玻璃影影响805名(97.3%)。疑似COVID-19病变的范围为轻度(182,22.0%)、中度(389,47.0%)、广泛(200,24.2%)、严重(52,6.3%)或危重(4,0.5%)。最后,440名(53.2%)参与者被分级为高度怀疑COVID-19诊断,其余为符合。

在212名(28.4%)参与者中观察到显著的临床恶化(表S2)。重型和危重型分别发生于105名(14.1%)和46名(6.2%)参与者。30天死亡率为9.3%,从COVID-19诊断起的平均时间为11.5(± 8.8)天(表1)。

图1 PREDICT-COVID在验证队列(A)和开发队列中的流程图,包括非增强CT扫描(B)和增强CT扫描(C)。CT,计算机断层扫描 查看原图 ↗
表1 开发队列和验证队列中的患者特征 查看原表 ↗

外部验证队列的基线特征和结局

从两个独立中心共纳入474名患者进入外部验证队列(228名患者接受非增强CT,246名接受增强CT,图1)。如表1所示,临床特征相似,例外的是男性较少、两个验证队列中肥胖率较高以及接受增强扫描的验证队列中偶吸烟者较多。非增强验证队列中90名(40.5%)参与者和增强验证队列中102名(41.8%)参与者发生了显著的临床恶化。非增强验证队列的30天死亡率为16.3%,增强验证队列为7.4%(表1)。

定性模型(模型1)的性能

模型1(表5和S8)显示出良好的整体内部和外部验证性能。该模型的乐观校正c指数为0.68(95% CI 0.62; 0.71)。两个外部验证队列的区分度相似:非增强扫描队列的c指数为0.70(95% CI 0.63; 0.77),增强扫描队列为0.66(95% CI 0.59; 0.72)(表2,图2)。图2 C和D显示了预测模型的校准图。

表2 模型在内部和外部验证队列中的性能。区分性能使用受试者工作特征曲线下面积和截距测量 查看原表 ↗
图2 定性模型(模型1)、定量模型(模型2)和影像组学模型(模型3)的性能,通过c指数表示评估,(A)为非增强CT扫描,(B)为增强CT扫描。还研究了非增强CT扫描(C)和增强CT扫描(D)预测模型的校准。CT,计算机断层扫描 查看原图 ↗

定量模型(模型2)的性能

使用CT定量(表5和S8)将临床预测模型的区分度提高至c指数0.72(95% CI,0.67;0.74)。从模型1到模型2的改善为0.04(95% CI,0.01;0.07)。在两个外部验证队列中区分度相似:非增强扫描的c指数为0.73(95% CI 0.67;0.80),增强扫描为0.72(95% CI 0.66;0.79)(表2,图2)。

在开发队列中选择风险阈值0.49以达到至少90%的特异度[6, 7]。在验证队列中使用该阈值识别高风险人群时,与模型1相比,在增强扫描队列中敏感度和阴性预测值改善(分别为0.23,95% CI:0.14;0.32和0.07,95% CI:0.02;0.11),但特异度降低(− 0.09,95% CI:− 0.16;− 0.03)(表S4)。预测因素与结局的校正关联详见表5。

模型3的表现

除实变百分比外,还选择了六个影像组学特征(即形状组中病灶体积和肺部ROI的形状球形度,一阶组中病灶和肺部ROI的一阶_能量,以及二阶组中病灶ROI的gldm_依赖熵、肺部ROI的ngtdm_繁忙度,使用pyradiomics规范名称)。使用这6个选定的影像组学特征替代CT扫描对磨玻璃影和低衰减区的定量(表5和S8,图S2)略微改善了预测模型的区分度(乐观校正c指数0.74,95% CI:0.69;0.76)。从模型1到模型3的改善为0.06(95% CI,0.03;0.10)。然而,从模型2到模型3的改善不显著,为0.02(95% CI,0.00;0.05)。在两个外部验证队列中区分度一致,尽管在增强扫描患者中略低:非增强扫描的c指数为0.77(95% CI 0.71;0.83),增强扫描为0.72(95% CI 0.66;0.79)(表2,图2)。

同样,在开发队列中选择风险阈值0.52以达到至少90%的特异度。在非增强扫描队列中,与模型1和模型2相比,敏感度和阴性预测值改善(分别为0.17,95% CI:0.07;0.27,0.06,95% CI:0.01;0.11,0.17,95% CI:0.08;0.27和0.04,95% CI:0.01;0.09),但与模型2相比特异度降低(− 0.08,95% CI:− 0.15;− 0.02)。在增强扫描队列中,与模型1相比敏感度增加(0.10,95% CI:0.00;0.23),而与模型2相比敏感度降低(− 0.12,95% CI:− 0.20;− 0.05)且特异度增加(0.08,95% CI:0.03;0.14)(表S4)。

机器学习模型的表现

使用开发队列,我们选择了产生最佳平均c指数的流程(插补、特征选择、过采样分类)(表3、表S6)。我们仅展示通过单因素分析后取前50个最佳特征、取固定百分位数的特征、或保留PCA的第一批主成分进行特征选择的结果,其c指数较差或相似。我们在整个开发队列上重新训练了最佳选择的流程。我们为预测选择了一个阈值,以在开发队列中达到至少90%的特异度。我们获得的c指数与开发队列的c指数相似,这可能提示该模型具有良好的泛化能力(表4)。为分析多中心变异性,我们还在开发队列的每个中心上评估了结果,无显著差异(表S7)。消融研究(表S5)表明,除病灶的影像特征外,考虑实质的影像特征是有价值的。然而该模型的结果略差于模型3(表5)。

表3 在开发队列上使用各种机器学习流程(插补、特征选择、过采样分类)获得的结果。我们选择了在30次重复十折交叉验证中平均c指数最佳的模型 查看原表 ↗
表4 机器学习模型在两个验证队列上的性能。预测的截断值被选定以确保在开发队列上特异度高于0.9 查看原表 ↗
表5 在模型1、2和3中各预测因子与结局的关联 查看原表 ↗

讨论

虽然COVID-19大流行尚未结束,但通过开发易于使用的预测模型来识别轻度COVID-19中有恶化风险的患者,仍然是一个重大问题,尤其是对于潜在的新患者管理策略。在此,定性CT扫描分析结合简单的临床和生物学参数可以预测轻度COVID-19肺炎的恶化,c指数为0.70。使用CT扫描定量可将预测模型的区分度提高至0.73,影像组学数据可提高至0.77。在两个外部验证队列中,未注射和注射CT扫描的区分度相似。我们还定义了具有高特异度的阈值,以避免假阳性发现,从而优化医疗资源和/或筛查将接受新治疗选择的患者。

有人可能会认为对临床恶化的预测可能令人失望。然而,在更严重的COVID-19人群中,类似数据在预测第14天向危重形式临床恶化方面达到了相同的性能,c指数从0.70(95% CI 0.68; 0.72)到0.78(95% CI 0.74; 0.82)不等[11, 32]。即使加入血液和生理参数,预后性能也仅适度改善了区分度(c指数 = 0.735;95% CI 0.715; 0.75)[21]。最近,Davies等人开发了一个模型来预测住院期间需要强化氧疗的情况,包括七个临床和生物学变量[22]。然而,与我们的研究相反,该模型缺少在外部队列上的验证,可能导致结果被高估。Kamran等人开发了另一个基于九项临床特征的模型,其c指数达到0.80(95% CI 0.77; 0.84)。在外部中心验证时性能一致[23]。然而,与大多数已发表研究类似,这些患者均需要住院,比本研究选取的患者更为严重,这可能解释了这些差异[14, 33]。此外,我们还决定选择易于获取的临床和生物学数据,以提高我们的模型在未来应用中的可行性。尽管在不同COVID-19流行波次期间管理和治疗发生了时间上的变化,预测性能仍保持一致。在验证队列中的应用表明,该工具可以指导临床医生的决策,包括治疗升级。

大多数已报道的预测评分均建立在住院队列之上,其病情形式比我们的队列更为严重,此外还使用大量在常规中未系统记录的参数[8, 21–23]。我们特别关注仅纳入轻型COVID-19,并在我们的预测模型中使用简单的临床和生物学参数以及胸部CT数据。事实上,CT除了可以排除血栓栓塞并发症外,还可能对COVID向中/重型形式的进展具有预测价值,有助于新策略的开发。

本研究的一个优势是比较了两个验证队列的性能:第一个为非增强CT扫描患者,第二个为增强CT扫描患者。有趣的是,两个外部验证队列中的区分性能相似。我们仅注意到放射组学模型的区分性能有所下降。这些结果很重要,因为鉴于血栓栓塞风险[8],目前推荐使用增强扫描,而血栓栓塞即使在轻型COVID-19中也可能发生[9],这将有助于将我们的预测模型外推至更大的真实世界队列。

必须考虑到基于其降低28天死亡率的作用,皮质类固醇在重型COVID-19患者中被频繁使用[34, 35],在较轻型中也是如此[36]。事实上,验证队列中的患者更多地接受了皮质类固醇治疗,因为他们是在大流行较晚阶段纳入的(图S1)。尽管COVID-19的治疗管理有所改善,我们的模型的预测性能仍然相似,这支持了该模型的稳健性。

与先前发表的数据[15]相反,人工智能增强成像以及临床和生物学信息并未显著提高识别不良结局患者的能力。直接比较较为困难,因为我们使用了不同的数据集。在真实世界环境中实施之前,使用独立数据集进行外部验证至关重要,本研究已进行了此项验证。此外,我们通过控制有效的临床终点,尽可能避免了不透明的机器学习算法黑箱模型。

局限性

首先,其他在标准实践中并非总能获得的临床和生物学特征[21–23]已被描述为不良结局的预测因素,尽管是在重症COVID-19人群中。因此,我们决定不将所有这些参数纳入我们的预测模型,该模型聚焦于门诊患者。其次,COVID-19的生物学确认并非系统性可获得,35%的患者没有初始阳性RT-PCR。这可能对我們的评估产生了负面影响,因为若干RT-PCR阴性但CT表现阳性的患者被认为患有COVID-19。然而,这一局限性反映了真实世界中的情况,即在门诊患者中并未系统性地进行RT-PCR检测。此外,先前数据显示,首次RT-PCR检测阴性的患者在死亡率或住院时间方面并无差异[37]。此外,我们选择了扫描上具有高度疑似或兼容病变的患者。尽管这些模型在五个不同中心表现出一致的性能,但我们模型的持续性能将需要在免疫调节药物[7, 38]和COVID-19疫苗日益部署以及新出现的SARS-CoV-2变异株的背景下进行评估。

结论

预测轻至中度临床恶化的模型是在五家不同医院为应对COVID-19大流行而开发的,并在外部进行了应用,且在不同医疗中心表现良好,显示出其作为优化医疗资源和选择高危患者接受新治疗策略工具的潜力。定性CT扫描分析结合简单的临床和生物学参数可以预测COVID-19肺炎的恶化。使用CT扫描定量或影像组学提高了该预测模型的性能。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 614 KB)

引用

  1. Zysman M, Asselineau J, Saut O, et al. Development and external validation of a prediction model for the transition from mild to moderate or severe form of COVID-19. Eur Radiol. 2023. PMID: 37405504. doi:10.1007/s00330-023-09759-x
  2. 全文:PMC10667132(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10667132/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。