前沿研究丨COVID-19患者临床结局改善可能性的预测列线图模型
本文选自中国工程院院刊《Engineering》网络首发文章
作者：谢娇娇，石鼎，鲍明阳，胡潇逸，吴文瑞，盛吉芳，徐凯进，王清，吴静静，王恺岑，方戴琼，李雅婷，李兰娟
来源：
Jiaojiao Xie, Ding Shi, Mingyang Bao, Xiaoyi Hu, Wenrui Wu, Jifang Sheng, Kaijin Xu, Qing Wang, Jingjing Wu, Kaicen Wang, Daiqiong Fang, Yating Li, Lanjuan Li. A Predictive Nomogram for Predicting Improved Clinical Outcome Probability in Patients with COVID-19 in Zhejiang Province, China. Engineering 2020.
https://doi.org/10.1016/j.eng.2020.05.014.
导语
近日，浙江大学李兰娟院士课题组基于新冠肺炎患者的临床数据，科学地构建了一个可用于早期预测新冠肺炎患者预后的、定量的列线图模型。作为临床决策工具之一，列线图模型的构建对于临床工作具有重要的指导意义。这项成果能够将成功抗击新冠肺炎的诊疗经验准确、有效地分享给其他国家，助力抗击疫情。
该列线图模型的C指数为0.962（95％CI，0.931–0.993）；通过重复抽样验证，C指数仍可达0.948。列线图的校准曲线与理想模型相比，有类似的预测性能；决策曲线及临床影响曲线则显示其在临床上具有实用性。构建这一列线图模型有助于临床医生预测每位新冠肺炎患者临床结局改善的可能性，以及个性化咨询和治疗。相关研究成果近期发表于中国工程院院刊《Engineering》。
研究方法
本研究纳入104例患者，收集其入院时、入院后4天、7天、14天、出院时等一系列详细临床数据，包括一般资料（身高、体重、年龄等）、症状与体征、流行病学史、并发症、实验室检查结果、胸部CT扫描结果等。
根据患者情况是否好转，分为好转组和未好转组，并对两组患者的上述数据进行分析。通过LASSO logistics回归、 多因素Cox回归，筛选出五个预测指标，在此基础上建立列线图模型并利用校准曲线、决策曲线和临床影响曲线进行评价。
图1 研究方法图
研究结果
1. 归纳患者基本情况
本研究纳入104例患者，中位年龄为55岁，约60％的患者为男性。从症状发作到诊断的中位持续时间为5天。
根据患者动态变化，将75例患者纳入好转组，29例症状加重的患者，归入未好转组。与好转组患者相比，未好转组患者的APACHE II评分明显更高；年龄更大；氧合指数（PaO2:FIO2）显著更低；C反应蛋白（CRP）、降钙素原（PCT）、白介素-6（IL-6）及白介素-10（IL-10）显著更高，并且远高于正常范围的上限。但是，两组患者在症状上没有显著差异。
2. 确定相关因素
基于临床症状、体征、实验室检查结果等变量，该研究利用LASSO Logistics回归筛选出11个预测变量。经过多因素Cox回归逐步筛选，包括免疫球蛋白A（IgA）、CRP、肌酸激酶（CK）和APACHE II在内的模型达到了最小Akaike信息准则（AIC），表明达到了最佳拟合。相互作用分析结果表明，CK和APACHE II之间存在相互作用关系。在此基础上，IgA、CRP、CK、APACHE II以及CK与APACHE II之间的相互作用被确定为预后指标。
3.建立预测模型
基于上述五个预后指标，建立了列线图模型。临床医生可以使用定量方法来预测每位COVID-19患者预后改善的可能性，总分越高，患者预后改善的可能性就越大（图2）。该模型的C指数为0.962（95％CI，0.931–0.993），通过重复抽样的校正值为0.948，这表明该模型具有良好的预测能力。校准曲线也表明，与理想模型相比，列线图具有类似的预测性能（图3）。此外，由决策曲线得知，如果患者的阈值概率小于88％，则在当前研究中使用该列线图进行预测比“所有患者干预方案”或“无干预方案”增加的收益更大。这表明其在临床应用上具有很大的潜在可能性（图4）。在临床影响曲线上，预测了1000个样本的改善可能性的分层（图5）。当阈值概率大于0.2时，预测的改善数接近实际改善的病例数。
图2 预测COVID-19患者预后改善可能性的列线图
图3 列线图的校准曲线
图4 列线图的决策曲线
图5 列线图的临床影响曲线
结语
当前新冠疫情在部分国家、地区仍未得到有效控制的情况下，通过症状、体征、实验室检查结果等指标在早期对患者进行预判并作出治疗选择，十分必要。该研究的内容和数据可作为参考。
此外，以新冠肺炎临床预测模型为基础建立列线图的相关研究正在相继发表，但侧重各有不同，例如以人工智能为基础的预测模型、以新的评分系统（CALL评分）预测进展的模型、以死亡为临床结局的危险因素预测模型等。高质量的临床预测模型在临床决策中具有重要的参考价值。希望相关的临床数据都能被充分挖掘，助力抗击新冠肺炎，争取早日战胜此次疫情。
撰稿丨谢娇娇、鲍明阳
审核丨李兰娟
编校丨吴佳明
注：本文内容呈现形式略有调整，若需可查看原文。
改编原文：
Jiaojiao Xie, Ding Shi, Mingyang Bao, Xiaoyi Hu, Wenrui Wu, Jifang Sheng, Kaijin Xu, Qing Wang, Jingjing Wu, Kaicen Wang, Daiqiong Fang, Yating Li, Lanjuan Li. A Predictive Nomogram for Predicting Improved Clinical Outcome Probability in Patients with COVID-19 in Zhejiang Province, China. Engineering 2020. https://doi.org/10.1016/j.eng.2020.05.014.
作者介绍
李兰娟，感染病（传染病）学家，中国工程院院士。
从事传染病临床、科研和教学工作40余年，擅长各类肝炎、感染性疾病、新发突发传染病诊治，尤其是肝衰竭、病毒性肝炎、肝病微生态研究。作为我国人工肝开拓者，创建独特有效的李氏人工肝支持系统治疗重型肝炎获重大突破。首次提出感染微生态学理论，从微生态角度来审视感染的发生、发展和结局，为感染防治提供了崭新的思路，还从基因的角度首次揭示肠道菌群与肝硬化的秘密。
☟ 如需阅读全文，请扫描二维码或点击文末“阅读原文”
☟ 更多“新冠专题”文章阅读，请扫描二维码查看
☟ 更多相关阅读，请点击以下链接查看
点击图片阅读丨前沿研究：动物疫病防控专题
中国工程院院刊
工程造福人类
科技开创未来
微信公众号ID ：CAE-Engineering
注：论文反映的是研究成果进展，不代表《中国工程科学》杂志社的观点。