研究背景年12月，中国武汉出现一种未知的肺炎，即新型冠状病毒肺炎(COVID-19)，是由严重急性呼吸道综合征冠状病毒2(SARS-CoV-2)引起的。新冠肺炎疫情发生以来，已在中国及全球范围内蔓延，发病率和死亡率较高。随着这场大流行的发展，公共卫生受到极大威胁，世界各地的医疗保健系统面临巨大压力。疫苗开发的进展为潜在的预防疾病带来了希望。然而，临床治疗仍缺乏有效的药物。尽早预测患者预后有助于识别预后不良的高风险患者，对这些患者可给予积极的支持性治疗，以改善其预后。因此，建立疗效可靠的预测模型对COVID-19的临床管理具有重要意义。最近，许多模型或因素被提出来预测COVID-19确诊患者的严重程度或生存。例如，一项研究报告称，COVID-19重症患者的中性粒细胞与淋巴细胞比率(NLR)往往更高，而另一项研究表明，监测血小板与淋巴细胞比率(PLR)对COVID-19患者的管理具有有益影响。氨基末端脑钠肽前体(NT-proBNP)的增加也被发现与COVID-19的疾病严重相关。然而，这些研究大多只探讨了这些指标对疾病严重程度的预测价值，对其对COVID-19患者预后的预测价值的探讨较少。此外，这些研究的样本量通常相对较小。这些因素或模型的预测价值有待验证，其临床实用性有待检验。研究路线研究内容1、入选COVID-19患者的症状和共病情况作者回顾性研究了年1月至3医院的患者。所有招募的患者均对咽喉拭子标本进行核酸检测证实为阳性，并有明确的出院或死亡记录。本研究患者中位年龄为61岁(IQR,53-70岁)，男性患者例(47.8%)。总体队列中大多数患者发热(83.0%)、咳嗽(66.9%)；例患者呼吸急促(34.4%)；少数患者头痛(24.9%)、咽喉痛(22.5%)和腹泻(22.3%)；高血压(；26.6%)是最常见的并发疾病，其次是糖尿病(14.2%)；而冠心病、慢性肾脏疾病、慢性阻塞性肺疾病和癌症分别占总患者的6.4%、2.5%、1.9%和1.6%。作者随机将名患者(60%)分配到训练队列，将名患者(40%)分配到验证队列。两组间大多数特征无显著差异(P值均大于0.05)。2、患者入院后的化验结果在整个队列中，实验室检测结果异常患者比例为：淋巴细胞计数减少(49.8%)、中性粒细胞计数增加(22.9%)、白细胞计数增加(23.6%)、活化部分凝血活酶时间延长(24.6%)和凝血酶原时间延长(28.9%)。总共有67.5%的患者d-二聚体增加。炎症生物标志物如乳糖脱氢酶、c反应蛋白和白介素水平在超过一半的患者中存在升高。在训练和验证队列中观察到的结果相似。3、患者的治疗和预后抗病毒治疗(70.2%)是COVID-19住院患者最常用的治疗方法，其次是氧疗(68.7%)。抗病毒药物包括洛匹那韦-利托那韦、奥司他韦和瑞德西韦。氧疗以氧气吸入法(65.1%)和机械通气(3.6%)为主。63.1%、27.1%和23.6%的患者分别进行了抗生素、糖皮质激素和静脉注射免疫球蛋白治疗。在整个队列中有例死亡，例患者在治疗后出院。4、COVID-19住院患者生存的预后因素分析年龄、性别、症状(包括：发烧、咳嗽、气短、头痛、喉咙痛、腹泻、恶心、呕吐)、慢性疾病(包括：肾病、癌症、高血压、糖尿病、慢性阻塞性肺疾病和冠心病)的数据和实验室结果(包括：NLR、PLR、血红蛋白、活化部分凝血酶原时间、凝血酶原时间、d-二聚体、白蛋白、丙氨酸转氨酶、天冬氨酸转氨酶、血尿素氮、肌酐、乳糖脱氢酶、c反应蛋白、NT-proBNP、降钙素原和白细胞介素-6)被认为是影响住院患者生存的潜在预后因素，并被纳入LASSO回归分析。结果表明，当最优λ值为0.时，训练队列中患者的年龄、癌症、高血压、冠心病、NLR、NT-proBNP、白蛋白、C反应蛋白和磷酸肌酸与患者的住院生存相关。这些因素随后纳入多变量Cox回归分析，结果表明，高血压、NLR、NT-proBNP是影响COVID-19住院患者生存的独立预后因素。伴有高血压、高NLR、NT-proBNP升高的患者预后较差，而无高血压、NLR和NT-proBNP值较低的患者预后较好。
5、列线图的构建和验证
3个独立预后因素(高血压、NLR和NT-proBNP)被合并建立预测模型，用于预测的14和21天的住院生存概率。最后进行仅包含3个预测因子的Cox回归分析，以验证模型中各预测因子的回归系数和风险率。使用nomogram使模型可视化，假设有一个的高血压患者，入院时NLR为4.0，NT-proBNP为pg/mL。通过垂直红线得出高血压分0分，NLR分22分，NT-proBNP分36分。该患者的总积分加起来为58，这大约代表14天和21天的生存概率分别为0.75和0.62。通过c-统计量、AUC和图形校准来评估该列线图的性能。训练队列预测模型c-统计量为0.，验证队列预测模型c-统计量为0.。随后，作者分别绘制了训练组和验证组在14天和21天生存率的ROC曲线，得出AUC值。在训练队列中，预测14天和21天生存的AUC分别为0.和0.，在验证队列中，AUC分别为0.和0.，表明模型具有较高的辨识度。图形校准法也显示预测的生存概率与实际生存概率的非常吻合，表明模型的校准良好。为了进一步评估模型性能的通用性，作者在训练队列中对模型进行了10倍交叉验证。C-统计量的交叉验证的均值和标准差为0.、0.，预测14天和21天的AUC值和标准差分别为0.、0.和0.、0.，表明模型性能稳定、良好。
6、NLR、PLR、NT-proBNP和模型的比较
既往研究报道了NLR、PLR和NT-proBNP对COVID-19患者疾病严重程度的预测价值，但鲜有报道它们与COVID-19患者生存的相关性。作者将纳入高血压、NLR和NT-proBNP的模型与分别纳入PLR、NLR和NT-proBNP的模型在预测生存方面的性能进行了比较。结果表明，PLR对生存的预后价值有限。与PLR或NT-proBNP相比，NLR对14天和21天的生存显示出更高的C-统计量和AUC。然而，根据AUC和C-统计量，它在训练和验证队列中的表现都没有新模型好，这表明新模型在预测COVID-19患者生存方面优于其他3个单独的模型。
研究结论作者建立了预测COVID-19住院患者生存的预后模型和列线图，并证明具有良好的识别性和校准性，可以在入院时就预测结果，有助于COVID-19患者的临床管理。参考文献Dong,Yi-Min;Sun,Jia;Li().DevelopmentandValidationofaNomogramforAssessingSurvivalinPatientswithCOVID-19Pneumonia.ClinicalInfectiousDiseases,(),ciaa–.doi:10./cid/ciaa更多精彩服务请
转载请注明：http://www.naoznz.com/xemxyy/6574.html
