论文部分内容阅读
第一部分:基于入院时中性粒细胞与淋巴细胞比值预测COVID-19患者死亡风险目的:分析并筛选与COVID-19住院患者死亡最相关的基线血常规指标,构建基于入院时的单个指标预测COVID-19患者死亡风险的预测模型。方法:我们回顾性地分析了来自湖北省21家医院的12862例COVID-19病例,并将其随机地平均分配至一个训练集队列和一个验证集队列。通过Cox回归和LASSO Cox回归模型在训练集中评价10个血常规指标与60天全因死亡率的关系,筛选与死亡最为相关的血常规指标。构建该指标的Cox比例风险回归模型,通过受试者工作特征曲线下面积（AUROC）评估该指标对死亡风险的预测能力。通过最大约登指数确定该指标在入院时区分患者死亡风险的最佳截点。同时在验证集中对该指标的预测能力进行验证。结果:Cox回归和LASSO Cox回归分析结果表明,淋巴细胞计数降低和中性粒细胞计数升高是与训练集队列的60天全因死亡率最为相关的两个变量。我们进一步构建了这两个指标的综合变量,即中性粒细胞与淋巴细胞比值（Neutrophil to lymphocyte ratio,NLR）的Cox回归模型。NLR的AUROC为0.89（95%CI,0.87-0.91）,高于单独的淋巴细胞计数或中性粒细胞计数的AUROC。通过最大约登指数确定NLR=6.11为区分COVID-19患者死亡风险的最佳截点。NLR在验证集队列中也展现了良好的预测性能,AUROC为0.86（95%CI,0.84-0.88）。结论:本研究表明入院时的NLR是一个非常实用且经济的能够预测COVID-19患者死亡风险的指标。基于单个指标对COVID-19死亡风险的预测将有助于一线临床医生快速地对患者进行危险分层,从而优化医疗资源的配置。第二部分:基于住院期间多个血常规指标的时序数据构建COVID-19死亡风险评分目的:基于住院期间重复测量的血常规检查数据构建一个高灵敏度的风险评分来动态预测COVID-19患者在住院期间不同时间点的死亡风险。方法:本研究是一项回顾性队列研究,纳入了来自中国湖北省和意大利米兰共13138名COVID-19住院患者。其中9810名来自湖北省并至少有两次血常规记录的患者被分配至训练集队列中,用于构建预测模型。将血常规参数作为预测COVID-19全因死亡的候选危险因素,并采用广义线性混合模型（Generalized linear mixed model,GLMM）对其进行筛选。结果:GLMM筛选得到5个危险因素,包括血小板计数（Platelet counts）、年龄（Age）、白细胞计数（White blood cell counts）、中性粒细胞计数（Neutrophil counts）和中性粒细胞与淋巴细胞比值（NLR）。利用Cox比例风险回归模型构建基于这5个危险因素的预测模型,并得到一个综合评分,即PAWNN评分。PAWNN评分在训练集10倍交叉验证（AUROCs 0.92-0.93）、不同四分位数随访间隔的数据集（AUROCs 0.89-0.94）及伴有不同合并症的子集中均展现了良好的预测准确性。PAWNN评分的预测能力在2949名来自湖北省且只有一次血常规记录的患者（AUROC 0.97）以及227名来自意大利且只有基线血常规记录的患者（AUROC 0.80）中得到了进一步的验证。潜在马尔可夫模型（Latent Markov model,LMM）发现了三种潜在的COVID-19疾病状态,而PAWNN评分是这些潜在疾病状态的一个显著特征。PAWNN评分对不同疾病状态间的跃迁概率有较好的预测能力。结论:PAWNN评分是一种简单准确的风险评估工具,可以预测COVID-19患者在整个住院期间不同时间点的死亡风险。这一工具可以帮助临床医生优化对COVID-19住院患者的管理,对于医疗资源有限的欠发达地区尤为适用。第三部分:基于基线危险因素预测COVID-19患者死亡的风险评分目的:构建一种高灵敏度且临床适用的风险评分,能在入院时识别出具有较高的死亡风险的COVID-19患者。该模型将帮助一线临床医生在有限的医疗资源下优化对COVID-19患者的治疗。方法:来自武汉市7家医院的6415名COVID-19患者被分配至训练集和测试集队列。来自武汉市另外3家医院的6351名COVID-19患者、来自武汉市以外湖北地区的11家医院的2169名患者和来自意大利米兰的553名患者被分配到三个独立的验证队列中。共有64个入院时的候选临床变量进入变量筛选流程,采用随机森林和LASSO回归分析方法对变量进行筛选。结果:经过筛选,共有8个基线临床变量与COVID-19患者的死亡风险显著相关,分别是血氧饱和度（Oxygen saturation）、血尿素氮（blood Urea nitrogen）、呼吸频率（Respiratory rate）、在该国最大单日新增病例日前入院（admission before the date when the national Maximum number of daily new cases was reached）、年龄（Age）、降钙素原（Procalcitonin）、C反应蛋白（C-reactive protein）和中性粒细胞计数绝对值（absolute Neutrophil counts）。基于这8个危险因素,我们构建了一个综合评分,命名为OURMAPCN评分。该评分在训练集中预测COVID-19患者死亡风险的C统计量为0.92（95%CI 0.90-0.93）。相比于OURMAPCN评分≤11分的患者,评分＞11分的患者全因死亡风险显著增加（HR 18.18,95%CI 13.93-23.71;P＜0.0001）。评分的预测准确性、特异度和敏感度在三个独立的验证队列中得到了进一步验证。结论:OURMAPCN评分是一个基于有限的基线危险因素预测COVID-19患者死亡风险的评估工具。该工具可以帮助临床医生在医疗资源有限的情况下优化COVID-19患者的临床管理。