文摘

评估患者的住院时间(LOS)冠状病毒病2019 (COVID-19)肺炎有助于优化医院病床、医疗资源的利用效率,缓解医疗资源短缺。回顾性队列研究的97名患者进行了在北京你安医院之间的1月21日,2020年,2020年3月21日。多变量Cox比例风险回归基于最小Akaike信息准则值用于选择人口和临床变量构造一个列线图。歧视,接受者操作特征曲线下面积(AUC),校准,用来评估kaplan - meier曲线与生存率较诺模图模型。洛杉矶的中值为13天(四分位范围(差):10 - 18)。年龄、丙氨酸转氨酶、肺炎、血小板计数,和PF (PaO比例2/ FiO2)包含在最终的模型。列线图的c指数为0.76 ( ),和AUC是0.88 ( )。调整c指数为0.75 ( )和调整AUC 0.86 ( ),两个1000年之后引导内部交叉验证。野蔷薇的分数为0.11 ( )和调整荆棘得分为0.130分( )对校准曲线显示良好的协议。洛杉矶的列线图的AUC值10,20日和30天是0.79 ( ),0.89 ( ),和0.96 ( ),分别和高分数的诺模图模型表示住院的概率很高。这些结果证实了计算图表模型准确地预测患者的洛杉矶COVID-19。我们开发和验证一个诺模图,包含了五个洛杉矶的独立预测指标。如果在未来的大型队列研究,验证该模型有助于优化放电策略和,因此,缩短洛COVID-19患者。

1。介绍

冠状病毒(x)是单链RNA病毒的一个大家庭,和beta-CoVs造成国际新兴呼吸道疾病的暴发,包括严重急性呼吸系统综合症冠状病毒(2003年冠(1,2)和中东呼吸道syndrome-CoV (MERS-CoV)在2012年[3]。2019年12月,一本小说严重急性呼吸系统综合症冠状病毒2 (SARS-CoV-2)感染2019年武汉导致冠状病毒病(COVID-19),在174个国家拥有超过290000例确诊病例,大约12000人死亡(截止2020年3月21日)4,5]。传染病疫情导致医院床位的需求大幅增加,医疗设备的短缺,以及可能的医务人员医院感染。根据临床情况的患者,医生可以评估住院的长度(洛杉矶),这有助于缓解医疗资源短缺。最近的一项研究报告一个模型包括5个变量,即原降钙素、心率、武汉旅游历史,淋巴细胞计数,和咳嗽来预测长期洛(> 14天)6]。然而,模型只能预测洛杉矶是否> 14天。然而,“武汉旅游历史”的外推应用这个模型变量有限,因为COVID-19流行已经消除了在武汉的城市。

我们进行了一项回顾性队列研究临床特征之间的治愈出院患者确诊COVID-19感染1月21日,2020年3月21日,2020年,在北京。我们应用Cox比例风险回归分析——(LOS)事件(放电)的数据,这是能够提供个性化的预测估计时间感兴趣的事件。本研究旨在描述内部的临床特征,开发和验证一个预测估计《COVID-19患者的诺模图。

2。材料和方法

2.1。群建设

这是一个单中心回顾性队列研究连续招收COVID-19肺炎患者年龄超过18年在北京你安医院接受治疗之间的1月21日,2020年,2020年3月21日。所有COVID-19肺炎患者诊断和分类根据新的冠状病毒肺炎的诊断和治疗计划(试用版6日在中国)由国家健康委员会中华人民共和国(http://www.nhc.gov.cn/)。本研究经伦理委员会批准的北京国安医院,并从所有患者知情同意了。

2.2。成果和协变量的选择

主要结果是洛杉矶,它被定义为在天从住院到出院,被认为是“事件= 1”在考克斯分析。在两周内重新接纳被认为是长期的洛杉矶,从第一个住院一天开始计算。死前放电也被视为长期的洛杉矶,估计为800天(超过最长的洛杉矶)和审查在考克斯与“事件= 0”分析。患者入院后24小时内到医院去世的考克斯被排除在分析。所有患者随访至少6个月后放电。

我们收集的基线数据,包括人口特征(年龄、性别、和共病疾病),流行病学史、实验室检测(生化指标、血常规测试、c反应蛋白和胸片或计算机断层扫描(CT)扫描),治疗和结果数据。从电子医疗记录系统中提取数据,实验室信息系统和图像存档和通信系统。

2.3。统计分析

提出了连续和分类变量(差)和中位数和四分位范围 分别(%)。我们使用确切概率法或卡方检验和Mann-Whitney 测试使群体间的比较三组的受试者。向后逐步方法基于最小Akaike信息准则(AIC)值选择不被包括在应用Cox比例风险模型。

但是诺模图中使用了“rms” 包中。时间下的面积接受者操作特征(ROC)曲线获得了使用“生存中华民国”包。哈勒尔的c指数(一致性统计,或C-statistic)被用来评估列线图的预测能力。Bias-corrected校准使用引导方法与1000年重新取样用于内部验证的诺模图。基于每个变量的分数,总分为每个病人可以计算使用的“派克”包 。five-covariate组合的合适的分数是用于分层患者使用生存率较kaplan meier曲线分析比较住院的概率在不同群体中,和“survminer”包在这方面应用。统计分析使用 版本操作。扩展包,包括“ggplot2”、“外国”和“出口”,也被使用。

3所示。结果

3.1。患者人群

共有102名患者被诊断出患有COVID-19之间1月21日,2020年3月21日,2020年,在北京你西安医院治疗。一个病人去世后24 h和四个18岁以下的被排除在分析之外。因此,共有97名患者,其中84(86.6%)排放和13个未偿清的患者(包括四个死者和四个重新接纳病人),包含在本研究(图1(一))。至少6个月后的随访中放电后,没有死亡。基线人口统计学特征研究群体展示在表1。研究患者的平均年龄为51.51岁(IQR: 38 - 64),和42.3%都是男性。主要结果是洛杉矶,洛杉矶中值为13天(IQR: 10 - 18)。《COVID-19肺炎出院病人的分布如图1 (b)。

(一)
(一)
(b)
(b)
图1
(一)流程图的病人登记表。(b)的分布COVID-19肺炎出院病人的住院时间。
表1
汇总统计病人人口和临床特征(洛杉矶的四分位数)。

《随着年龄的增加,三组间有显著差异。中性粒细胞的百分比,百分比的淋巴细胞,platelet-to-lymphocyte比率(PLR), neutrophil-to-lymphocyte比率(NLR)三组(所有中明显不同 )。与正常的ALT和AST水平( )在第三组( )显著低于其他组( 和 ,分别)。肌红蛋白和乳酸水平在第三组( )明显高于其他组( 和 ,分别)。

3.2。洛在单变量和多变量分析的独立预测指标

我们评估了使用Cox比例风险回归洛杉矶。老年(≥50年),高水平的ALT和AST ( ),重要和严重肺炎,高水平的肌红蛋白(≥100μg / L)显著增加长洛(所有的机会 )。相比之下,女性性、高血小板计数( ),淋巴细胞计数(高 ),高PF比率(≥300毫米汞柱),逐步增加肾小球滤过率明显与短洛(所有有关 )。的其他独立危险因素单变量分析如表所示2。

表2
在COVID-19肺炎预后因素与洛杉矶。

落后的消除和模型选择基于AIC后,年龄( ; , ),肺炎( , , ),ALT ( , , ),PF比( , , ),和血小板计数( , , )包含在最终的模型(最小AIC值= 600.81)发展的诺模图(表吗2)。

3.3。发展和内部验证LOS-Predicting列线图

五个独立相关的风险因素被用来形成一个洛杉矶risk-estimating列线图(图2(一个))。的诺模图展示了良好的精度估算住院的概率,与c指数的值0.76 ( )和0.88 (AUC )(图2 (b))。模型的overfit估计通过应用引导内部验证方法。调整c指数为0.75 ( )和调整AUC 0.86 ( )1000年之后引导crossvalidation迭代(图2 (c)),它代表了bias-corrected估计模型的性能在未来和计算图表展示了良好的预测精度。野蔷薇的分数为0.11 ( )和调整荆棘得分为0.13分( )预测概率之间的校准曲线展示了良好的协议由诺模图和实际住院治疗(图的状态2 (c))。

(一)
(一)
(b)
(b)
(c)
(c)
图2
诺模图及其预测准确性和歧视的能力。(a)的概率估计的计算图表COVID-19肺炎住院患者。接受者操作特性曲线(b)的诺模图。(c)预测之间的校准曲线显示优惠协议的诺模图和实际观测。引导crossvalidation调整值计算的方法,重复1000次。ALT:丙氨酸转氨酶;PF:比PaO2/ FiO2比率。

最后,时间ROC曲线下的面积被用来验证的能力列线图歧视病人出院在10、20和30天的住院。列线图的AUC值10,20日和30天是0.79 ( ),0.89 ( ),和0.96 ( ),分别(图3(一个))。荆棘分数校准曲线的诺模图10,20和30天为0.16 ( ),0.10 ( ),和0.06 ( ),分别(图3 (b))。kaplan meier曲线与生存率较也表明,高符合分数计算图表模型表明长期住院的概率培训组(图3 (c),log-rank )。这些结果证实了计算图表模型准确地预测患者的洛杉矶COVID-19。

(一)
(一)
(b)
(b)
(c)
(c)
图3
接受者操作特征曲线显示时间曲线下面积(AUC)值(红色),10点20(蓝色),(a)和30(黑)天。荆棘分数校准曲线的诺模图(红色),10点20(蓝色),(b)和30(黑)天。kaplan meier曲线比较住院的概率在不同的患者群体中,分层的配合得分five-covariate诺模图模型(c)。 使用生存率较值计算。

4所示。讨论

COVID-19已成为一个世界性的大流行;目前,感染者每天不断大幅增加的数量在世界上大多数国家。根据患者临床资料,医生可以评估他们的滞留时间。它有利于优化医院病床、医疗资源的利用效率,缓解医疗资源短缺。

在这个回顾性队列研究中,我们发现,洛中值为13天(IQR: 10 - 18)。年龄、ALT、PF比率、肺炎、独立和血小板计数与洛COVID-19患者,他们包括在最终的诺模图。预后模型演示了一个更高的预测精度和预测10 -区别的能力,20 - 30天洛杉矶COVID-19-infected患者。此外,诺模图展示了良好的歧视和性能优越在内部验证。配合得分高的诺模图模型表示住院的概率很高。这些结果证实了计算图表模型准确地预测患者的洛杉矶COVID-19。

年龄是一个重要的独立预测死亡率(7]。类似的结果SARS (1,8),即(9]。细胞免疫和体液免疫功能明显下降的老年病人。与此同时,在老年患者细胞因子和趋化因子信号传导网络改变;2型细胞因子的反应往往是更敏感比1型(10),和T细胞产生il - 4的比例,引发,il - 10随着年龄的增加11]。在这些情况下,病毒复制和更持久的促炎反应没有控制。冠和MERS-CoV感染,不受控制的感应的促炎细胞因子导致发病和疾病严重程度(12]。几天后COVID-19感染,病人呈现症状如发热、咳嗽、痰、呕吐和腹泻,他们在医院诊断和治疗。发烧(≥37.3°C)是一个初始重要事件整体免疫反应(13];然而,它在单变量分析与洛杉矶没有显著相关。

血小板是第一道防线的一部分对lung-specific条目SARS-CoV-2 [14),以及患者血小板计数,最低死亡率与血小板减少(15]。改善血小板计数可能表明临床改善。监测血小板计数无疑是有利于临床医生在稀有资源环境中,实验室检查的机会可能是有限的;然而,全血计数可能相对容易(15,16]。

急性呼吸窘迫综合征(ARDS),特点是血氧不足的 ,由于COVID-19是死亡的主要原因。ARDS是一种异构的临床综合征,由不受控制的机械诱导COVID-19病毒复制和宿主细胞因子风暴。COVID-19具有独特的ARDS特征在医学成像和被报告为一个变量在几个诊断研究。人工智能是一个诊断工具,结合多种成像模式,包括肺CT、胸片和肺超声波(17]。因此,人工智能辅助我们全面解释临床和multiomics ARDS患者的数据,它可能是有利的在ARDS患者将来的管理个人治疗计划(18]。

对我们的研究有一定的局限性。第一,这是一个单中心回顾性队列研究涉及大约四分之一的COVID-19病人在北京3月21日,2020年。这并不代表整个COVID-19治疗或洛杉矶。其次,由于低死亡率(5/102),本研究无法生存的危险因素进行分析。第三,由于回顾性队列设计、实验室检测并不表现为所有的细胞因子。例如,interferon-inducible protein-10和il - 6的分泌是非典的预测因素19]和COVID-19 [7]结果,分别;然而,他们被排除在外。

5。结论

我们成功地开发和验证一个诺模图,包含五个洛杉矶的独立预测指标。提供了一个未来,大样本量队列研究,用于验证模型,它可能是有用的在优化放电策略,从而缩短洛COVID-19患者。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由国家重点支持的研究和开发项目(格兰特数字2020 yfe0202400和2020 yfc0841700),中国初级卫生保健基础知识-西安的基础肝病和你安医院AIDS-Scientific研究项目(格兰特数字ccmu - 2020和bjyayy yc - 2020 - 01),资本基金的健康改善和研究(格兰特号码cfh2020 - 1 - 2182)和北京重点实验室(格兰特BZ0373数量)。