HBV相關慢加急性肝衰竭并發細菌感染的預測模型的構建

鄭惠芳 林升龍 鄭嵩 黃雨欣 肖珊穎 葉子杰 林明華 高海兵

慢加急性肝衰竭患者肝功能嚴重損傷，免疫防御功能低下，并發感染后進一步加重肝功能衰竭，使病情持續惡化，形成惡性循環[1]。因此有效地預測HBV-ACLF患者發生細菌感染并降低發生率，對于改善HBV-ACLF患者的預后，提高生存率和生存質量有著重要意義。目前關于早期預測感染發生和發展、準確判斷預后、指導治療的評價體系的研究較少。本研究收集HBV-ACLF患者的資料，對其臨床特征進行分析，探討HBV-ACLF患者并發細菌感染的危險因素，并構建預測模型。

資料與方法

一、一般資料

納入2015年1月至2018年12月在福建醫科大學孟超肝膽醫院住院治療、資料完整、出院診斷為HBV-ACLF的患者255例，診斷及臨床分型按《肝衰竭診治指南(2018年版)》[2]，其中男198例，女57例，合并細菌感染者203例(79.6%)，年齡(48.7±13.1)歲。

二、納入標準和排除標準

細菌感染診斷標準：有明確病原學證據(血、尿、腹水、糞便、胸水或分泌物等細菌培養陽性)者，或病原微生物學培養陰性，但臨床上有可疑感染灶的相應癥狀和體征，發熱、外周血白細胞總數和(或)中性粒細胞升高，以及肺部X線、CT等影像學檢查提示有感染者[3-5]。排除標準：年齡<18歲，合并HAV、HCV、HDV或HEV感染，甲狀腺功能亢進或甲狀腺功能減退，各種惡性腫瘤，急性胰腺炎，HIV 感染，真菌感染，結核感染，自身免疫性疾病，嚴重腎、心功能不全，長期免疫抑制劑治療者(包括器官移植后患者)，長期酗酒，重大手術，確診2 d內發生細菌感染，妊娠以及資料不全的患者。本研究通過福建醫科大學孟超肝膽醫院醫學倫理委員會審核批準(科審2020_099_ 01)。

三、研究方法

采用回顧性隊列研究方法，通過查閱患者的電子病歷和檢驗報告單獲取患者的臨床信息，應用Microsoft Excel 2016軟件建立病史及隨訪資料數據庫，摘錄患者流行病學資料、臨床特征、入院后確診肝衰竭的2 d內的實驗室指標(血常規、生化和凝血功能、CRP及PCT等)及并發癥，確診2 d后發生細菌感染為臨床終點事件。

四、統計學分析

采用開源統計軟件R語言(4.0.3)進行統計分析。不符合正態分布的計量資料以M(P25，P75)表示；經單因素分析后選取差異有統計學意義的相關變量應用logistic回歸法構建預測模型；進一步對模型進行診斷，分別采用樣條函數分析納入變量的線性關系，Cook距離分析強影響點以及方差膨脹系數分析變量間的多重共線性；采用受試者工作特征曲線下面積(AUC)和校正曲線分析模型的預測效能；采用Bootstrap法對模型進行內部驗證；最后制作列線圖展示模型。P<0.05為差異有統計學意義。

結 果

一、兩組患者臨床特征比較

比較HBV-ACLF并發細菌感染和無細菌感染患者的基線指標，結果顯示年齡、白蛋白、膽堿酯酶、總膽紅素、直接膽紅素、總膽固醇、前白蛋白、血鈉、凝血酶原時間、凝血酶原活動度、國際標準化比值、部分凝血活酶時間、纖維蛋白原、白細胞、中性粒細胞、血紅蛋白、CRP、降鈣素原和并發肝性腦病差異均有統計學意義(P<0.05)。見表1。

表1 兩組患者基線指標比較

二、預測模型的建立

采用lasso回歸分析HBV-ACLF患者發生細菌感染的影響因素,最優lambda值通過交叉驗證來確定，折疊次數為10次，見圖1。選取lambda.1se的值為0.049 290，篩選得到年齡、基線DBil、CHE、 PT、APTT、CRP和是否伴有HE等7個變量是HBV-ACLF患者并發細菌感染的危險因素(P<0.05)，建立回歸方程為： logistic(p)= -7.1733 + 0.0495×AGE + 0.4107×ln(DBil)-0.0002×CHE + 0.0350×PT + 0.0610×APTT + 0.5212×ln(CRP) + 1.3582×(HE = 1 or 0)。其中年齡(OR=1.05, 95%CI:1.02～1.09)、DBil(OR=1.51, 95%CI:1.06～2.17)、CRP(OR=1.68, 95%CI:1.11～2.62)和HE(OR=3.88, 95%CI:1.37～14.10)為獨立危險因素。logistic回歸方差參數見表2。基于logistic 回歸模型的結果構建列線圖如圖2，根據總分即可在列線圖上找到所對應的感染發生概率。

表2 logistic回歸方差參數

圖1 log(λ)值與變量數目對應走勢

圖2 預測HBV-ACLF患者發生細菌感染概率列線圖

三、模型的診斷

對納入模型的變量進行線性分析，見圖3，各變量基本成單調線性分布且各變量離散程度與所得分布也較為契合。同時對本次模型構建所采納的255例患者樣本進行影響因子分析，如圖4所示各樣本Cook值均小于1，提示所用樣本中不存在對結果有巨大影響的點，說明本模型可信度較高。年齡、DBil、CHE、PT、APTT、CRP進行共線性分析，結果中方差膨脹因子(variance inflation factor, VIF)年齡(VIF = 1.27)、DBil(VIF = 1.42)、CHE(VIF = 1.10)、PT(VIF = 1.72)、APTT(VIF = 1.76)、CRP(VIF = 1.15)和HE(VIF = 1.01)全部小于5，說明logistic回歸模型不存在多重共線性問題，模型構建良好。

圖3 變量參數的線性分析

圖4 模型的影響因子分析

四、新建預測模型與其他模型預測能力的比較

采用AUC評估本模型與分別單獨運用CRP和PCT對HBV-ACLF患者發生細菌感染預測的準確性。ROC曲線顯示如圖5，新建模型的AUC(0.851)>CRP的AUC(0.719)>PCT的AUC(0.655)，提示新建模型預測HBV-ACLF患者發生細菌感染的價值高于CRP和PCT。當約登指數取最大值時，預測模型的截斷值為0.83，特異度為84.62%，靈敏度為69.49%。

圖5

五、預測模型的驗證

采用Hosmer-Lemeshow test分析模型的擬合程度(圖6)，所擬合的直線與參考線基本接近，說明該預測模型的校準度較高。通過Bootstrap采樣對新建模型進行100次內部校準(圖7)，驗證集中的模型表現與訓練集(模型的粗表現)基本一致，得到的預測值能夠較好地代表實際值。

圖6 HBV-ACLF患者發生細菌感染預測模型校準圖

圖7 驗證集與訓練集的校正曲線

討 論

HBV-ACLF是一種復雜的臨床綜合征，并發感染后病死率極高[6-7]。早期判斷病情進展和積極治療對改善HBV-ACLF患者預后十分重要。HBV-ACLF患者發生細菌感染通常是由多種因素相互作用所致。本研究通過lasso回歸法篩選得到7個影響HBV-ACLF患者發生感染的變量，即年齡、DBil、CHE、PT、APTT、CRP和HE。

本研究結果說明年齡對HBV-ACLF患者并發細菌感染有影響，與胡正翠等[8]研究認為年齡是HBV-ACLF發生肺部感染的危險因素之一的結論相符。HBV-ACLF患者肝臟受損，肝細胞腫大，肝臟內合成的DBil不能排入膽道進行排泄，容易導致患者出現高DBil血癥。一些學者發現高膽紅素血癥(特別是與其他肝功能檢查不相稱的DBil升高)與兒童和成人的菌血癥及其他嚴重感染有關[9]。 本研究也發現高DBil血癥的HBV-ACLF患者更易發生細菌感染。于佳等[10]發現HBV患者病情越嚴重，血清中CHE活性越低，患者肝臟儲備功能受損越嚴重。本研究提示患者血清CHE水平是HBV-ACLF患者并發細菌感染的危險因素之一。有研究發現，肺炎患者的 CHE 含量明顯下降，并將CHE作為評估肺部感染嚴重程度的重要指標[11，12]。本研究表明，PT和APTT的延長是HBV-ACLF患者并發細菌感染的高危因素。ACLF并發感染的患者常常伴有凝血功能紊亂，這是因為肝功能衰竭時，凝血因子合成減少和缺乏導致PT和APTT的延長[13]。譚麗俊等[14]研究表明凝血功能紊亂與炎癥反應共同促進了危重癥嬰幼兒感染的加重。本研究表明CRP增高提醒HBV-ACLF患者有存在感染的可能。CRP是一種重要的非特異性急性期蛋白，由肝臟合成并釋放入血，其代謝產生的活性氧可誘導細胞內氧化應激，從而激活NF-κB；與補體C1q結合并通過經典途徑激活補體系統，刺激機體釋放炎癥介質加劇炎癥反應，因而CRP的檢測常被用于監測慢性炎癥性疾病的治療效果，是臨床上判斷炎癥的常用敏感指標[15-18]。儲怡星等[19]發現，細菌性感染患者的CRP水平與病情密切相關，凡是治愈或好轉者CRP可從高水平恢復至正常水平，與本研究結果相似。HE是嚴重肝病并發的一種以代謝紊亂為基礎的中樞神經系統功能性失調的綜合征[20]。本研究結果表明，HBV-ACLF并發HE的患者要比沒有HE的患者更易發生細菌感染。臧紅等[21]研究發現，HE是誘發ACLF 患者感染的危險因素，HE患者發生感染的風險是無HE患者的2.083倍。

本研究采用lasso-logistic回歸方法，從影響HBV-ACLF患者并發細菌感染的因素中排除混雜因素，并在R語言的基礎上構建了HBV-ACLF患者并發細菌感染的預測模型。通過對模型的ROC曲線、校正曲線、內部檢驗的分析，提高了該模型對預測HBV-ACLF合并感染發生風險的可靠性。運用列線圖中的7個危險因素計算感染發生概率，可量化估計肝功能狀態以及細菌感染程度，預測HBV-ACLF患者并發細菌感染的風險。

本研究仍有不足之處:①樣本量較小，且為單中心數據,需進一步擴大病例數,包括相同等級醫院的病例;②部分重要數據存在較多缺失值，模型插補存在一定隨機性；③缺乏外部數據驗證，對建立的列線圖模型只采用內部驗證法，模型的預測作用有待進一步證實，日后可以進行不同時間維度的補充，提高模型可信度。

綜上所述，HBV-ACLF患者的年齡越大、基線高DBil血癥、低CHE水平、PT延長、APTT延長、CRP升高和確診2 d內發生HE是HBV-ACLF發生細菌感染的危險因素，根據這七項危險因素構建的模型對HBV-ACLF患者并發細菌感染事件具有良好的預測效能。