維持性血液透析患者重癥新型冠狀病毒感染發病風險感知與客觀估算風險模型的構建*

邱琳蕊 陳梅梅

福建省龍巖人民醫院腎病學科,福建省龍巖市 364000

新型冠狀病毒感染(Corona virus disease 2019,COVID-19)是一種急性呼吸道傳染病,因其傳播范圍廣、傳播速度快、傳染性強、病情進展迅速等特點已成為全球公共衛生緊急事件,嚴重威脅人類生命健康。受頻繁醫療暴露與尿毒癥內環境影響,維持性血液透析(Maintenance hemodialysis,MHD)患者免疫力低下,對抗感染的能力較低,易成為COVID-19感染的高危人群。據研究報道[1],MHD患者COVID-19患病率約2%,遠超過健康人群的0.5%。因此,MHD患者COVID-19的感染防控至關重要。近年來關于MHD患者確診COVID-19的報道方向主要集中在相關因素和治療現狀方面,雖取得了一定成就,但對相關風險的個體化、定量化預測仍未形成突破。列線圖是一種由求解數學方程演變而來的圖形計算工具,它將變量的取值和可視化的函數繪制在同一平面上,現已被臨床廣泛應用于數據的分析和風險預測[2]。本研究擬在探討MHD患者發生重癥COVID-19感染危險因素的基礎上構建列線圖,旨在制定更為規范的診療方案。

1 資料與方法

1.1 一般資料 回顧性選取2020年1月—2022年1月我院收治的258例MHD確診COVID-19患者為研究對象。本研究已通過醫院倫理委員會審批。(1)納入標準:①完成規律性透析月齡>3個月;②年齡>18歲;③采用低分子肝素或普通肝素抗凝治療;④確診COVID-19[3];⑤患者或家屬簽署知情同意書。(2)排除標準:①精神障礙者;②妊娠期或哺乳期女性;③接受過腎臟移植或腹膜透析治療;④合并惡性腫瘤者;⑤數據缺失者;⑥同時參與其他研究者。

1.2 研究方法 通過醫院電子病歷系統收集資料,主要包括一般人口學資料與疾病相關資料等。

1.3 COVID-19臨床分型[3](1)輕型:臨床癥狀輕微,肺部影像無肺炎表現。(2)普通型:有發熱、呼吸道癥狀等,肺部影像有肺炎表現。(3)重型:①呼吸≥30次/min;②靜息狀態下,指脈氧飽和度≤ 93%;③動脈血氧分壓/吸氧濃度≤ 300mmHg(1mmHg=0.133kPa);④24～48h內肺部影像學顯示病灶進展>50%。(4)危重型:①休克;②呼吸衰竭;③合并其他器官功能衰竭。上述(3)(4)中的特征符合任何一條均可確診。本研究將輕型與普通型合并為非重癥組,將重型與危重型合并為重癥組。

2 結果

2.1 重型與危重型檢出率 本文258例MHD確診COVID-19患者,有53例為重型與危重型,檢出率為20.54%。

2.2 兩組患者一般資料分析 兩組BMI、空腹血糖水平、血小板計數、血C反應蛋白水平、淋巴細胞百分比、谷草轉氨酶水平、肌酸激酶同工酶水平比較差異有統計學意義(P<0.05),見表1。

表1 258例MHD確診COVID-19患者臨床一般資料比較

2.3 MHD患者發生重癥COVID-19危險因素的Logistic回歸分析 以單因素分析篩選(P<0.05)的7個因素為自變量,以出現重癥為因變量,見表2,結果顯示,BMI增高、空腹血糖水平增高、血小板計數減少、血C反應蛋白水平增高、淋巴細胞百分比下降、谷草轉氨酶水平增高、肌酸激酶同工酶水平增高是MHD患者發生重癥COVID-19的獨立危險因素(P<0.05),見表3。

表2 變量賦值表

表3 二元Logistic回歸分析

2.4 MHD患者發生重癥COVID-19風險列線圖模型的建立、評價和驗證

2.4.1 MHD患者發生重癥COVID-19風險列線圖模型的建立。將7項危險因素單獨列出并以評分的形式量化,建立MHD患者重癥COVID-19風險列線圖模型,見圖1。

圖1 預測MHD患者發生重癥COVID-19風險列線圖模型

2.4.2 MHD患者發生重癥COVID-19風險列線圖模型的評價和驗證。模型的內部驗證采用Bootstrap自抽樣法評估,其中C-index為0.983(95%CI:0.977～0.989),接近于1,證實模型區分度較好;模型的校準度采用圖形校準法和Hosmer-Lemeshow(H-L)擬合優度檢驗評估,見圖2,校正曲線趨近于理想曲線,證實預測準確性良好,此外,H-L擬合優度檢驗結果為 χ2=12.436,P=0.078,證實模型擬合效果較好;內部驗證ROC曲線下面積為0.857,見圖3,證實模型預測效能較好。

圖2 模型校正曲線驗證

圖3 模型ROC曲線驗證

3 討論

血液透析需要在醫療機構進行,透析中心是人員集中的醫療場所,流動性和聚集性較強,感染防控受到限制,同時在透析過程中涉及血液接觸,存在一定的傳播風險。此外,MHD患者通常伴有免疫系統的功能缺陷或調節失衡,這使得他們對病原體感染的抵抗能力較弱,更容易感染COVID-19病毒,并且導致感染后癥狀更加嚴重。重癥COVID-19患者病情往往會突然暴發性進展,造成死亡率增加,有數據顯示,新冠疫情期間高鉀血癥、心腦血管并發癥是造成MHD患者死亡的主要原因,說明在此期間維持必要的透析劑量至關重要。故本文建立MHD患者重癥COVID-19發生風險列線圖模型,有助于轉變醫務人員的視角,開始有側重、有目的地防控,實現現代醫療的早發現、早預防理念,從而提高醫療資源的利用效率,為醫務人員減負。

本文篩選出了BMI增高、空腹血糖水平增高、血小板計數減少、血C反應蛋白水平增高、淋巴細胞百分比下降、谷草轉氨酶水平增高、肌酸激酶同工酶水平增高是MHD患者發生重癥COVID-19的獨立危險因素。(1)BMI增高:本文表明BMI增高的MHD患者COVID-19重癥檢出率是其降低患者的1.649倍,證實BMI增高是MHD患者發生COVID-19重癥的危險因素,與沈夢媛等[4]研究結論相似。COVID-19病毒感染引起的炎癥反應對呼吸系統可造成巨大影響,會進一步加劇心肺系統負荷,而高BMI者過多的脂肪沉積在胸部和腹部區域,對肺部的擴張和呼吸運動造成限制,導致肺活量減少和通氣功能異常,進而增加呼吸衰竭的風險。(2)空腹血糖水平增高:本文表明空腹血糖水平增高的MHD患者COVID-19重癥檢出率是其降低患者的5.852倍,證實空腹血糖水平增高是MHD患者發生COVID-19重癥的危險因素,與Bode等[5]研究結論相似。究其原因,高血糖狀態下會損傷免疫系統功能,抑制炎癥反應和抗病毒能力,降低機體對病原體的防御能力,使MHD患者更容易感染COVID-19病毒。此外,高血糖會引發慢性炎癥,提高病毒進一步侵襲機體的風險,并且可能導致炎癥反應失控,造成更嚴重的病情。(3)血小板計數減少:本文表明血小板計數減少的MHD患者COVID-19重癥檢出率是其升高患者的0.990倍,證實MHD患者COVID-19病情嚴重程度與血小板減少程度呈線性相關,與胡凱等[6]研究結論相似。血小板不僅具有止血功能,同時還是炎性因子,激活血小板功能后釋放炎性因子會加重感染,甚至誘發多器官功能障礙。(4)血C反應蛋白水平增高:本文表明血C反應蛋白水平增高的MHD患者COVID-19重癥檢出率是其降低患者的1.164倍,證實MHD患者COVID-19病情嚴重程度與血C反應蛋白水平呈線性相關,與李勇等[7]研究結論相似。C反應蛋白為急性時相反應蛋白,在機體出現感染時可迅速作出反應,廣泛應用于肺炎的療效評估中,也同樣在病毒感染的評估中發揮著重要價值,CRP水平升高說明病毒感染后機體內出現了大量炎癥反應,往往預后不良。(5)淋巴細胞百分比下降:本文表明淋巴細胞百分比下降的MHD患者COVID-19重癥檢出率是其上升患者的0.761倍,證實淋巴細胞百分比下降是MHD患者發生COVID-19重癥的危險因素,與郭祈福等[8]研究結論相似。淋巴細胞的主要作用為細胞免疫、體液免疫和直接殺傷,對抵抗病毒侵襲發揮著重要作用,淋巴細胞百分比下降容易被COVID-19病毒感染。(6)谷草轉氨酶水平增高:本文表明谷草轉氨酶水平增高的MHD患者COVID-19重癥檢出率是其下降患者的1.610倍,證實谷草轉氨酶水平增高是MHD患者發生COVID-19重癥的危險因素,與劉川等[9]研究結論相似。谷草轉氨酶是反映肝功能的重要預測指標。肝臟在免疫系統中扮演重要角色,包括清除病原體、合成免疫細胞所需的蛋白質等。當肝功能受損時,免疫系統功能受到影響,從而降低機體對抗病毒的能力,更容易感染COVID-19病毒。(7)肌酸激酶同工酶水平增高:本文表明肌酸激酶同工酶水平增高的MHD患者COVID-19重癥檢出率是其下降患者的1.335倍,證實肌酸激酶同工酶水平增高是MHD患者發生COVID-19重癥的危險因素,與魏超霞等[10]研究結論相似。肌酸激酶同工酶在心肌損傷的酶學檢測中有著較高的特異度,常用于預測心肌損傷。羅晶晶等[11]報道,除呼吸道癥狀外,部分COVID-19患者也會出現心悸、胸痛、胸悶等心血管系統癥狀。大量文獻報道[12-14],感染COVID-19可出現不同程度的心肌損傷,從而提高心肌細胞釋放的肌酸激酶同工酶、谷草轉氨酶水平、乳酸脫氫酶水平,重癥COVID-19患者的心臟損傷的風險為22.2%～31%。

列線圖是一種將風險因素轉化為連續評分系統的圖形統計工具,使數據之間的對比更加直觀明確,精準計算出單個MHD患者發生重癥COVID-19風險程度,有利于臨床人員制定更規范的治療方案和危險因素控制措施[15]。此外,列線圖模型的變量獲取簡單、便捷,均可通過臨床一般資料、相關檢查指標篩選,這為預測MHD患者發生重癥COVID-19提供了大量非常有價值的信息,使本研究構建的列線圖預測模型更為科學。列線圖模型提供了關聯性強、強調信息變化和趨勢、更直觀的數據比較以及增強可視化效果等優勢,使列線圖模型成為分析和決策支持的有力工具,從而提高醫療資源的利用效率,為醫護人員減負。但本模型中變量仍納入不全面,也未能進行模型外部驗證,這也為后續的研究提供了新的探索方向。

綜上所述,本文構建的列線圖預測模型準確性較高、臨床實用性好,有助于推動個體化醫療發展。