《Diagnostics》:Integrating Anti-SARS-CoV-2 Spike Protein IgG, IL-6, and NK Cell Percentage with Routine Laboratory Markers for COVID-19 Severity Assessment: Development and Validation of the CORIS Nomogram
编辑推荐:
背景:在入院时快速评估2019冠状病毒病(COVID-19)严重程度对于临床分诊和医疗资源的高效配置至关重要。然而,利用疫情早期数据开发的预测模型可能因严重急性呼吸综合征冠状病毒2(SARS-CoV-2)变异株的持续演化而表现下降,且现有列线图很少以系统化方式
背景:在入院时快速评估2019冠状病毒病(COVID-19)严重程度对于临床分诊和医疗资源的高效配置至关重要。然而,利用疫情早期数据开发的预测模型可能因严重急性呼吸综合征冠状病毒2(SARS-CoV-2)变异株的持续演化而表现下降,且现有列线图很少以系统化方式整合常规实验室参数与免疫相关生物标志物。方法:研究人员回顾性纳入2022年1月至2023年12月期间在北京地坛医院住院的774例经实验室确诊的COVID-19患者,并按7:3比例随机分配至训练集(n = 543)和验证集(n = 231)。由三种方法——多因素logistic回归、最小绝对收缩和选择算子(LASSO)回归以及递归特征消除(RFE)——一致筛选出的变量被定义为核心预测因子,并用于构建COVID常规-免疫评分(CORIS)列线图。模型性能从区分度、校准度和临床净获益三个方面进行评估。预设结局为入院时确定的非重症与重症/危重症状态。CORIS旨在用于入院严重程度区分,并非用于诊断SARS-CoV-2感染或预测入院后恶化、生存或血栓事件。结果:年龄、乳酸脱氢酶(LDH)、抗SARS-CoV-2刺突蛋白免疫球蛋白G(IgG)、白细胞介素-6(IL-6)和NK细胞百分比(NK-pct)被三种特征选择方法一致识别。CORIS列线图在训练集中的受试者工作特征曲线下面积(AUC)为0.914(95% CI,0.884–0.940),在验证集中为0.918(95% CI,0.868–0.960),且校准良好(Hosmer–Lemeshow检验p值分别为0.322和0.659)。在验证集中,CORIS列线图显著优于基于淋巴细胞亚群的模型(AUC,0.811;DeLong检验p < 0.001)和基于常规实验室参数的模型(AUC,0.839;DeLong检验p = 0.003)。结论:CORIS列线图整合了涵盖四个维度——人口学易感性、组织损伤、全身炎症和免疫状态——的预测因子,用于区分非重症与重症或危重症COVID-19。该模型展现出良好的区分度和校准度,可为入院时严重程度评估提供客观且实用的工具。
一、研究背景与问题
自2019年12月首次报告以来,由严重急性呼吸综合征冠状病毒2(SARS-CoV-2)引起的2019冠状病毒病(COVID-19)已在全球造成数亿确诊病例和数百万死亡。尽管COVID-19的管理已日趋常规化,但SARS-CoV-2仍在全球持续传播,重症疾病及其对医疗资源的负担仍是全球卫生系统面临的重大挑战。COVID-19临床表现谱广泛,从无症状感染、轻症到重症或危重症乃至死亡。重症或危重症患者发生急性呼吸窘迫综合征和多器官功能障碍等危及生命并发症的风险显著升高,往往需要及时的重症监护和专科治疗。因此,在入院时准确评估疾病严重程度并早期区分非重症与重症或危重症病例,对于优化临床分诊、促进医疗资源的高效配置以及指导个体化治疗策略至关重要。
然而,现有预测模型存在若干关键问题。首先,SARS-CoV-2在整个疫情期间持续演化,相继出现Alpha、Delta、Omicron及众多Omicron亚谱系等变异株,这些变异株在病毒适应性、致病性、组织嗜性、免疫逃逸及相关临床表现方面存在显著差异。因此,利用早期变异株流行期数据开发的预测模型在应用于新发变异株感染人群时,可能表现出区分度下降和校准不佳。系统综述和大规模外部验证研究也表明,COVID-19预测模型在不同患者人群、医疗环境和疫情阶段的表现差异显著。其次,现有列线图在预测因子选择上存在局限:Li等人(2021)开发的模型结合性别和年龄与绝对T细胞、B细胞和辅助性T细胞计数,因开发于疫情早期,其预测因子集对后期变异株感染人群的可迁移性尚不确定;Chen等人(2024)开发的基于常规实验室参数的模型涵盖炎症和组织损伤维度,但未纳入免疫相关生物标志物,可能遗漏免疫失调所传递的关键信息。总体而言,现有列线图要么局限于单一类别指标,要么尚未实现炎症、免疫和组织损伤的多维度整合。
二、研究目的与设计
为弥补上述不足,研究人员开展了本研究。研究目的包括三个方面:第一,在变量选择上采用多因素logistic回归、LASSO回归和递归特征消除(RFE)三种互补方法,仅保留三种方法一致筛选出的变量,以减少单一方法固有的选择偏倚;第二,引入免疫相关标志物,包括抗SARS-CoV-2刺突蛋白免疫球蛋白G(IgG)和NK细胞百分比(NK-pct),与年龄、乳酸脱氢酶(LDH)和白细胞介素-6(IL-6)等常规临床参数相结合,构建多维度模型——COVID常规-免疫评分(CORIS)列线图,用于非重症与重症或危重症COVID-19的个体化区分;第三,使用Omicron主导流行期的临床数据构建模型,以增强数据的当代相关性。
研究人员回顾性纳入2022年1月至2023年12月期间在北京地坛医院住院的774例经实验室确诊的SARS-CoV-2感染成人患者(≥18岁),按7:3比例随机分配至训练集(n = 543)和验证集(n = 231)。疾病严重程度按照中国国家COVID-19诊疗方案(试行第九版和第十版)进行分层。共纳入646例非重症(83.46%)和128例重症/危重症(16.54%)。结局为入院评估时记录的非重症与重症/危重症状态。
三、主要关键技术方法
研究人员采用了以下关键技术方法:第一,基于774例患者队列(北京地坛医院,2022年1月至2023年12月,Omicron主导流行期),按7:3比例随机分为训练集和验证集;第二,采用三种互补的特征选择方法——多因素logistic回归(向后逐步消除)、LASSO回归(10折交叉验证,λ_1se准则)和RFE(随机森林分类器,5折交叉验证,以AUC为优化标准)——取三者交集确定核心预测因子;第三,构建多因素logistic回归模型并以列线图形式呈现;第四,通过受试者工作特征曲线下面积(AUC)、校准曲线、Hosmer–Lemeshow检验和决策曲线分析(DCA)评估模型性能;第五,与既往已发表模型进行比较,并进行消融分析和敏感性分析。
四、研究结果
4.1 基线特征
在774例患者中,重症/危重症组患者年龄显著更大(中位年龄60.0岁 vs. 39.0岁;p < 0.001),男性比例更高(68.75% vs. 49.85%;p < 0.001),高血压患病率(76.56% vs. 56.19%;p < 0.001)和吸烟史比例(32.03% vs. 19.97%;p = 0.004)也显著更高。重症/危重症组的中性粒细胞与淋巴细胞比值(NLR)、单核细胞计数(Mo)、C反应蛋白(CRP)、LDH、血清淀粉样蛋白A(SAA)、IL-6和红细胞沉降率(ESR)均显著升高(p < 0.001)。免疫细胞亚群方面,重症/危重症组淋巴细胞计数显著降低,NK细胞百分比和绝对计数升高,B细胞百分比降低(p < 0.05)。抗SARS-CoV-2刺突蛋白IgG S/CO值和α-羟丁酸脱氢酶水平在重症/危重症组中显著升高,而肌酸激酶水平降低(p < 0.01)。
4.2 特征选择
在训练集中,34个候选变量经单变量分析后,24个变量(p < 0.05)进入多因素logistic回归,经向后逐步选择保留9个独立预测因子:年龄、IgG、LDH、IL-6、CD8-pct、NK-pct、NK-abs、B-pct和Mo。RFE分析保留8个变量:IgG、LDH、年龄、IL-6、NK-pct、NLR、CRP和CK。LASSO回归在λ_1se = 0.03755855时保留9个非零系数变量:年龄、IgG、NLR、CRP、LDH、IL-6、ESR、NK-pct和Mo。三种方法的交集产生5个一致筛选变量:年龄、LDH、IgG、IL-6和NK-pct,用于构建CORIS列线图。方差膨胀因子(VIF)分析显示所有变量VIF值均低于5,表明无显著多重共线性。嵌套交叉验证(10外×5内折)显示AUC范围为0.897至0.915,年龄、IgG、CRP、LDH和NK-pct在所有10折中均被选中,IL-6在9折中被选中,特征选择频率变异系数为0.195,表明RFE程序稳定性良好。
4.3 列线图开发与模型评估
基于五个核心预测因子构建的CORIS列线图,完整模型为logit(p) = ?8.317 + 0.047 × Age + 0.009 × LDH + 0.006 × IgG + 0.008 × IL-6 + 0.067 × NK-pct。NK-pct每增加一个单位,入院时被分类为重症/危重症的几率增加6.9%(OR = 1.069,95% CI:1.041–1.099,p < 0.001);年龄每增加一岁,几率增加4.8%(OR = 1.048,95% CI:1.028–1.069,p < 0.001);LDH、IgG和IL-6每增加一个单位,几率分别增加0.9%(OR = 1.009)、0.6%(OR = 1.006)和0.8%(OR = 1.008),均具有统计学显著性(p < 0.05)。在训练集中,CORIS列线图的bootstrap校正AUC为0.914(95% CI,0.884–0.940),Hosmer–Lemeshow检验p = 0.3222,Brier评分为0.079。在验证集中,AUC为0.918(95% CI,0.868–0.960),Hosmer–Lemeshow检验p = 0.6591,Brier评分为0.074。决策曲线分析显示,训练集中阈值概率0至约0.95范围内、验证集中0至约0.80范围内均呈现正向临床净获益。
4.4 与既往模型的比较
在验证集中,CORIS列线图AUC为0.918(95% CI,0.868–0.960),显著优于Li 2021比较模型(AUC,0.811;95% CI,0.745–0.872;DeLong检验p < 0.001)和改良Chen模型(AUC,0.839;95% CI,0.768–0.901;DeLong检验p = 0.003)。在最优截断值处,CORIS列线图的准确度为0.870,灵敏度为0.842,特异度为0.876,均优于两个比较模型。决策曲线分析进一步表明CORIS列线图在更广泛的阈值概率范围内提供更大的临床净获益。敏感性分析中,去除CRP后Chen模型的验证AUC无变化,四变量与五变量版本预测概率高度相关(Spearman's ρ = 0.995)。
4.5 敏感性与消融分析
在内部验证集中,去除IL-6后AUC从0.918降至0.907(DeLong检验p = 0.018),去除NK-pct后AUC降至0.885(DeLong检验p = 0.013),支持两个免疫相关预测因子的增量贡献。添加BMI(AUC = 0.919;调整后OR = 0.993;p = 0.855)或疫苗接种状态(AUC = 0.920;调整后OR = 0.687;p = 0.457)均未显著改变模型区分度。
五、讨论与结论
讨论部分指出,五个CORIS预测因子反映了严重COVID-19背后不同但相互关联的病理生理过程:年龄反映免疫衰老和合并症负担;LDH反映细胞损伤和多器官受累;IL-6介导全身性过度炎症和免疫失调;抗SARS-CoV-2刺突蛋白IgG可能反映疾病严重程度、既往疫苗接种或感染以及采样时间的综合影响;NK-pct升高可能反映NK细胞丰度变化及淋巴细胞池内NK细胞区室的相对扩增,从而反映更广泛的淋巴细胞组成紊乱。与既往模型相比,Li模型和Chen模型均未整合CORIS所包含的相同免疫、炎症和组织损伤指标组合。研究局限性包括:回顾性单中心设计可能引入选择偏倚;训练集仅含90例重症病例,事件每变量比(EPV)仅为3.75;IL-6测量缺乏跨实验室统一标准化;变量仅在入院24小时内测量一次,无法评估生物标志物轨迹;症状 onset 至入院时间不可用。
结论:本研究确定年龄、LDH、抗SARS-CoV-2刺突蛋白IgG、IL-6和NK-pct为区分非重症与重症/危重症COVID-19的独立预测因子。基于这些变量开发的CORIS列线图整合了常规实验室参数与免疫相关指标,涵盖多个病理生理维度,展现出良好的区分度、校准度和临床净获益。该模型可能为成人住院COVID-19患者的入院严重程度评估和临床分诊提供客观且实用的工具。尽管在单中心验证集中该模型优于基于淋巴细胞亚群的模型和基于常规实验室参数的模型,但其泛化性和比较优势仍需在独立的、多中心外部队列中进一步确认。CORIS列线图旨在用于入院严重程度区分,并非用于诊断SARS-CoV-2感染或预测预后及入院后事件。