维持性血液透析患者重症新型冠状病毒感染发病风险感知与客观估算风险模型的构建*

邱琳蕊 陈梅梅

福建省龙岩人民医院肾病学科,福建省龙岩市 364000

新型冠状病毒感染(Corona virus disease 2019,COVID-19)是一种急性呼吸道传染病,因其传播范围广、传播速度快、传染性强、病情进展迅速等特点已成为全球公共卫生紧急事件,严重威胁人类生命健康。受频繁医疗暴露与尿毒症内环境影响,维持性血液透析(Maintenance hemodialysis,MHD)患者免疫力低下,对抗感染的能力较低,易成为COVID-19感染的高危人群。据研究报道[1],MHD患者COVID-19患病率约2%,远超过健康人群的0.5%。因此,MHD患者COVID-19的感染防控至关重要。近年来关于MHD患者确诊COVID-19的报道方向主要集中在相关因素和治疗现状方面,虽取得了一定成就,但对相关风险的个体化、定量化预测仍未形成突破。列线图是一种由求解数学方程演变而来的图形计算工具,它将变量的取值和可视化的函数绘制在同一平面上,现已被临床广泛应用于数据的分析和风险预测[2]。本研究拟在探讨MHD患者发生重症COVID-19感染危险因素的基础上构建列线图,旨在制定更为规范的诊疗方案。

1 资料与方法

1.1 一般资料 回顾性选取2020年1月—2022年1月我院收治的258例MHD确诊COVID-19患者为研究对象。本研究已通过医院伦理委员会审批。(1)纳入标准:①完成规律性透析月龄>3个月;②年龄>18岁;③采用低分子肝素或普通肝素抗凝治疗;④确诊COVID-19[3];⑤患者或家属签署知情同意书。(2)排除标准:①精神障碍者;②妊娠期或哺乳期女性;③接受过肾脏移植或腹膜透析治疗;④合并恶性肿瘤者;⑤数据缺失者;⑥同时参与其他研究者。

1.2 研究方法 通过医院电子病历系统收集资料,主要包括一般人口学资料与疾病相关资料等。

1.3 COVID-19临床分型[3](1)轻型:临床症状轻微,肺部影像无肺炎表现。(2)普通型:有发热、呼吸道症状等,肺部影像有肺炎表现。(3)重型:①呼吸≥30次/min;②静息状态下,指脉氧饱和度≤ 93%;③动脉血氧分压/吸氧浓度≤ 300mmHg(1mmHg=0.133kPa);④24～48h内肺部影像学显示病灶进展>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条均可确诊。本研究将轻型与普通型合并为非重症组,将重型与危重型合并为重症组。

2 结果

2.1 重型与危重型检出率 本文258例MHD确诊COVID-19患者,有53例为重型与危重型,检出率为20.54%。

2.2 两组患者一般资料分析 两组BMI、空腹血糖水平、血小板计数、血C反应蛋白水平、淋巴细胞百分比、谷草转氨酶水平、肌酸激酶同工酶水平比较差异有统计学意义(P<0.05),见表1。

表1 258例MHD确诊COVID-19患者临床一般资料比较

2.3 MHD患者发生重症COVID-19危险因素的Logistic回归分析 以单因素分析筛选(P<0.05)的7个因素为自变量,以出现重症为因变量,见表2,结果显示,BMI增高、空腹血糖水平增高、血小板计数减少、血C反应蛋白水平增高、淋巴细胞百分比下降、谷草转氨酶水平增高、肌酸激酶同工酶水平增高是MHD患者发生重症COVID-19的独立危险因素(P<0.05),见表3。

表2 变量赋值表

表3 二元Logistic回归分析

2.4 MHD患者发生重症COVID-19风险列线图模型的建立、评价和验证

2.4.1 MHD患者发生重症COVID-19风险列线图模型的建立。将7项危险因素单独列出并以评分的形式量化,建立MHD患者重症COVID-19风险列线图模型,见图1。

图1 预测MHD患者发生重症COVID-19风险列线图模型

2.4.2 MHD患者发生重症COVID-19风险列线图模型的评价和验证。模型的内部验证采用Bootstrap自抽样法评估,其中C-index为0.983(95%CI:0.977～0.989),接近于1,证实模型区分度较好;模型的校准度采用图形校准法和Hosmer-Lemeshow(H-L)拟合优度检验评估,见图2,校正曲线趋近于理想曲线,证实预测准确性良好,此外,H-L拟合优度检验结果为 χ2=12.436,P=0.078,证实模型拟合效果较好;内部验证ROC曲线下面积为0.857,见图3,证实模型预测效能较好。

图2 模型校正曲线验证

图3 模型ROC曲线验证

3 讨论

血液透析需要在医疗机构进行,透析中心是人员集中的医疗场所,流动性和聚集性较强,感染防控受到限制,同时在透析过程中涉及血液接触,存在一定的传播风险。此外,MHD患者通常伴有免疫系统的功能缺陷或调节失衡,这使得他们对病原体感染的抵抗能力较弱,更容易感染COVID-19病毒,并且导致感染后症状更加严重。重症COVID-19患者病情往往会突然暴发性进展,造成死亡率增加,有数据显示,新冠疫情期间高钾血症、心脑血管并发症是造成MHD患者死亡的主要原因,说明在此期间维持必要的透析剂量至关重要。故本文建立MHD患者重症COVID-19发生风险列线图模型,有助于转变医务人员的视角,开始有侧重、有目的地防控,实现现代医疗的早发现、早预防理念,从而提高医疗资源的利用效率,为医务人员减负。

本文筛选出了BMI增高、空腹血糖水平增高、血小板计数减少、血C反应蛋白水平增高、淋巴细胞百分比下降、谷草转氨酶水平增高、肌酸激酶同工酶水平增高是MHD患者发生重症COVID-19的独立危险因素。(1)BMI增高:本文表明BMI增高的MHD患者COVID-19重症检出率是其降低患者的1.649倍,证实BMI增高是MHD患者发生COVID-19重症的危险因素,与沈梦媛等[4]研究结论相似。COVID-19病毒感染引起的炎症反应对呼吸系统可造成巨大影响,会进一步加剧心肺系统负荷,而高BMI者过多的脂肪沉积在胸部和腹部区域,对肺部的扩张和呼吸运动造成限制,导致肺活量减少和通气功能异常,进而增加呼吸衰竭的风险。(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重症检出率是其降低患者的5.852倍,证实空腹血糖水平增高是MHD患者发生COVID-19重症的危险因素,与Bode等[5]研究结论相似。究其原因,高血糖状态下会损伤免疫系统功能,抑制炎症反应和抗病毒能力,降低机体对病原体的防御能力,使MHD患者更容易感染COVID-19病毒。此外,高血糖会引发慢性炎症,提高病毒进一步侵袭机体的风险,并且可能导致炎症反应失控,造成更严重的病情。(3)血小板计数减少:本文表明血小板计数减少的MHD患者COVID-19重症检出率是其升高患者的0.990倍,证实MHD患者COVID-19病情严重程度与血小板减少程度呈线性相关,与胡凯等[6]研究结论相似。血小板不仅具有止血功能,同时还是炎性因子,激活血小板功能后释放炎性因子会加重感染,甚至诱发多器官功能障碍。(4)血C反应蛋白水平增高:本文表明血C反应蛋白水平增高的MHD患者COVID-19重症检出率是其降低患者的1.164倍,证实MHD患者COVID-19病情严重程度与血C反应蛋白水平呈线性相关,与李勇等[7]研究结论相似。C反应蛋白为急性时相反应蛋白,在机体出现感染时可迅速作出反应,广泛应用于肺炎的疗效评估中,也同样在病毒感染的评估中发挥着重要价值,CRP水平升高说明病毒感染后机体内出现了大量炎症反应,往往预后不良。(5)淋巴细胞百分比下降:本文表明淋巴细胞百分比下降的MHD患者COVID-19重症检出率是其上升患者的0.761倍,证实淋巴细胞百分比下降是MHD患者发生COVID-19重症的危险因素,与郭祈福等[8]研究结论相似。淋巴细胞的主要作用为细胞免疫、体液免疫和直接杀伤,对抵抗病毒侵袭发挥着重要作用,淋巴细胞百分比下降容易被COVID-19病毒感染。(6)谷草转氨酶水平增高:本文表明谷草转氨酶水平增高的MHD患者COVID-19重症检出率是其下降患者的1.610倍,证实谷草转氨酶水平增高是MHD患者发生COVID-19重症的危险因素,与刘川等[9]研究结论相似。谷草转氨酶是反映肝功能的重要预测指标。肝脏在免疫系统中扮演重要角色,包括清除病原体、合成免疫细胞所需的蛋白质等。当肝功能受损时,免疫系统功能受到影响,从而降低机体对抗病毒的能力,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重症检出率是其下降患者的1.335倍,证实肌酸激酶同工酶水平增高是MHD患者发生COVID-19重症的危险因素,与魏超霞等[10]研究结论相似。肌酸激酶同工酶在心肌损伤的酶学检测中有着较高的特异度,常用于预测心肌损伤。罗晶晶等[11]报道,除呼吸道症状外,部分COVID-19患者也会出现心悸、胸痛、胸闷等心血管系统症状。大量文献报道[12-14],感染COVID-19可出现不同程度的心肌损伤,从而提高心肌细胞释放的肌酸激酶同工酶、谷草转氨酶水平、乳酸脱氢酶水平,重症COVID-19患者的心脏损伤的风险为22.2%～31%。

列线图是一种将风险因素转化为连续评分系统的图形统计工具,使数据之间的对比更加直观明确,精准计算出单个MHD患者发生重症COVID-19风险程度,有利于临床人员制定更规范的治疗方案和危险因素控制措施[15]。此外,列线图模型的变量获取简单、便捷,均可通过临床一般资料、相关检查指标筛选,这为预测MHD患者发生重症COVID-19提供了大量非常有价值的信息,使本研究构建的列线图预测模型更为科学。列线图模型提供了关联性强、强调信息变化和趋势、更直观的数据比较以及增强可视化效果等优势,使列线图模型成为分析和决策支持的有力工具,从而提高医疗资源的利用效率,为医护人员减负。但本模型中变量仍纳入不全面,也未能进行模型外部验证,这也为后续的研究提供了新的探索方向。

综上所述,本文构建的列线图预测模型准确性较高、临床实用性好,有助于推动个体化医疗发展。