川崎病患儿丙种球蛋白耐药列线图模型的构建与验证*

宋美璇，刘斌，刘东

[西南医科大学附属医院 1.普通外科（胃肠），2.儿科，四川 泸州 646000]

川崎病是一种以自限性全身血管炎为特征的急性发热性疾病，与冠状动脉病变（coronary artery lesion,CAL）的发展密切相关，严重者可引起冠状动脉瘤和心肌梗死，甚至猝死，目前已成为儿童获得性心脏病最常见的原因[1]。虽然静脉注射免疫球蛋白（intravenous immunoglobulin,IVIg)能有效降低CAL 的发生率[2]，但约15%～20% 的患儿对首剂IVIg 治疗不敏感，发生CAL 的风险显著增加[3-6]。由于川崎病发病后1 个月的冠状动脉病变严重程度对晚期冠状动脉病变预后至关重要[2]，因此有必要及早识别IVIg 耐药，以便患儿可以在更积极的治疗中受益。

近年来，国内外学者通过川崎病患儿的临床资料建立了多个IVIg 耐药的早期预测模型[7-10]，但多以单因素分析筛选研究变量为主，在不同人群中的预测效能仍不够理想[11-12]，并且在预测模型的使用方面极不方便。Lasso 回归方法通过在模型估计中引入惩罚系数，可以获得更高的模型概化能力和准确度，也能有效地处理各研究变量的过拟合和多重共线性问题[13]；列线图（Nomogram）模型能综合分析患儿预后的危险因素，并能够以直观、可视化的方式提供个体化的预后风险评估[14-15]，方便临床使用。因此，本研究对474 例川崎病患儿进行回顾性调查，使用Lasso 回归筛选模型的纳入变量，建立并验证新的IVIg 耐药Nomogram 模型，以期为患儿提供个体化的风险评估及临床治疗提供帮助。

1 资料与方法

1.1 一般资料

回顾性收集2014年7月—2020年7月在西南医科大学附属医院住院确诊为KD 患儿（474 例）的临床资料。川崎病的诊断和IVIg 耐药标准依据2017年美国心脏病协会发布的标准[16]：①川崎病的诊断。发热≥ 5 d及具有≥ 4 项主要临床特征（肢端变化、皮疹、结膜炎、口唇变化、颈部淋巴结炎）；②不完全性川崎病的诊断。儿童发热≥ 5 d并具备2 或3 项主要临床特征，或者婴儿发热≥ 7 d 且无其他原因可以解释者，同时包括任意1 项阳性超声心动图结果（LAD 或RCA Z 值≥ 2.5；冠状动脉瘤；具有3 个及以上诊断意义的特征：左室功能降低、二尖瓣反流、心包积液、LAD 或RCA Z 值为2.0～2.5）；③IVIg 耐药。初次注射完IVIg 后仍持续发热≥36 h，或者再度发热。冠状动脉病变诊断标准：冠状动脉Z＞2.0[16]；＜5 岁儿童冠状动脉内径≥ 3 mm，≥ 5 岁儿童冠状动脉内径≥ 4 mm，或冠状动脉内径＞邻近节段1.5 倍[17]。排除入院前曾在其他医疗机构接受IVIg治疗、住院期间未接受IVIg 治疗及临床资料不完善的患儿。全样本人群随机分为训练集（339 例）和验证集（135 例）。本研究经医院医学伦理委员会审定批准（KY2020194），患者及家属签署知情同意书。

1.2 评估指标

根据国内外相关文献，收集并筛选患儿的一般信息（性别、年龄、体重）、临床表现（是否完全性川崎病）、心脏表现（心包炎、心肌炎、心内膜炎、心律失常、心包积液、冠状动脉病变、左心室内径增大、二尖瓣、主动脉瓣、三尖瓣反流等）、心外并发症[间质性肺炎、无菌性脑膜炎、消化系统症状（腹痛、呕吐、腹泻、麻痹性肠梗阻、肝肿大、黄疸等）、关节痛和关节炎[18]]、首剂IVIg 使用时间、IVIg 使用前最近一次的实验室指标[中性粒细胞比例（neutrophil ratio,N-R）、红细胞分布宽度-标准差（red blood cell distribution width-standard deviation,RDW-SD）、血小板压积（Thrombocytocrit,PCT）、C 反应蛋白（C reactive protein,CRP）、白蛋白（Albumin,ALB）、系统性免疫- 炎症指数（system immune-inflammation index,SII）、C 反应蛋白/白蛋白（CAR）]。SII=血小板计数×中性粒细胞计数/淋巴细胞计数。

1.3 统计学方法

数据分析采用采Stata/SE 15.0、R 4.0.2 及RStudio 1.3.1056 统计软件。计量资料以均数±标准差（±s）或中位数和四分位数间距[M（P25，P75）]表示，比较用t检验或秩和检验；计数资料以构成比或率（%）表示，比较采用χ2检验。应用RStudio软件对训练集数据进行Lasso 回归分析，筛选出重要的影响因素，并导入构建Nomogram 模型，绘制受试者工作特征（receiver operating characteristic,ROC）曲线、Calibration 校准曲线和DCA 曲线评估模型的区分度、校准度及临床有效性。P＜0.05 为差异有统计学意义。

2 结果

2.1 患儿临床资料比较

共474 例患儿纳入此项研究，按照患儿耐药情况分为IVIg 敏感组429 例、IVIg 耐药组45 例，比较两组的性别、年龄、体重、是否完全性川崎病、心脏表现、心外并发症、首剂IVIg 使用时间、N-R、RDWSD、PCT、CRP、ALB、SII 及CAR，单因素分析结果显示，IVIg 敏感组与IVIg 耐药组心外并发症、N-R、PCT、ALB、SII 及CAR 比较，差异均有统计学意义（P＜0.05）。训练集与验证集在以上相关因素间的比较，除首剂IVIg 使用时间比较，差异有统计学意义（P＜0.05），两组余相关因素间的比较，差异均无统计学意义（P＞0.05）。见表1、2。

表1 IVIg敏感组与IVIg耐药组临床资料比较

表2 训练集与验证集临床资料比较

2.2 Lasso回归分析

对训练集数据以IVIg 耐药为结局进行Lasso 回归分析，为兼顾变量数量和质量，图1A 是对各变量压缩估计后的曲线图，得到心脏表现、心外并发症、IVIg 使用时间、N-R、RDW-SD、PCT、ALB、SII、CAR是川崎病患儿IVIg 耐药的预测因素。本研究选择最小lambda 作为惩戒系数（见图1B）。

图1 训练集Lasso回归分析

2.3 多因素Logistic回归分析

将Lasso 回归分析筛选出的9 个IVIg 耐药预测因素纳入多因素Logistic 回归建模，得到Nomogram预测模型。见表3。

表3 训练集IVIg耐药的多因素Logistic回归分析参数

2.4 建立Nomogram预测模型

将Lasso 回归分析筛选出的9 个预测因素导入构建Nomogram 模型，其中IVIg 使用时间、N-R、RDW-SD 和PCT 所占分值较高，说明其对预测结果相对重要。从Nomogram 模型图中各变量在“分值”线上对应的得分相加，得到总分，然后将总分在“总分”线上的点对应到“IVIg 耐药”线上，得到该患儿发生IVIg 耐药的概率。见图2。

图2 KD患儿IVIg耐药Nomogram模型

2.5 预测模型的验证

2.5.1 区分度ROC 曲线分析结果显示，训练集ROC 曲线下面积（area under the curve，AUC）为0.784（95% CI：0.701，0.867），当最佳阈值取0.045时，相应的特异性和敏感性分别为0.490（95% CI：0.434，0.546）和0.935（95% CI：0.849，1.000）；验证集的AUC 为0.784（95% CI：0.643，0.925），当最佳阈值取0.142 时，相应的特异性和敏感性分别为0.851（95% CI：0.788，0.915）和0.714（95% CI：0.478，0.951）。见图3。

图3 预测模型在训练集和验证集人群的ROC曲线

2.5.2 校准度通过对Nomogram 模型绘制Calibration 校准曲线，结果显示，该模型在训练集和验证集的C 值分别为0.784 和0.784，两者比较，差异无统计学意义（P＞0.05），反映出预测值与实际值的良好一致性及拟合度。见图4。

图4 预测模型在训练集和验证集人群的Calibration校准曲线

2.5.3 临床有效性对预测模型在训练集和验证集绘制DCA 曲线，结果显示，当训练集阈概率为0.01～0.58 时，患儿有净获益。通过验证集的ROC曲线分析，阈概率值0.142 在DCA 曲线阈概率0.04～0.23 时，模型具有临床有效性。在验证集中，当设置0.142 作为诊断IVIg 耐药并采取干预措施的阈概率值时，每100 例运用此模型的患儿中，有4.9 例能从中获益且不损害其他人的利益。见图5。

图5 预测模型在验证集和验证集患儿的DCA曲线

3 讨论

川崎病的治疗主要依靠大剂量IVIg，但是IVIg耐药的川崎病患儿发生冠状动脉病变的风险显著升高[19]，首次使用IVIg 或诊断为IVIg 耐药后，额外的治疗不能快速有效地减少血管炎症[20]。而针对IVIg耐药高风险的人群在初始治疗中联合小剂量激素和IVIg，其冠状动脉病变率可明显下降[21]。因此，在首次使用IVIg 治疗前筛选出IVIg 耐药高风险患儿并给予更积极的治疗，有利于川崎病的预后。

目前建立的多个预测模型多以单因素分析筛选变量为主，在不同人群中的预测效能不够理想，且模型的使用极不方便。Lasso 回归方法在模型估计中引入惩罚系数，可有效地处理各研究变量的过拟合和多重共线性问题，能获得更高的模型概化能力和准确度[13]；列线图（Nomogram）模型能综合分析患儿预后的危险因素，并能够以直观、可视化的方式提供个体化的预后风险评估。目前已有列线图模型用于预测川崎病患儿IVIg 耐药的研究[14-15]，但不同模型在不同人群中的预测效能存在差异。因此，本研究以Lasso 回归方法筛选模型纳入变量，以Nomogram 图的方式展现本地区人群IVIg 耐药预测模型，极大地方便了模型的临床使用。

既往IVIg 耐药川崎病的预测模型的危险因素包括＜6月龄，男性，皮疹、肛周改变、四肢水肿、淋巴结肿大，发病后4 d 内使用IVIg，N-R、PLT、NLR、PLR、CRP、ALT、AST、ALB、总胆红素、血清钠等[12，22-26]。本研究结果中男性、CRP 等在IVIg 敏感组和IVIg 耐药组之间单因素分析时同样存在差异，但未能进入本研究最终的回归模型，可能是由于IVIg 敏感组和IVIg 耐药组之间的单变量分析的结果在不同的人群中可能会有所不同，同时，由于Lasso回归并非简单的组间单变量的比较，在纳入惩罚系数后，其统计学指标发生了变化。

本研究建立的新Nomogram 预测模型包括9 个预测指标：心脏表现、心外并发症、IVIg 使用时间、NR、RDW-SD、PCT、ALB、SII 及CAR，其中心脏表现、心外并发症、RDW-SD、PCT、SII、CAR 等是以往的模型中没有被确定为IVIg 耐药的预测指标。心脏表现，特别是冠状动脉病变是川崎病的主要严重并发症，本研究中心脏表现的发生率在IVIg 敏感组和IVIg 耐药组之间并没有差异，但在心外并发症的发生率上IVIg 耐药组显著高于IVIg 敏感组，这可能是由于IVIg 耐药组的血管炎症程度高于IVIg 敏感组，因此更容易出现临床可见的心外表现。经Lasso 回归分析，最终这2 个指标都被纳入Nomogram 模型。RDW-SD 是能客观、准确地衡量外周血红细胞大小变化范围的指标，以往常用于贫血相关疾病的临床鉴别。越来越多的证据显示，RDW-SD 的升高与心血管疾病的发生相关[27-29]。本研究结果显示，RDWSD 在IVIg 敏感组和IVIg 耐药组之间没有差异，但纳入最终模型后，对IVIg 耐药概率的评分有较大的影响。既往研究显示，血小板计数减少是川崎病发生IVIg 耐药的危险因素，但其界值各有不同[10，22]；川崎病患儿在高热期时，血小板分布宽度和血小板平均体积均明显降低[30-31]。PCT 是血小板平均体积与血小板计数的乘积，受到血小板分布宽度、血小板计数和血小板分布宽度的影响。因此，本研究将PCT纳入单因素分析，显示其在IVIg 敏感组和IVIg 耐药组之间具有差异，且其变化在Nomogram 模型中对预测评分影响较大，提示IVIg 耐药的川崎病患儿的血小板形态发生了明显变化。SII 是反映全身炎症状态简便和可靠的指标[32-33]，CAR 则被认为是比单独的CRP 或白蛋白更强的炎症反应指标，据报道CAR与大动脉炎的活动性呈正相关[34]，IVIg 治疗前的CAR 有助于川崎病患儿IVIg 耐药性的预测[35]。本研究中IVIg 耐药组的SII 和CAR 低于IVIg 敏感组，提示IVIg 耐药的KD 患儿可能存在更严重的全身炎症和血管炎。

本研究对Nomogram 模型的预测区分度、校准度和临床有效性进行了检测。训练集和验证集两组人群的ROC 曲线的AUC 均＞0.75，显示出较好的区分度；通过对模型在训练集和验证集绘制Calibration校准曲线，其C 值分别为0.784 和0.784，差异无统计学意义，反映出预测值与实际值的良好一致性及拟合度；最后通过对验证集绘制DCA 曲线，显示当阈概率在0.04～0.23 时，患儿有净获益，且验证集的ROC 分析得到的最佳阈概率值0.142 在DCA 曲线阈概率范围内，因此模型具有临床有效性。

综上所述，心脏表现、心外并发症、IVIg 使用时间、N-R、RDW-SD、PCT、ALB、SII、CAR 是川崎病患儿IVIg 耐药的预测因素，通过构建个体化列线图预测模型，预测模型在训练集和验证集人群中均具有良好的区别度、校准度及临床有效性，能较准确、方便地个体化预测川崎病患儿的IVIg 耐药风险。