未成年发热患者流感病毒感染的风险预测模型的建立与验证

刘望阳,杨修登

(邵阳学院附属第一医院检验科,湖南邵阳 422001)

流行性感冒(简称流感)是一种由流感病毒引起的急性上呼吸道疾病,主要表现为咳嗽、发热、流涕等症状。某些流感患者,特别是婴幼儿、老年人、孕妇以及有基础疾病的人群,可能会出现较严重的并发症,导致医院和社区死亡[1]。2018年全球统计数据显示,每年有3万多名5岁以下儿童死于流感相关的急性下呼吸道感染[2]。而在新冠大流行之前,流感是世界卫生组织首个实行全球监测的传染病[3]。流感一般好发于天气寒冷的冬春季节,主要通过呼吸道传播,人群普遍易感。而2022年夏天,我国南方多个省份出现了流感的区域性流行。

疾病的早期预测可以为发热患者的诊断提供重要依据。目前国内的研究主要局限于对流感的描述性流行病学分析[4-5],缺乏评估工具用于指导临床医生对于发热患者进行早期个体化评估。因此,本研究旨在通过常见的实验室检查结果,筛选出发热患者发生流感病毒感染的潜在风险因素,并构建风险预测模型,以期为临床医生识别疑似流感患者提供参考工具。

1 资料与方法

1.1研究对象 选取2022年6月13日至7月5日于邵阳学院附属第一医院发热门诊就诊的未成年(<18岁)发热患者1 001例(体温>37.3 ℃),其中男性583例,女性418例。本研究经邵阳学院第一附属医院伦理委员会审核批准(批准文号:K2023-002-01),采集的所有医疗数据均已脱敏处理,将患者的联系方式和地址等信息均采用“*”进行隐藏,隐去患者姓名信息。

1.2患儿基本特征和实验室指标收集 基本特征包括患儿的性别和年龄。外周血全血细胞计数和超敏C反应蛋白(hypersensitive C-reactive protein, hs-CRP)采用BC7500-CRP全自动血液分析仪(深圳迈瑞医疗器械有限公司)检测,其中,3岁及以下儿童采集右手无名指手指血约500 μL,3岁以上未成年人采集肘静脉血2 mL进行血常规和hs-CRP检测。仪器每日进行2个水平的质控分析,结果均在控后再进行标本检测。鼻拭子流感病毒抗原检测采用胶体金法(厦门英科新创生物科技有限公司),该法与病毒分离培养法比较,甲型抗原检测和乙型抗原检测的总体符合率分别为92.17%和86.95%。采集患者鼻拭子标本用于流感病毒抗原检测,鼻拭子在鼻咽腔后壁旋转不少于15 s,以充分获取分泌物。

将非正态分布的连续变量经对数转换为正态分布,然后通过Lasso回归筛选预测因子,多因素Logistic回归筛选独立危险因素,建立未成年发热患者发生甲型流感病毒(influenza A virus, INFA)感染的风险预测模型,使用列线图展示。以ROC曲线下面积评估列线图性能;采用Boot-strap法重复抽样1 000次,计算出相对校正的一致性指数(C-Index)以验证列线图的预测性能;决策曲线分析(decision curve analysis, DCA)用于评估临床有效性。

2 结果

2.1患儿一般资料 本研究统计分析了2022年6月8日至7月22日我院发热人群以及所有进行流感病毒抗原检测人群的INFA检测阳性率结果,结果见图1。最终纳入6月13日至7月5日未成年发热患者1 001例,其中男性583例(58.24%),女性418例(41.76%)。INFA检测阳性和阴性患者的一般资料比较见表1。

表1 INFA阳性和阴性患者的一般资料比较

图1 发热患者及所有患者INFA检测阳性率

2.2Lasso回归分析 将20个相关变量作为自变量,以患者是否发生INFA感染作为因变量,进行Lasso回归,结果见图2。Lambda.min对应的是使模型估计误差最小的λ,此时筛选的变量个数为15个,Lambda.lse对应的是内部交叉验证误差在1个标准差内最大值的λ值,此时筛选的变量个数为9个,分别为年龄、白细胞(white blood cells, WBC)、红细胞(red blood cells, RBC)、红细胞压积(hematocrit, HCT)、平均血红蛋白浓度(mean corpuscular hemoglobin concentration, MCHC)、血小板分布宽度(platelet distribution width, PDW)、血小板压积(thrombocytocrit, PCT)、淋巴细胞数(lymphocyte count, Lym#)和中性粒细胞数(neutrophil count, Neut#)。

图2 Lasso回归内部交叉验证图

2.3构建Logistic预测模型 将筛选的9个自变量纳入多因素Logistic回归分析,采用逐步回归法,α进=0.05,α出=0.05。预测模型显示年龄、HCT、PDW、PCT、Lym#和Neut#是发生INFA感染的危险因素,见表2。根据预测变量绘制列线图,见图3。通过列线图,可获得每个变量的相应数值的得分,将所有变量的得分相加即可得到总分。根据总分向下绘制的垂直线,可得到发热患者发生INFA感染的概率。

表2 未成年发热患者发生INFA感染的Logistic回归分析

图3 预测发热患者发生INFA感染的列线图

2.4预测模型的验证 通过绘制预测模型预测未成年发热患者发生INFA感染的ROC曲线评估模型的区分度。ROC曲线下面积为0.728(0.697～0.759),见图4。采用Boot-strap法自抽样1 000次进行内部验证,结果显示未成年发热患者发生INFA感染的风险预测模型的C-Index为0.720。校准曲线与理想曲线具有很好的重合性,说明此模型校准度较好,见图5。

图4 预测模型预测发热患者发生INFA的ROC曲线

图5 预测模型的校准曲线

2.5预测模型的临床有效性评估 利用DCA曲线评估预测模型的临床有效性,未成年发热患者发生INFA感染风险的列线图的DCA曲线见图6。结果显示,当阈值概率>45.45%时,用此列线图预测未成年发热患者发生INFA感染风险会比所有患者均实施治疗方案更有利。

图6 评估预测模型临床有效性的DCA曲线

3 讨论

流感流行期间各个年龄段人群均有发病。但是从年龄分布来看,流感发病率随年龄增长呈明显的递减趋势。流感阳性病例主要集中于未成年人群,尤其是儿童[6]。未成年人作为特殊群体,机体自身的免疫功能尚不成熟;并且长时间处于相对人群密集且通风不良的环境中,个别学生感染就可以造成大面积的病毒传播。因此,本研究所纳入的发热患者主要是未成年人群。

在本研究中,笔者通过Lasso回归和多因素Logistic回归筛选出了6个与INFA感染独立相关的危险因素,即年龄、HCT、PDW、PCT、Lym#和Neut#,并且据此建立了风险预测模型,并以列线图的形式呈现。列线图是一种基于数学模型的,对Logistic回归结果直观展示的图形形式。它量化了各个指标在特定事件中的相对分值,以预测某事件发生的概率,从而实现对风险事件的个性化评估。本研究所采用的预测指标均为临床上常规开展的实验室检查指标,方便易得,没有额外增加患者负担,实用性较好。结果显示,预测模型的ROC曲线下面积为0.728,内部验证C-Index为0.720,表明模型的预测水准较高;并且校正曲线与理想曲线几乎重合,说明该模型具有较好的区分度和校准度。

同时,本研究发现,白细胞作为临床上最为常用的感染初步判断指标之一,阴性组的外周血白细胞显著高于阳性组。因此推测,阴性组主要是由于细菌性感染等其他原因导致的发热,从而导致白细胞显著升高。同样的,相较于阴性组,阳性组的中性粒细胞数、淋巴细胞数和单核细胞数均出现了显著降低,这与朱旻等[7]和姜舒亚等[8]的研究结果一致,流感病毒通过在体内引起淋巴细胞凋亡等方式抑制免疫反应,从而导致白细胞数降低。C反应蛋白(CRP)是一种主要由肝脏分泌的急性时相反应蛋白,是临床常用的感染诊断指标,具有高敏感性,但特异性较低[9],在正常机体含量很少,一旦机体发生感染,CRP浓度可在一定时间内迅速升高。但是在本研究中,阴性组的CRP水平显著高于阳性组,这与鄢青等[10]的研究结果一致,分析原因可能是由于细菌性感染或者其他原因导致阴性患者出现的发热症状。

通过建立临床预测模型绘制列线图预测某疾病的发生风险已经在临床研究中得到了广泛实践[11],而基于此类方法预测发热患者是否发生流感感染仍鲜有文献报道。Huang等[12]通过纳入大量的住院患儿建立了类似的临床预测模型,该预测模型的ROC曲线下面积与本研究无明显差异(0.725 vs 0.728),但是其纳入的人群主要是5岁以下有严重症状的儿童,临床用药可能会干扰某些指标的检测。而本研究的对象是所有的未成年发热患儿,所采用的风险预测指标也是临床上易于获取的,因此本研究更具有一般性和普遍性,结果可能会更适用于未成年人群,对发热门诊医生更具有参考价值。

然而,本研究仍有一些不足之处。首先,本研究是单中心的回顾性研究,可能存在不同程度的选择偏倚。其次,本研究中阳性患者的判定是依据鼻咽拭子流感病毒抗原测定,使用的是胶体金法,虽然检测速度快、特异性高,但是敏感性有限[7]。流感病毒核酸检测有非常高的特异性,并且核酸检测会反映采样质量,如果采用核酸检测结果作为最终的判定依据可以在一定程度上避免出现假阴性。第三,本研究仅使用内部数据进行重复抽样验证,若使用外部多中心数据进行验证,可以将列线图推广到其他地区。