CN112201318A - 实验室指标模型在covid-19患者危险分层中的应用方法 - Google Patents

实验室指标模型在covid-19患者危险分层中的应用方法 Download PDF

Info

Publication number
CN112201318A
CN112201318A CN202011040958.5A CN202011040958A CN112201318A CN 112201318 A CN112201318 A CN 112201318A CN 202011040958 A CN202011040958 A CN 202011040958A CN 112201318 A CN112201318 A CN 112201318A
Authority
CN
China
Prior art keywords
patients
reference range
model
laboratory
covid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202011040958.5A
Other languages
English (en)
Inventor
朱峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Fifth Peoples Hospital
Original Assignee
Wuxi Fifth Peoples Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuxi Fifth Peoples Hospital filed Critical Wuxi Fifth Peoples Hospital
Priority to CN202011040958.5A priority Critical patent/CN112201318A/zh
Publication of CN112201318A publication Critical patent/CN112201318A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种实验室指标模型在COVID‑19患者危险分层中的应用方法，包括如下步骤：S1、收集资料，收集患者的一般资料、合并症以及常规实验室指标的检测结果；S2、患者分类；S3、实验室检测；S4、建立预测模型，采用多因素Logistic回归方法建立预测模型。本发明旨在建立一个简单有效的实验室指标模型来预测COVID‑19患者的临床分型并进行危险分层，这对于早期识别有危重风险的入院患者具有相当大的价值，且这些常规的实验室检测结果即使在资源匮乏的环境中也很容易获得，构建了基于红细胞计数，hsCRP和PCT的实验室指标预测模型，能更有效地预测COVID‑19患者的临床分型，可以作为风险分层的工具，有利于分配医疗资源并改善患者的治疗效果。

Description

实验室指标模型在COVID-19患者危险分层中的应用方法
技术领域
本发明涉及实验室指标预测模型技术领域，更具体地说，它涉及一种实验室指标模型在COVID-19患者危险分层中的应用方法。
背景技术
很多文献比较了COVID-19患者轻度和重度患者的临床特征和实验室检查，其中有一些预测模型被开发和研究，主要包括高危人群鉴别模型、诊断模型和预后模型，大多数模型的预测因素为患者的基本特征和影像学特征。我们的研究旨在建立一个简单有效的实验室指标模型来预测COVID-19患者的临床分型并进行危险分层，这对于早期识别有危重风险的入院患者具有相当大的价值，且这些常规的实验室检测结果即使在资源匮乏的环境中也很容易获得。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种实验室指标模型在COVID-19患者危险分层中的应用方法，其旨在建立一个简单有效的实验室指标模型来预测COVID-19患者的临床分型并进行危险分层，这对于早期识别有危重风险的入院患者具有相当大的价值，且这些常规的实验室检测结果即使在资源匮乏的环境中也很容易获得，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供了如下技术方案：
一种实验室指标模型在COVID-19患者危险分层中的应用方法，包括如下步骤：
S1、收集资料，收集患者的一般资料、合并症以及常规实验室指标的检测结果；
S2、患者分类，依据中国国家卫生健康委办公厅发布的《新型冠状病毒肺炎诊疗方案(试行第七版)》将步骤S1中的患者分为轻型患者、普通型患者、重型患者和危重型患者
S3、实验室检测，对所述患者的血常规和超敏C反应蛋白以及降钙素原进行检测，所述血常规包括白细胞含量、中性粒细胞比率、中性粒细胞计数、淋巴细胞比率、淋巴细胞计数、单核细胞比率、单核细胞计数、红细胞计数、血红蛋白含量、红细胞压积、血小板计数、红细胞分布宽度、血小板压积、平均血小板体积以及血小板分布宽度；
S4、建立预测模型，连续变量表示为平均值±SD或中位数 (Q1-Q3)，而分类变量表示为频率(％)，使用非配对的student t-test或Mann Whitney非参数检验来比较连续变量，使用Pearson 卡方检验和Fisher精确检验来分析分类变量；
采用多因素Logistic回归方法建立预测模型，并根据最小赤池信息标准选择最佳的模型参数，绘制模型的列线图和校准曲线，对每个模型绘制受试者工作特征曲线，应用DeLong方法比较不同模型曲线下面积(AUC)，采用TRIPOD报告规范推荐的Bootstrap重采样(times＝500)方法对模型进行内部验证并计算AUC的95％置信区间(CI)，运用决策曲线分析(DCA)以量化和比较模型的临床有效性，该方法基于阈值概率来表达假阳性和假阴性的相对危害，通过从显示真实阳性结果的比例中减去显示假阳性结果的比例，然后权衡假阳性和假阴性结果的相对危害，可以得到净收益，使用以下公式计算基于模型做出决策的净收益：
Figure BDA0002706635870000021
其中n是研究中的患者总数，Pt是给定的阈值概率；
进一步进行分层分析，评估不同亚组对联合模型预测效能的可能影响，所有分析均使用R，版本3.4.3，P＜0.05为差异有统计学意义。
进一步的，所述患者的纳入标准为：①通过实时荧光RT-PCR检测新型冠状病毒核酸阳性；②符合《新型冠状病毒肺炎诊疗方案(试行第七版)》的诊断标准；
所述患者的排除标准为：①孕妇；②患者没有完整的病史，尤其是没有进行血常规和感染标志物的检测。
进一步的，所述轻型患者的临床症状轻微，影像学未见肺炎表现；所述普通型患者具有发热、呼吸道症状，影像学可见肺炎表现；符合下列任何一条则定义为重型患者：出现气促、RR≥30次/分、静息状态下、指氧饱和度≤93％、动脉血氧分压/吸氧浓度≤300mmHg；危重型则定义为符合以下情况之一者：出现呼吸衰竭、且需要机械通气、出现休克、合并其他器官功能衰竭需ICU监护治疗。
进一步的，所述白细胞WBC的参考范围为3.5-9.5×10^9/L；所述中性粒细胞比率Neur的参考范围为40.00-75.00％)；所述中性粒细胞计数Neu的参考范围为1.8-6.3×10^9/L；所述淋巴细胞比率 Lymr的参考范围为20.00-50.00％；所述淋巴细胞计数Lymc的参考范围为1.10-3.20×10^9/L；所述单核细胞比率Monr的参考范围为 3.00-8.00％；所述单核细胞计数Monc的参考范围为0.10-0.60× 10^9/L；所述红细胞计数RBC的参考范围为女，3.8-5.1×10^12/L、男，4.30-5.80×10^12/L；所述血红蛋白HGB的参考范围为女， 115-150g/L、男，130-175g/L；所述红细胞压积HCT的参考范围为女，0.350-0.450L/L、男，0.400-0.500L/L；所述血小板计数PLT的参考范围为125-350×10^9/L；所述红细胞分布宽度RDW的参考范围为11.50-14.90％；所述血小板压积PCT的参考范围为 0.108-0.272L/L；所述平均血小板体积MPV的参考范围为6.00-11.50 fL；所述血小板分布宽度PDW的参考范围为15.50-18.10fL；所述超敏C反应蛋白hsCRP的参考范围为0-10mg/L；所述降钙素原PCT的参考范围为0-0.05ng/mL。
综上所述，本发明主要具有以下有益效果：
本发明旨在建立一个简单有效的实验室指标模型来预测 COVID-19患者的临床分型并进行危险分层，这对于早期识别有危重风险的入院患者具有相当大的价值，且这些常规的实验室检测结果即使在资源匮乏的环境中也很容易获得，构建了基于红细胞计数，hsCRP 和PCT的实验室指标预测模型，能更有效地预测COVID-19患者的临床分型，可以作为风险分层的工具，有利于分配医疗资源并改善患者的治疗效果。
附图说明
图1为本发明实施例的不同指标区分COVID-19患者临床分型的 ROC曲线图；
图2为本发明实施例的预测模型的列线图
图3为本发明实施例的预测模型的校准曲线图
图4为本发明实施例的预测模型的ROC曲线图
图5为本发明实施例的不同实验室指标和模型的决策曲线图。
具体实施方式
以下结合附图1-5对本发明作进一步详细说明。
一种实验室指标模型在COVID-19患者危险分层中的应用方法，如图1-所示，包括如下步骤：
S1、收集资料，收集患者的一般资料、合并症以及常规实验室指标的检测结果；
本实施例对2020年1月至2020年4月在某市第五人民医院负压病房住院进行治疗COVID-19患者的入院数据进行分析。该研究被机构伦理委员会批准用于回顾性分析(No.2020-015-1)，所有数据都是匿名的，因此无需知情同意。纳入标准：①通过实时荧光RT-PCR 检测新型冠状病毒核酸阳性；②符合《新型冠状病毒肺炎诊疗方案(试行第七版)》的诊断标准。排除标准：①孕妇；②患者没有完整的病史，尤其是没有进行血常规和感染标志物的检测。收集患者的一般资料、合并症以及常规实验室指标的检测结果。
S2、患者分类，依据中国国家卫生健康委办公厅发布的《新型冠状病毒肺炎诊疗方案(试行第七版)》将步骤S1中的患者分为轻型患者、普通型患者、重型患者和危重型患者；
COVID-19患者的临床分型主要基于症状和影像学表现，依据中国国家卫生健康委办公厅发布的《新型冠状病毒肺炎诊疗方案(试行第七版)》将其分为轻型、普通型、重型和危重型。轻型患者的临床症状轻微，影像学未见肺炎表现，普通型具有发热、呼吸道等症状，影像学可见肺炎表现。符合下列任何一条则定义为重型：出现气促， RR≥30次/分；静息状态下，指氧饱和度≤93％；动脉血氧分压/吸氧浓度≤300mmHg。危重型则定义为符合以下情况之一者：出现呼吸衰竭，且需要机械通气；出现休克；合并其他器官功能衰竭需ICU监护治疗。
S3、实验室检测，对所述患者的血常规和超敏C反应蛋白以及降钙素原进行检测，所述血常规包括白细胞含量、中性粒细胞比率、中性粒细胞计数、淋巴细胞比率、淋巴细胞计数、单核细胞比率、单核细胞计数、红细胞计数、血红蛋白含量、红细胞压积、血小板计数、红细胞分布宽度、血小板压积、平均血小板体积以及血小板分布宽度；
白细胞(WBC，参考范围：3.5-9.5×10^9/L),中性粒细胞比率 (Neur，参考范围：40.00-75.00％),中性粒细胞计数(Neuc，参考范围：1.8-6.3×10^9/L)淋巴细胞比率(Lymr，参考范围： 20.00-50.00％),淋巴细胞计数(Lymc，参考范围：1.10-3.20×10^9/L)单核细胞比率(Monr，参考范围：3.00-8.00％)单核细胞计数(Monc，参考范围：0.10-0.60×10^9/L)红细胞计数(RBC，参考范围：女， 3.8-5.1×10^12/L；男，4.30-5.80×10^12/L)
血红蛋白(HGB，参考范围：女，115-150g/L；男，130-175g/L)，红细胞压积(HCT，参考范围：女，0.350-0.450L/L；男， 0.400-0.500L/L)，血小板计数(PLT，参考范围：125-350×10^9/L) 红细胞分布宽度(RDW，参考范围：11.50-14.90％)，血小板压积(PCT，参考范围：0.108-0.272L/L),平均血小板体积(MPV，参考范围：6.00-11.50fL)血小板分布宽度(PDW，参考范围：15.50-18.10fL)，超敏C反应蛋白(hsCRP，参考范围：0-10mg/L)降钙素原(PCT，参考范围：0-0.05ng/mL)。血常规采用sysmex XN9000血液分析仪检测(希森美康株式会社，Hyogo,Japan)，hsCRP采用特定蛋白分析仪HP-083/4检测(Hipro Biotechnology，石家庄，中国)，PCT采用Autobio A2000PLUS全自动化学发光仪检测(Sym-Biotechnology，苏州，中国)。
S4、建立预测模型，连续变量表示为平均值±SD或中位数 (Q1-Q3)，而分类变量表示为频率(％)，使用非配对的student t-test或Mann Whitney非参数检验来比较连续变量，使用Pearson 卡方检验和Fisher精确检验来分析分类变量；
采用多因素Logistic回归方法建立预测模型，并根据最小赤池信息标准选择最佳的模型参数，绘制模型的列线图和校准曲线，对每个模型绘制受试者工作特征曲线，应用DeLong方法比较不同模型曲线下面积(AUC)，采用TRIPOD报告规范推荐的Bootstrap重采样(times＝500)方法对模型进行内部验证并计算AUC的95％置信区间(CI)，运用决策曲线分析(DCA)以量化和比较模型的临床有效性，该方法基于阈值概率来表达假阳性和假阴性的相对危害，通过从显示真实阳性结果的比例中减去显示假阳性结果的比例，然后权衡假阳性和假阴性结果的相对危害，可以得到净收益，使用以下公式计算基于模型做出决策的净收益：
Figure BDA0002706635870000061
其中n是研究中的患者总数，Pt是给定的阈值概率；
进一步进行分层分析，评估不同亚组对联合模型预测效能的可能影响，所有分析均使用R，版本3.4.3，P＜0.05为差异有统计学意义。
利用上述建立的预测模型纳入170例新冠患者，其中男性94例，女性76例，平均年龄44.7±17.8岁(范围：5-91岁)。按照入院时症状和影像学表现，包括无症状型13例，轻型37例，普通型91 例，重型27例，危重型2例(有15例患者入院2天后由普通型转为重型，因此归入重型)。按照治疗的临床意义分为两组，无症状-普通组(141例)和重型以上组(29例)，两组一般资料的比较见表1。我们发现重型以上组年龄更大(P<0.001)，合并高血压、糖尿病和脑血管疾病的比例更高(P均＜0.05)；重型以上组有肿瘤史的比例更高，但尚不显著(P＝0.076)。
表1：两组一般资料的比较
Figure BDA0002706635870000071
表中结果:Mean+SD/N(％)。
两组患者实验室指标比较见表2。
在校正年龄、性别、高血压、糖尿病、脑血管疾病、肿瘤史之后，重型以上组中性粒细胞比率、中性粒细胞计数、hsCRP和PCT显著高于无症状-普通组(P均＜0.05)，而淋巴细胞比率、单核细胞比率、淋巴细胞计数、红细胞压积显著低于无症状-普通组(P均＜0.05)。
表2：两组实验室指标的比较
Figure BDA0002706635870000081
Figure BDA0002706635870000091
调整变量:年龄；性别；高血压；糖尿病；脑血管疾病；肿瘤史
《新型冠状病毒肺炎诊疗方案(试行第七版)》中明确指出严重COVID-19患者的外周血淋巴细胞进行性减少，因此我们对两组实验室指标中的淋巴细胞比率、淋巴细胞计数、单核细胞比率、单核细胞计数绘制ROC曲线。上述4项指标的AUC及其95％CI分别为0.710(0.591～0.828)、0.734(0.626～0.842)、0.655(0.535～0.776)、 0.660(0.540～0.780)，其中淋巴细胞计数的AUC最大(图1，表3)。
构建实验室指标联合预测模型
进一步进行多因素Logistic回归分析，以患者是否诊断为重型以上作为因变量，以实验室指标，包括中性粒细胞比率、淋巴细胞比率、单核细胞比率、中性粒细胞计数、淋巴细胞计数、单核细胞计数、红细胞计数、血红蛋白、红细胞压积、hsCRP、PCT作为自变量(P值放宽到0.10)，建立预测模型：
Logit(P)＝6.88787-2.36962×红细胞计数+0.04830×hsCRP +2.62161×PCT，其中P值为患者诊断为重型以上的概率。
进一步绘制预测模型的列线图、校准曲线和ROC曲线(图2-图4)，发现预测值和观察值之间具有良好的一致性。
比较不同实验室指标及联合模型预测临床分型的ROC曲线(表 3)，发现模型的AUC高于hsCRP(0.912vs.0.870)，但差异尚不显著(P＝0.307)；模型的AUC显著高于PCT、淋巴细胞和单核细胞 (P均＜0.001)。进一步绘制不同指标和模型的决策曲线(图5)，可见大部分情况下模型的净获益高于hsCRP，且明显高于PCT、淋巴细胞和单核细胞。
表3不同实验室指标及联合模型的诊断效能比较
Figure BDA0002706635870000101
实验室指标模型在不同亚组间的比较
模型在不同年龄、性别、高血压和糖尿病亚组间趋势一致，且均为危险因素(P均＜0.05)，交互作用不显著(P均＞0.05)(表4)。由于冠心病、脑血管疾病、肿瘤、HBV、CKD及慢性肝病/肝硬化亚组数量少于20例，未纳入比较。
表4联合模型在不同年龄、性别、高血压和糖尿病亚组的比较
Figure BDA0002706635870000111
本发明发现老年人和合并有基础疾病(例如糖尿病，高血压)的患者患严重COVID-19的风险较高，这与大部分的研究相符。多数研究等亦指出19％的COVID-19住院患者患有糖尿病，且糖尿病是导致该疾病明显不良预后的危险因素。
我们的研究发现重型以上患者的中性粒细胞明显升高，淋巴细胞、单核细胞和红细胞压积则明显降低，这与多数报道一致。一项荟萃分析提出进行性淋巴细胞减少是疾病严重程度的重要指标，表明病毒感染损害了患者的免疫***。本发明发现血细胞计数中淋巴细胞计数诊断重型患者的效能最好(AUC＝0.734)，略低于Soraya等研究的结果(AUC＝0.870)，进一步强调了这种低成本且常规检测的血液学参数可以帮助诊断和监测进展，SARS-CoV-2感染期间应持续进行评估。我们的研究还发现hsCRP和PCT是COVID-19患者发展为重症的危险因素，有报道也指出hsCRP在预测患者疾病进展方面具有显著的作用。众所周知，PCT是评估脓毒症严重程度和预后的有用的标志物 [26]，有助于指导抗生素治疗。严重COVID-19患者的免疫功能低下，增加了继发感染的风险，重型以上患者hsCRP和PCT水平的升高可能提示细菌的混合感染。但也有文献指出重症COVID-19患者的PCT并无明显的变化，后期可以扩大样本量进一步研究。
研究表明一些常规的实验室检查与COVID-19患者的疾病严重程度有关，尽管单个指标有助于严重患者的鉴别，但AUC、特异性和敏感性普遍较低，因此，迫切需要构建一个多因素预测模型对COVID-19 患者进行有效评估。目前，重点关注的预测模型包括一般人群中识别出SARS-CoV-2感染的高危人群的风险模型、疑似病例确诊为 COVID-19患者的诊断模型和对COVID-19患者感染病程进行预测的预后模型，大多数模型是基于临床和影像学特征的。为了能够早期的识别严重COVID-19患者，我们基于红细胞计数，hsCRP和PCT三个定量实验室指标建立了预测模型，虽然该模型与hsCRP的AUC尚无显著差异，但模型的特异性更高(0.943)，有利于重型患者的确诊。此外，DCA也显示联合模型的临床获益在大部分时候都优于hsCRP。
综上所述，本研究构建了基于红细胞计数，hsCRP和PCT的实验室指标预测模型，能更有效地预测COVID-19患者的临床分型，可以作为风险分层的工具，有利于分配医疗资源并改善患者的治疗效果。
本发明中未涉及部分均与现有技术相同或可采用现有技术加以实现。本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.一种实验室指标模型在COVID-19患者危险分层中的应用方法，其特征在于，包括如下步骤：
S1、收集资料，收集患者的一般资料、合并症以及常规实验室指标的检测结果；
S2、患者分类，依据中国国家卫生健康委办公厅发布的《新型冠状病毒肺炎诊疗方案(试行第七版)》将步骤S1中的患者分为轻型患者、普通型患者、重型患者和危重型患者
S3、实验室检测，对所述患者的血常规和超敏C反应蛋白以及降钙素原进行检测，所述血常规包括白细胞含量、中性粒细胞比率、中性粒细胞计数、淋巴细胞比率、淋巴细胞计数、单核细胞比率、单核细胞计数、红细胞计数、血红蛋白含量、红细胞压积、血小板计数、红细胞分布宽度、血小板压积、平均血小板体积以及血小板分布宽度；
S4、建立预测模型，连续变量表示为平均值±SD或中位数(Q1-Q3)，而分类变量表示为频率(％)，使用非配对的student t-test或Mann Whitney非参数检验来比较连续变量，使用Pearson卡方检验和Fisher精确检验来分析分类变量；
采用多因素Logistic回归方法建立预测模型，并根据最小赤池信息标准选择最佳的模型参数，绘制模型的列线图和校准曲线，对每个模型绘制受试者工作特征曲线，应用DeLong方法比较不同模型曲线下面积(AUC)，采用TRIPOD报告规范推荐的Bootstrap重采样(times＝500)方法对模型进行内部验证并计算AUC的95％置信区间(CI)，运用决策曲线分析(DCA)以量化和比较模型的临床有效性，该方法基于阈值概率来表达假阳性和假阴性的相对危害，通过从显示真实阳性结果的比例中减去显示假阳性结果的比例，然后权衡假阳性和假阴性结果的相对危害，可以得到净收益，使用以下公式计算基于模型做出决策的净收益：
Figure FDA0002706635860000011
其中n是研究中的患者总数，Pt是给定的阈值概率；
进一步进行分层分析，评估不同亚组对联合模型预测效能的可能影响，所有分析均使用R，版本3.4.3，P＜0.05为差异有统计学意义。
2.根据权利要求1所述的一种实验室指标模型在COVID-19患者危险分层中的应用方法，其特征在于：所述患者的纳入标准为：①通过实时荧光RT-PCR检测新型冠状病毒核酸阳性；②符合《新型冠状病毒肺炎诊疗方案(试行第七版)》的诊断标准；
所述患者的排除标准为：①孕妇；②患者没有完整的病史，尤其是没有进行血常规和感染标志物的检测。
3.根据权利要求1所述的一种实验室指标模型在COVID-19患者危险分层中的应用方法，其特征在于：所述轻型患者的临床症状轻微，影像学未见肺炎表现；所述普通型患者具有发热、呼吸道症状，影像学可见肺炎表现；符合下列任何一条则定义为重型患者：出现气促、RR≥30次/分、静息状态下、指氧饱和度≤93％、动脉血氧分压/吸氧浓度≤300mmHg；危重型则定义为符合以下情况之一者：出现呼吸衰竭、且需要机械通气、出现休克、合并其他器官功能衰竭需ICU监护治疗。
4.根据权利要求1所述的一种实验室指标模型在COVID-19患者危险分层中的应用方法，其特征在于：所述白细胞WBC的参考范围为3.5-9.5×10^9/L；所述中性粒细胞比率Neur的参考范围为40.00-75.00％)；所述中性粒细胞计数Neu的参考范围为1.8-6.3×10^9/L；所述淋巴细胞比率Lymr的参考范围为20.00-50.00％；所述淋巴细胞计数Lymc的参考范围为1.10-3.20×10^9/L；所述单核细胞比率Monr的参考范围为3.00-8.00％；所述单核细胞计数Monc的参考范围为0.10-0.60×10^9/L；所述红细胞计数RBC的参考范围为女，3.8-5.1×10^12/L、男，4.30-5.80×10^12/L；所述血红蛋白HGB的参考范围为女，115-150g/L、男，130-175g/L；所述红细胞压积HCT的参考范围为女，0.350-0.450L/L、男，0.400-0.500L/L；所述血小板计数PLT的参考范围为125-350×10^9/L；所述红细胞分布宽度RDW的参考范围为11.50-14.90％；所述血小板压积PCT的参考范围为0.108-0.272L/L；所述平均血小板体积MPV的参考范围为6.00-11.50fL；所述血小板分布宽度PDW的参考范围为15.50-18.10fL；所述超敏C反应蛋白hsCRP的参考范围为0-10mg/L；所述降钙素原PCT的参考范围为0-0.05ng/mL。
CN202011040958.5A 2020-09-28 2020-09-28 实验室指标模型在covid-19患者危险分层中的应用方法 Withdrawn CN112201318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011040958.5A CN112201318A (zh) 2020-09-28 2020-09-28 实验室指标模型在covid-19患者危险分层中的应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011040958.5A CN112201318A (zh) 2020-09-28 2020-09-28 实验室指标模型在covid-19患者危险分层中的应用方法

Publications (1)

Publication Number Publication Date
CN112201318A true CN112201318A (zh) 2021-01-08

Family

ID=74006808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011040958.5A Withdrawn CN112201318A (zh) 2020-09-28 2020-09-28 实验室指标模型在covid-19患者危险分层中的应用方法

Country Status (1)

Country Link
CN (1) CN112201318A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927795A (zh) * 2021-02-23 2021-06-08 山东大学 基于bagging算法的乳腺癌预测方法
CN113470770A (zh) * 2021-06-30 2021-10-01 北京大学第三医院（北京大学第三临床医学院） 基于误差预测模型的血小板检测***
CN113555118A (zh) * 2021-07-26 2021-10-26 内蒙古自治区人民医院 一种病症程度的预测方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927795A (zh) * 2021-02-23 2021-06-08 山东大学 基于bagging算法的乳腺癌预测方法
CN113470770A (zh) * 2021-06-30 2021-10-01 北京大学第三医院（北京大学第三临床医学院） 基于误差预测模型的血小板检测***
CN113470770B (zh) * 2021-06-30 2022-03-01 北京大学第三医院（北京大学第三临床医学院） 基于误差预测模型的血小板检测***
CN113555118A (zh) * 2021-07-26 2021-10-26 内蒙古自治区人民医院 一种病症程度的预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112201318A (zh) 实验室指标模型在covid-19患者危险分层中的应用方法
Lee et al. Mean cell volumes of neutrophils and monocytes are promising markers of sepsis in elderly patients
Urrechaga et al. Role of leucocytes cell population data in the early detection of sepsis
US20210011005A1 (en) Systems and methods for evaluating immune response to infection
US11796447B2 (en) Systems and methods for using cell granularitry in evaluating immune response to infection
Urrechaga et al. Improvement in detecting sepsis using leukocyte cell population data (CPD)
CN103403549B (zh) 败血症的预后的预测方法
Ergul et al. Increased iron deficiency and iron deficiency anemia in children with zinc deficiency
EP4139655A1 (en) Detection of medical condition, severity, risk, and acuity using parameters
Yu et al. Total protein as a biomarker for predicting coronavirus disease-2019 pneumonia
Oyaert et al. Improving clinical performance of urine sediment analysis by implementation of intelligent verification criteria
Xi et al. Diagnostic value of red blood cell distribution width, platelet distribution width, and red blood cell distribution width to platelet ratio in children with hemophagocytic lymphohistiocytosis
Pimentel et al. The usefulness of glycated albumin for post-transplantation diabetes mellitus after kidney transplantation: A diagnostic accuracy study
Kahveci et al. Red cell distribution width-to-platelet count ratio is a promising predictor of functional bowel disease.
CN114636826A (zh) Cd177+中性粒细胞在制备新生儿坏死性小肠结肠炎检测产品中的应用
Ertekin et al. The Relationship Between Prognosis and Red Cell Distribution Width (RDW) and RDW-Albumin Ratio (RAR) in Patients with Severe COVID-19 Disease
Esa et al. Correlation of serum interleukin-6 levels and neutrophil-lymphocyte ratio in the severity of COVID-19
CN116762011A (zh) 发展成脓毒症的概率的检测
Perera et al. Percentage of small platelets on peripheral blood smear and Child-Turcott-Pugh class can predict the presence of oesophageal varices in newly diagnosed patients with cirrhosis: development of a prediction model for resource limited settings
CN114966056B (zh) 筛查急性主动脉夹层的试剂盒和***
VD et al. HEMAT OLOGIC PARAMETERS AS POTENTIAL DIAGNOSTIC TOOLS FOR COVID-19 IN EMERGENCY SETTING.
de Freitas et al. Evaluation of HLA-DR expression in monocytes and CD64 in neutrophils as A predictor of SEPSIS/sirs in the infectious-inflammatory process
Selvi et al. Can immature granulocytes predict mortality in coronavirus disease 2019 (COVID‑19) infection in patients with chronic kidney disease?
Erdelyi et al. qS-Ne2Mo Score–A New Risk Stratification Tool For Early Detection of Septic Shock in The Field of Emergency Medicine
Hans et al. Distinguishing Iron Deficiency Anemia From Beta-Thalassemia Trait: Comparative Analysis of CRUISE Index and Other Traditional Diagnostic Indices

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210108

WW01 Invention patent application withdrawn after publication