预测脑炎患者住院死亡率:一种新的入院风险评分

Predicting Inpatient Mortality Among Encephalitis Patients: A Novel Admission Risk Score

作者信息Michael A Hansen, Mohammed S Samannodi, Rodrigo Hasbun
PMID33204757
发布时间2020-10-07
DOI10.1093/ofid/ofaa471

实验完整度

中

本回顾性队列研究使用明确的纳入标准和详细的临床数据,通过多变量逻辑回归构建风险评分,并进行内部验证(Bootstrap),但缺乏外部验证,整体实验完整性中等。

主要模型

脑炎患者回顾性队列(273例,来自16家医院)

重点核对

队列来源:德克萨斯州休斯顿16家医院(2005年1月至2015年7月) 患者纳入标准:2013年国际脑炎联盟(IEC)标准,包括可能、很可能和确诊的脑炎病例 结果定义:住院期间死亡(n=27,9.9%)与存活(n=246) 变量分组:基于单变量逻辑回归和临床意义,评估多变量模型 模型内部验证:使用1000次Bootstrap样本的乐观调整C统计量

摘要

背景:确定所有病因脑炎病例之间的潜在共性,对于预测与住院死亡率相关的有意义的风险因素可能非常有用。方法:从2005年1月至2015年7月期间德克萨斯州休斯顿16家医院成人(年龄≥18岁)患者的临床图表审查中,获得了一个脑炎患者的回顾性队列。评估入院时的临床特征与住院死亡率的相关性,并用于推导最终的风险评分预测工具。结果:研究共纳入273名成人全病因脑炎患者,其中27名(9.9%)在住院期间死亡。存活患者与死亡患者之间,少数临床特征存在显著差异(Charlson评分、格拉斯哥昏迷量表[GCS]、免疫抑制、入院时发热、多次血清学研究和异常影像学)。最终的多变量逻辑模型包含以下风险因素,并转化为评分系统:Charlson评分>2、血小板减少症或脑水肿各赋值1分,GCS值<8赋值2分。随后将患者分为不同的住院死亡率风险组:0分(0%),1分(7%),2分(10.9%),3分(36.8%),≥4分(81.8%)。结论:本研究开发的风险评分显示出较高的预测价值。这对于提醒医护人员关注成人脑炎患者住院死亡率相关的关键临床风险因素可能非常有益。关键词:脑炎,住院死亡率,死亡率预测,预测模型,风险评分。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
哪些入院时的临床特征可以预测脑炎患者的住院死亡率,并可用于构建简单的风险评分工具?
核心机制
文中未明确说明
主要证据
基于273例全病因脑炎患者的回顾性队列,通过描述性统计和双变量逻辑回归筛选出4个独立风险因素(Charlson评分>2、GCS<8、血小板减少症、脑水肿),构建多变量逻辑模型并转化为风险评分,模型C统计量0.89,内部验证后0.87,各分数级别预测死亡率与实际死亡率无显著差异。
研究意义
本研究提出的风险评分在提醒医护人员关注成人脑炎患者住院死亡风险方面具有高预测价值,可能有助于早期识别高风险患者,并指导临床管理和资源分配。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

建立患者队列

根据明确纳入标准识别符合条件的脑炎住院患者。

对2005年1月至2015年7月德克萨斯州休斯顿16家医院1241名成人住院患者进行病历回顾,根据ICD-9编码及2013年IEC标准确定纳入273例脑炎病例。

2

临床特征收集与比较

比较存活和死亡患者的入院临床特征,筛选潜在风险因素。

通过病历回顾收集患者人口学特征、入院表现、初始实验室检查和首次影像学结果,使用t检验、Wilcoxon秩和检验、卡方检验或Fisher精确检验比较组间差异。

3

单变量与多变量模型构建

筛选与死亡显著相关的独立风险因素并构建预测模型。

对临床上有意义的特征进行双变量逻辑回归,基于统计显著性和AIC选择最佳模型,最终纳入4个变量(Charlson评分>2、GCS<8、血小板减少症、脑水肿)构建多变量逻辑模型。

4

模型性能评估与内部验证

评估模型的区分度和校准度,并进行内部验证。

使用Hosmer-Lemeshow检验评估拟合优度,C统计量评估判别能力,并通过1000次Bootstrap样本计算乐观调整的C统计量进行内部验证。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
R统计软件----
boot包----
pROC包----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
患者队列建立
患者纳入标准(2013年IEC标准的具体条件)、排除标准(其他神经系统疾病)、患者来源医院数量和时间段(16家医院,2005-2015)
阅读提示:Methods部分,Data Ascertainment and Feature Selection
临床特征收集
临床特征定义(如免疫抑制的标准、血小板减少的定义)、实验室指标和影像学结果的判读标准
阅读提示:Table 1注释和Methods部分,Data Ascertainment and Feature Selection
统计建模
单变量逻辑回归中筛选变量的标准(统计显著性、OR≥3)、多变量模型选择标准(AIC最低)、变量编码方式(连续/分类/序数)
阅读提示:Methods部分,Statistical Analysis 和 Results部分,Model and Risk Score Development
模型验证
内部验证方法(Bootstrap重抽样次数、乐观调整C统计量的计算)、Hosmer-Lemeshow检验的具体结果
阅读提示:Methods部分,Statistical Analysis 和 Results部分,Model Performance and Validation