建立回顾性队列
识别机械通气COVID-19患者中CAPA的病例和对照组
从JH-CROWN数据库中筛选2020年3月至2021年6月期间在5家医院接受机械通气的COVID-19患者，排除未插管、心肺复苏期间插管、插管后24小时内死亡或出院的患者，最终纳入832例患者。所有患者自2020年4月起在ICU入院时及临床需要时接受血清GM、BDG和呼吸道真菌培养筛查。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
2019冠状病毒病相关的肺曲霉病：一种用于额外诊断的非侵入性筛查模型
Coronavirus Disease 2019-Associated Pulmonary Aspergillosis: A Noninvasive Screening Model for Additional Diagnostics
实验完整度
中多中心回顾性队列研究，包含832例患者，使用多变量逻辑回归建立预测模型，并通过交叉验证和多种统计检验评估性能，但缺乏前瞻性外部验证及机制功能验证。
主要模型
机械通气的COVID-19患者队列
重点核对
多变量逻辑回归模型中的变量包括年龄、插管时间、地塞米松使用、肺循环疾病、HIV、多发性骨髓瘤、癌症或血液恶性肿瘤，均需在患者记录中准确提取和定义 CAPA诊断标准依据文献中明确的‘probable’和‘possible’ CAPA定义，需核对患者的BAL GM指数、血清GM指数、培养结果或血清BDG水平 模型性能评估基于AUC，并采用10折交叉验证，需核对模型拟合和潜在过度拟合情况 筛查临界值设为≥0.085，需验证不同临界值下敏感性、特异性、阳性预测值和阴性预测值的变化，并考虑中心CAPA患病率的影响
摘要
背景：2019冠状病毒病（COVID-19）相关的肺曲霉病（CAPA）可能被低估，目前诊断工具要么具有侵入性，要么不敏感。方法：对2020年3月至2021年6月期间在约翰霍普金斯医院5家医院收治的机械通气COVID-19患者进行了回顾性研究。使用多变量逻辑回归建立CAPA预测模型。使用受试者工作特征曲线下面积（AUC）评估模型性能。结果：在832名患者的队列中，98名（11.8%）符合CAPA标准。年龄、插管时间、COVID-19治疗中使用地塞米松、潜在肺循环疾病、人类免疫缺陷病毒、多发性骨髓瘤、癌症或血液系统恶性肿瘤与CAPA显著相关，并纳入CAPA预测模型，该模型显示AUC为0.75（95%置信区间，.70–.80）。在≥0.085的筛查临界值时，敏感性为82%，特异性为51%，阳性预测值为18.6%，阴性预测值为95.3%。（CAPA筛查评分计算器可在www.transplantmodels.com获取）。结论：我们开发了CAPA风险评分作为一种非侵入性工具，以帮助筛查重症COVID-19患者的CAPA。我们的评分还将识别出一组不太可能患有CAPA的患者，因此无需进行额外诊断和/或经验性抗真菌治疗。
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
- 在重症COVID-19患者中，能否利用非侵入性临床变量构建预测模型来筛查CAPA高风险人群？
- 核心机制
- 年龄、插管时间、地塞米松使用、肺循环疾病、HIV、多发性骨髓瘤、癌症或血液恶性肿瘤等因素与CAPA发生独立相关，其中多发性骨髓瘤关联最强。
- 主要证据
- 基于832例机械通气COVID-19患者的回顾性队列，采用多变量逻辑回归构建模型，AUC为0.75（95%CI，.70–.80），10折交叉验证后AUC为0.72。在≥0.085的临界值下，敏感性82%，阴性预测值95.3%。
- 研究意义
- 该模型可作为非侵入性筛查工具，帮助识别CAPA高风险患者，并识别低风险患者以避免不必要的侵入性诊断和抗真菌治疗。
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。
定义CAPA诊断标准
明确CAPA病例的判定依据，确保结果一致
采用先前研究中的标准，将CAPA分为‘probable’和‘possible’两类。‘probable’包括BAL GM指数≥1.0、血清GM指数≥0.5或BAL培养阳性。‘possible’包括BAL GM指数0.5-1.0、非BAL呼吸道培养阳性或血清BDG≥80 pg/mL且无其他解释。通过严格病历审查从插管到出院期间确定CAPA状态。
建立CAPA预测模型
识别与CAPA相关的独立风险因素并构建预测模型
根据先前文献和临床经验预先选择候选变量（如年龄、多发性骨髓瘤、肺循环障碍、慢性肝病、实体瘤、实体器官移植、血液系统恶性肿瘤、HIV、托珠单抗、地塞米松、插管后周数），采用多变量逻辑回归构建最终模型，并通过似然比检验和AIC比较不同模型。最终模型包含年龄、插管时间、地塞米松使用、肺循环疾病、HIV、多发性骨髓瘤、癌症或血液恶性肿瘤等变量。
评估模型性能
评估预测模型的区分度和校准度
使用AUC评估模型区分能力，并通过10折交叉验证检查过拟合。采用Pearson χ2检验和Hosmer-Lemeshow检验评估模型拟合。
确定筛查临界值并评估应用价值
选择一个用于筛查的临界值，并评估其潜在临床影响
基于不同临界值下的敏感性、特异性、PPV和NPV，选择≥0.085作为筛查临界值。在该临界值下，敏感性为82%，特异性为51%，PPV为18.6%，NPV为95.3%。进一步分析显示，在86例接受支气管镜检查的患者中，21例评分低于临界值，其中17例未患CAPA，提示应用该评分可避免17次支气管镜检查。
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 |
|---|---|---|---|
| 真菌筛查 | Fungitell β-D-葡聚糖测定 | Associates of Cape Cod | -- |
| 统计分析 | Stata/MP 17.0版本 | StataCorp | -- |
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 |
|---|---|
| 研究对象队列 | 患者纳入标准、排除标准、插管时间、ICU入院时间、医院类型 阅读提示：Methods: Source of Data and Study Population |
| CAPA诊断标准 | probable和possible CAPA的具体定义（BAL GM指数、血清GM指数、培养阳性、BDG阈值） 阅读提示：Methods: Definitions of CAPA and Other Invasive Fungal Infections |
| 预测模型变量 | 年龄、插管时间、地塞米松使用、肺循环疾病、HIV状态、多发性骨髓瘤、癌症或血液恶性肿瘤的诊断定义和记录方式 阅读提示：Methods: Estimating Probability of CAPA Development During ICU Admission; Table 3 |
| 模型性能评估 | AUC计算、10折交叉验证方法、Hosmer-Lemeshow检验、临界值选择 阅读提示：Methods: Statistical Analyses; Results: CAPA Prediction Models and Selection of NT JH-CROWN CAPA Cutoffs; Table 4 |