Клинические и лабораторные предикторы неблагоприятного исхода у пациентов с COVID-19

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Обоснование. Накоплены сведения о многочисленных предикторах тяжёлого течения и неблагоприятного прогноза COVID-19, однако для быстрого принятия решения врачу необходимо иметь определённый набор данных, который он сможет использовать в практике для прогнозирования исхода у пациентов с этим заболеванием.

Цель исследования ― разработать и описать прогностическую модель для определения неблагоприятного исхода у пациентов с COVID-19, основываясь на возрасте, объективных, лабораторно-инструментальных данных и коморбидной патологии.

Материалы и методы. В исследование было включено 447 пациентов с лабораторно подтверждённым диагнозом COVID-19, проходивших стационарное лечение в период с марта 2020 г. по январь 2021 г. Для построения прогностической модели использовались дискриминантный анализ и перекрёстная проверка.

Результаты. На основе дискриминантного анализа разработана прогностическая модель для прогнозирования исхода у пациентов с COVID-19. Оценка клинических данных, таких как частота дыхательных движений, частота сердечных сокращений, уровень насыщения крови кислородом (SpO2), лабораторных показателей и результатов компьютерной томограммы при поступлении в стационар показала их значимость в качестве предикторов неблагоприятного исхода. Константа дискриминации составила 0,4435. Чувствительность модели ― 96,4%, специфичность ― 90,4%.

Заключение. Разработанная модель поможет медицинским учреждениям прогнозировать исход заболевания при поступлении пациента в стационар и на этой основе оптимизировать и приоритезировать оказание необходимой медицинской помощи.

Об авторах

Ирина Александровна Лизинфельд

Центральный научно-исследовательский институт эпидемиологии

Email: irinalizinfeld@gmail.com
ORCID iD: 0000-0002-8114-1002
SPIN-код: 2046-1407

MD

Россия, 111123, Москва, ул. Новогиреевская, д. 3А

Наталья Юрьевна Пшеничная

Центральный научно-исследовательский институт эпидемиологии

Email: natalia-pshenichnaya@yandex.ru
ORCID iD: 0000-0003-2570-711X
SPIN-код: 5633-7265

д.м.н., профессор

Россия, 111123, Москва, ул. Новогиреевская, д. 3А

Ольга Владимировна Буняева

Домодедовская центральная городская больница

Email: olya-bunyaeva@mail.ru
ORCID iD: 0000-0002-4889-5566

MD

Россия, Домодедово

Ирина Михайловна Шилкина

Домодедовская центральная городская больница

Email: shim-48@mail.ru
ORCID iD: 0000-0002-9900-038X

MD

Россия, Домодедово

Ольга Анатольевна Шмайленко

Городская больница № 1 имени Н.А. Семашко города Ростова-на-Дону

Email: Shmailenko@mail.ru
ORCID iD: 0000-0002-4680-590X

MD

Россия, Ростов-на-Дону

Галина Витальевна Гопаца

Центральный научно-исследовательский институт эпидемиологии

Email: GopatsaG@mail.ru
ORCID iD: 0000-0001-8703-7671

к.м.н.

Россия, 111123, Москва, ул. Новогиреевская, д. 3А

Дмитрий Владимирович Сизякин

Городская больница № 1 имени Н.А. Семашко города Ростова-на-Дону; Ростовский государственный медицинский университет

Email: Siziakin@gmail.com
ORCID iD: 0000-0001-7125-1374
SPIN-код: 8681-3345

д.м.н., профессор

Россия, Ростов-на-Дону; Ростов-на-Дону

Евгения Владимировна Чигаева

Городская больница № 1 имени Н.А. Семашко города Ростова-на-Дону; Ростовский государственный медицинский университет

Автор, ответственный за переписку.
Email: ChigaevaEV@gmail.com

к.м.н.

Россия, Ростов-на-Дону; Ростов-на-Дону

Список литературы

  1. Huang C., Wang Y., Li X., et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China // The Lancet. 2020. Vol. 395, N 10223. P. 497–506. doi: 10.1016/S0140-6736(20)30183-5
  2. Wu Z., McGoogan J.M. Characteristics of and important lessons from the Coronavirus Disease 2019 (COVID-19) outbreak in China: Summary of a Report of 72314 cases from the Chinese Center for Disease Control and Prevention // JAMA. 2020. Vol. 323, N 13. P. 1239–1242. doi: 10.1001/jama.2020.2648
  3. Shi C., Wang L., Ye J., et al. Predictors of mortality in patients with coronavirus disease 2019: a systematic review and meta-analysis // BMC Infect Dis. 2021. Vol. 21, N 1. P. 663. doi: 10.1186/s12879-021-06369-0
  4. Grasselli G., Zangrillo A., Zanella A., et al. Baseline characteristics and outcos of 1591 patients infected with SARS-CoV-2 admitted to ICUs of the Lombardy region, Italy // JAMA. 2020. Vol. 323, N 16. P. 1574–1581. doi: 10.1001/jama.2020.5394
  5. Sisó-Almirall A., Kostov B., Mas-Heredia M., et al. Prognostic factors in Spanish COVID-19 patients: a case series from Barcelona // PLoS One. 2020. Vol. 15, N 8. P.e0237960. doi: 10.1371/journal.pone.0237960
  6. De Souza F.S., Hojo-Souza N.S., Batista B.D., et al. On the analysis of mortality risk factors for hospitalized COVID-19 patients: a data-driven study using the major Brazilian database // PLoS One. 2021. Vol. 16, N 3. P. e0248580. doi: 10.1371/journal.pone.0248580
  7. Lai C.C., Wang C.Y., Wang Y.H., et al. Global epidemiology of coronavirus disease 2019 (COVID-19): disease incidence, daily cumulative index, mortality, and their association with country healthcare resources and economic status // Int J Antimicrob Agents. 2020. Vol. 55, N 4. P. 105946. doi: 10.1016/j.ijantimicag.2020.105946
  8. Глыбочко П.В., Фомин В.В., Моисеев С.В., и др. Факторы риска раннего развития септического шока у больных тяжелым COVID-19 // Терапевтический архив. 2020. Т. 92, № 11. C. 17–23. doi: 10.26442/00403660.2020.11.000780
  9. Клыпа Т.В., Бычинин М.В., Мандель И.А., и др. Клиническая характеристика пациентов с COVID-19, поступающих в отделение интенсивной терапии. Предикторы тяжелого течения // Клиническая практика. 2020. Т. 11, № 2. C. 6–20. doi: 10.17816/clinpract34182
  10. Kiss S., Gede N., Hegyi P., et al. Early changes in laboratory parameters are predictors of mortality and ICU admission in patients with COVID-19: a systematic review and meta-analysis // Med Microbiol Immunol. 2021. Vol. 210, N 1. P. 33–47. doi: 10.1007/s00430-020-00696-w
  11. Chung M., Bernheim A., Mei X., et al. CT Imaging Features of 2019 Novel Coronavirus (2019-nCoV) // Radiology. 2020. Vol. 295, N 1. P. 202–207. doi: 10.1148/radiol.2020200230
  12. Durhan G., Düzgün A.S., Demirkazık B.F., et al. Visual and software-based quantitative chest CT assessment of COVID-19: correlation with clinical findings // Diagn Interv Radiol. 2020. Vol. 26, N 6. P. 557–564. doi: 10.5152/dir.2020.20407
  13. Burian E., Jungmann F., Kaissis G.A., et al. Intensive care risk estimation in COVID-19 pneumonia based on clinical and imaging parameters: experiences from the munich cohort // J Clin Med. 2020. Vol. 9, N 5. P. 1514. doi: 10.3390/jcm9051514
  14. Авдеев С.Н., Адамян Л.В., Алексеева Е.И., и др. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Временные методические рекомендации. Версия 9 от 26.10.2020. Москва, 2020. 236 с.
  15. Liu J., Liu Y., Xiang P., et al. Neutrophil-to-lymphocyte ratio predicts critical illness patients with 2019 coronavirus disease in the early stage // J Transl Med. 2020. Vol. 18, N 1. P. 206. doi: 10.1186/s12967-020-02374-0
  16. Lippi G., Plebani M., Henry B.M. Thrombocytopenia is associated with severe coronavirus disease 2019 (COVID-19) infections: a meta-analysis // Clin Chim Acta. 2020. Vol. 506. P. 145–148. doi: 10.1016/j.cca.2020.03.022
  17. Yang M., Ng M.H., Li C.K. Thrombocytopenia in patients with severe acute respiratory syndrome (review) // Hematology. 2005. Vol. 10, N 2. P. 101–105. doi: 10.1080/10245330400026170
  18. Assaf D., Gutman Y., Neuman Y., et al. Utilization of machine-learning models to accurately predict the risk for critical COVID-19 // Intern Emerg Med. 2020. Vol. 15, N 8. P. 1435–1443. doi: 10.1007/s11739-020-02475-0

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. Медиана возраста больных COVID-19 в зависимости от исхода заболевания.

Скачать (269KB)

© Лизинфельд И.А., Пшеничная Н.Ю., Буняева О.В., Шилкина И.М., Шмайленко О.А., Гопаца Г.В., Сизякин Д.В., Чигаева Е.В., 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».