Способ прогнозирования эффективности глюкокортикоидной терапии у пациентов со среднетяжёлым течением COVID-19 на основе простых клинических и лабораторных данных

Обложка

Цитировать

Полный текст

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

Аннотация

Обоснование. У пациентов, госпитализированных с коронавирусной инфекцией (COVID-19), способы прогнозирования эффективности противовоспалительной терапии имеют важное практическое значение для оптимизации лечения и исходов. К настоящему времени выявлен ряд показателей у пациентов с COVID-19 (возраст, сопутствующая патология, лабораторные критерии интенсивности воспаления), указывающих на высокую вероятность тяжёлого течения и риска неблагоприятного исхода. Однако проблема прогнозирования эффективности противовоспалительной терапии у пациентов со среднетяжёлым течением COVID-19 изучена недостаточно.

Цель исследования — разработать прогностическую модель для определения эффективности/неэффективности противовоспалительной терапии глюкокортикоидами (ГКС) у пациентов со среднетяжёлым течением COVID-19 для улучшения результатов лечения госпитализированных пациентов.

Материалы и методы. Проведён ретроспективный анализ данных электронных историй болезни всех пациентов, поступивших в инфекционный центр последовательно с 1 октября 2020 г. по 31 января 2021 г. В исследование включён 71 пациент с вероятным (клинически подтверждённым) и подтверждённым (лабораторно) случаем COVID-19 среднетяжёлого течения с характерными изменениями в лёгких по данным компьютерной томографии органов грудной клетки. С учётом тяжести течения заболевания всем пациентам выборки назначены ГКС в соответствии с актуальной версией временных методических рекомендаций Министерства здравоохранения Российской Федерации.

Результаты. Всего изучен 71 пациент, у 53 (74,7%) эскалация противовоспалительной терапии не потребовалась, что расценено как эффективное применение ГКС в качестве противовоспалительной терапии (группа 1). У остальных 18 пациентов применение ГКС в течение в среднем 5,5 (от 3 до 6) суток не имело определённого клинического эффекта и потребовало дополнительного применения моноклональных антител к интерлейкину-6 или его рецептору (группа 2). С помощью логистического регрессионного анализа и ROC-анализа проведена разработка и оценка математической модели, позволяющей прогнозировать исход противовоспалительной терапии ГКС у пациентов со среднетяжёлым течением COVID-19. В качестве факторов риска были выбраны показатели, имевшие достоверные различия в изученных группах перед назначением ГКС: количество лимфоцитов, тромбоцитов и температура тела. Качество построенной модели оценивается как очень хорошее, оптимальная точка отсечения — 0,697. Показатель чувствительности модели — 81,1%, специфичности — 72,2%.

Заключение. Математическая модель позволяет прогнозировать эффективность терапии ГКС по количеству лимфоцитов, тромбоцитов и уровню температуры тела. Математическая модель адекватна, имеет высокий показатель чувствительности и специфичности.

Об авторах

Дмитрий Олегович Ефремов

Филиал № 1 Национального медицинского исследовательского центра высоких медицинских технологий имени А.А. Вишневского

Email: Efremov-d24@mail.ru
ORCID iD: 0000-0001-7889-6052
SPIN-код: 7115-2713

начальник инфекционного центра филиала №1 ФГБУ «Национальный медицинский исследовательский центр высоких медицинских технологий имени А. А. Вишневского» Минобороны России

Россия, 143409, Московская обл., г. Красногорск

Владимир Борисович Белобородов

Российская медицинская академия непрерывного профессионального образования

Автор, ответственный за переписку.
Email: belvb1070@mail.ru
ORCID iD: 0000-0002-0544-4167
SPIN-код: 4233-2046

д.м.н., профессор

Россия, Москва

Список литературы

  1. Драпкина О.М., Маев И.В., Бакулин И.Г., и др. Временные методические рекомендации: «Болезни органов пищеварения в условиях пандемии новой коронавирусной инфекции (COVID-19)» // Профилактическая медицина. 2020. Т. 23, № 3. С. 2120–2152. doi: 10.17116/profmed202023032120
  2. Fang J., Wu Q., Ye F., et al. Network-Based Identification and Experimental Validation of Drug Candidates Toward SARS-CoV-2 via Targeting Virus-Host Interactome // Front Genet. 2021. Vol. 12. P. 728960. doi: 10.3389/fgene.2021.728960
  3. Aprajita, Choudhary M. Design, synthesis and characterization of novel Ni(II) and Cu(II) complexes as antivirus drug candidates against SARS-CoV-2 and HIV virus // J Mol Struct. 2022. Vol. 1263. P. 133114. doi: 10.1016/j.molstruc.2022.133114
  4. Ren P.X., Shang W.J., Yin W.C., et al. A multi-targeting drug design strategy for identifying potent anti-SARS-CoV-2 inhibitors // Acta Pharmacol Sin. 2022. Vol. 43, N 2. P. 483–493. doi: 10.1038/s41401-021-00668-7
  5. Horby P., Lim W.S., Emberson J.R., et al.; RECOVERY Collaborative Group. Dexamethasone in Hospitalized Patients with Covid-19 // N Engl J Med. 2021. Vol. 384, N 8. P. 693–704. doi: 10.1056/NEJMoa2021436
  6. Li Y., Zhou X., Li T., et al. Corticosteroid prevents COVID-19 progression within its therapeutic window: a multicentre, proof-of-concept, observational study // Emerg Microbes Infect. 2020. Vol. 9, N 1. P. 1869–1877. doi: 10.1080/22221751.2020.1807885
  7. Fadel R., Morrison A.R., Vahia A., et al.; Henry Ford COVID-19 Management Task Force. Early Short-Course Corticosteroids in Hospitalized Patients With COVID-19 // Clin Infect Dis. 2020. Vol. 71, N 16. P. 2114–2120. doi: 10.1093/cid/ciaa601
  8. Chalmers J.D., Crichton M.L., Goeminne P.C., et al. Management of hospitalised adults with coronavirus disease 2019 (COVID-19): a European Respiratory Society living guideline // Eur Respir J. 2021. Vol. 57, N 4. P. 2100048. doi: 10.1183/13993003.00048-2021. Erratum in: Eur Respir J. 2022. Vol. 60, N 2.
  9. Huang I., Pranata R., Lim M.A., et al. C-reactive protein, procalcitonin, D-dimer, and ferritin in severe coronavirus disease-2019: a meta-analysis // Ther Adv Respir Dis. 2020. Vol. 14. P. 1753466620937175. doi: 10.1177/1753466620937175
  10. Choron R.L., Butts C.A., Bargoud C., et al. Fever in the ICU: A Predictor of Mortality in Mechanically Ventilated COVID-19 Patients // J Intensive Care Med. 2021. Vol. 36, N 4. P. 484–493. doi: 10.1177/0885066620979622
  11. Da Rosa Mesquita R., Francelino Silva Junior L.C., Santos Santana F.M., et al. Clinical manifestations of COVID-19 in the general population: systematic review // Wien Klin Wochenschr. 2021. Vol. 133, N 7-8. P. 377–382. doi: 10.1007/s00508-020-01760-4
  12. He X., Cheng X., Feng X., et al. Clinical Symptom Differences Between Mild and Severe COVID-19 Patients in China: A Meta-Analysis // Front Public Health. 2021. Vol. 8. P. 561264. doi: 10.3389/fpubh.2020.561264
  13. Xu P., Zhou Q., Xu J. Mechanism of thrombocytopenia in COVID-19 patients // Ann Hematol. 2020. Vol. 99, N 6. P. 1205–1208. doi: 10.1007/s00277-020-04019-0
  14. Huang I., Pranata R. Lymphopenia in severe coronavirus disease-2019 (COVID-19): systematic review and meta-analysis // J Intensive Care. 2020. Vol. 8. P. 36. doi: 10.1186/s40560-020-00453-4
  15. Chew N.W., Ngiam J.N., Tham S.M., et al. Fever as a predictor of adverse outcomes in COVID-19 // QJM. 2021. Vol. 114, N 10. P. 706–714. doi: 10.1093/qjmed/hcab023
  16. Sterne J.A.C., Murthy S., Diaz J.V., et al.; WHO Rapid Evidence Appraisal for COVID-19 Therapies (REACT) Working Group. Association Between Administration of Systemic Corticosteroids and Mortality Among Critically Ill Patients With COVID-19: A Meta-analysis // JAMA. 2020. Vol. 324, N 13. P. 1330–1341. doi: 10.1001/jama.2020.17023
  17. Авдеев С.Н., Адамян Л.В., Алексеева Е.И., и др. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19): временные методические рекомендации. Версия 8 (03.09.2020). Москва, 2020. 227 с.
  18. 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 (26.10.2020). Москва, 2020. 236 с.
  19. Трухачева Н.В. Математическая статистика в медико-биологических исследованиях с применением пакета Statistica. Москва: ГЭОТАР-Медиа, 2013. 384 с.
  20. Григорьев С.Г., Лобзин Ю.В., Скрипченко Н.В. Роль и место логистической регрессии и ROC-анализа в решении медицинских диагностических задач // Журнал инфектологии. 2016. Т. 8, № 4. С. 36–45. doi: 10.22625/2072-6732-2016-8-4-36-45
  21. Li J., He X., Yuan Yuan, et al. Meta-analysis investigating the relationship between clinical features, outcomes, and severity of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) pneumonia // Am J Infect Control. 2021. Vol. 49, N 1. P. 82–89. doi: 10.1016/j.ajic.2020.06.008
  22. Guo L., Wei D., Zhang X., et al. Clinical Features Predicting Mortality Risk in Patients With Viral Pneumonia: The MuLBSTA Score // Front Microbiol. 2019. Vol. 10. P. 2752. doi: 10.3389/fmicb.2019.02752. Erratum in: Front Microbiol. 2020. Vol. 11. P. 1304.
  23. 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
  24. 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
  25. 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
  26. Yang X., Yang Q., Wang Y., et al. Thrombocytopenia and its association with mortality in patients with COVID-19 // J Thromb Haemost. 2020. Vol. 18, N 6. P. 1469–1472. doi: 10.1111/jth.14848
  27. Wynants L., Van Calster B., Collins G.S., et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal // BMJ. 2020. Vol. 369. P. m1328. doi: 10.1136/bmj.m1328. Update in: BMJ. 2021. Vol. 372. P. n236. Erratum in: BMJ. 2020. Vol. 369. P. m2204.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Сроки назначения моноклональных антител к интерлейкину-6 или его рецептору от начала применения глюкокортикоидов (обозначены точками) (n=18).

Скачать (534KB)
3. Рис. 2. ROC-кривая оценки качества логистической регрессионной модели прогноза эффективности терапии глюкокортикоидами

Скачать (306KB)

© ООО "Эко-вектор", 2022


 


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».