Прогнозирование исходов при лабораторно верифицированном COVID-19 по данным компьютерной томографии органов грудной клетки: ретроспективный анализ 38 051 пациента

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. В условиях сложившейся эпидемиологической ситуации компьютерная томография органов грудной клетки (КТ ОГК) играет важную роль в диагностике заболевания. Клинические и КТ-данные позволяют врачам в короткие сроки установить вероятность наличия и прогноз у пациентов с COVID-19.

Цель ― прогнозирование исходов у лабораторно верифицированных больных COVID-19 по данным КТ ОГК с помощью полуколичественной визуальной шкалы степени поражения лёгочной паренхимы (шкала КТ0–КТ4).

Материал и методы. Выполнен ретроспективный анализ выгрузки историй болезни из Единого медицинского информационного-аналитического сервиса (ЕМИАС) и протоколов из Единого радиологического информационного сервиса (ЕРИС) в период с 01.03.2020 по 30.07.2020. В исследование включены истории болезней пациентов с диагнозом U07.1 по МКБ-10 (лабораторно верифицированная коронавирусная инфекция), которым с 1 марта по 30 июля 2020 г. включительно проведена КТ ОГК по направлению врача-терапевта при подозрении на внебольничную пневмонию, вызванную COVID-19; максимально допустимый срок между лабораторной верификацией и КТ ОГК ― не более 5 дней. Срок наблюдения за каждым пациентом ― не менее 30 сут от даты проведения КТ. Исследования были выполнены в 48 медицинских организациях, оказывающих первичную медицинскую помощь взрослому населению Москвы. Не вошли в исследование пациенты, у которых результаты теста полимеразной цепной реакции на COVID-19 были отрицательными к 30.07.2020. Шкала КТ0–КТ4 рекомендована к применению в Российской Федерации для оценки объёма поражения паренхимы лёгкого при подозрении на COVID-19.

Результаты. Итоговый объём выборки ― 38 051 пациент. По результатам исследования выявлено, что для категории КТ4 риск смерти выше в 3 раза по сравнению с категорией КТ0. По кривым Каплана–Мейера для анализа выживаемости доля выживших пациентов в категории КТ3 почти в 3 раза ниже (HR = 2,94), чем в категориях КТ0–КТ2. Кроме того, установлено, что чем выше исходная категория КТ, тем ниже риск ухудшения. Время до госпитализации снижалось при увеличении категории по данным КТ ОГК.

Заключение. Визуальная шкала КТ0–КТ4 может быть использована в качестве предиктора исходов (госпитализаций и летальных исходов) у пациентов, которым при подозрении на COVID-19 выполнена КТ ОГК на базе первичного звена здравоохранения.

Об авторах

Сергей Павлович Морозов

ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: morozov@npcmr.ru
ORCID iD: 0000-0001-6545-6170
SPIN-код: 8542-1720

д-р мед. наук, профессор

Россия, Москва

Валерия Юрьевна Чернина

ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: v.chernina@npcmr.ru
ORCID iD: 0000-0002-0302-293X
SPIN-код: 8896-8051

MD

Россия, Москва

Иван Андреевич Блохин

ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN-код: 3306-1387

MD

Россия, Москва

Виктор Александрович Гомболевский

ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Автор, ответственный за переписку.
Email: g_victor@mail.ru
ORCID iD: 0000-0003-1816-1315
SPIN-код: 6810-3279

к.м.н.

Россия, Москва

Список литературы

  1. World Health Organization. Timeline of WHO’s response to COVID-19 [Internet]. WHO, 2020 [дата обращения: 09.09.2020]. Доступ по ссылке: https://www.who.int/news-room/detail/29-06-2020-covidtimeline
  2. Dong E., Du H., Gardner L. An interactive web-based dashboard to track COVID-19 in real time // Lancet Infect Dis. 2020. Vol. 20, N 5. Р. 533–534. doi: 10.1016/S1473-3099(20)30120-1
  3. Zhang R., Ouyang H., Fu L., et al. CT features of SARS-CoV-2 pneumonia according to clinical presentation: a retrospective analysis of 120 consecutive patients from Wuhan city // Eur Radiol. 2020. Vol. 30, N 8. Р. 4417–4426. doi: 10.1007/s00330-020-06854-1
  4. Silverstein W.K., Stroud L., Cleghorn G.E., Leis J.A. First imported case of 2019 novel coronavirus in Canada, presenting as mild pneumonia // The Lancet. 2020. Vol. 395, N 10225. Р. 734. doi: 10.1016/S0140-6736(20)30370-6
  5. Yoon S.H., Lee K.H., Kim J.Y., et al. Chest radiographic and CT findings of the 2019 Novel Coronavirus Disease (COVID-19): analysis of nine patients treated in Korea // Korean J Radiol. 2020. Vol. 21, N 4. Р. 494–500. doi: 10.3348/kjr.2020.0132
  6. Sverzellati N., Milanese G., Milone F., et al. Integrated radiologic algorithm for COVID-19 pandemic // J Thorac Imaging. 2020. Vol. 35, N 4. Р. 228–233. doi: 10.1097/RTI.0000000000000516
  7. Colombi D., Bodini F.C., Petrini M., et al. Well-aerated lung on admitting chest CT to predict adverse outcome in COVID-19 pneumonia // Radiology. 2020. Vol. 296, N 2. E86–E96. doi: 10.1148/radiol.2020201433
  8. Li K., Fang Y., Li W., et al. CT image visual quantitative evaluation and clinical classification of coronavirus disease (COVID-19) // Eur Radiol. 2020. Vol. 30, N 8. Р. 4407–4416. doi: 10.1007/s00330-020-06817-6
  9. 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. M1328. doi: 10.1136/bmj.m1328
  10. Морозов С.П., Проценко Д.Н., Сметанина С.В. и др. Лучевая диагностика коронавирусной болезни (COVID-19): организация, методология, интерпретация результатов : препринт № ЦДТ – 2020 – II. Версия 2 от 17.04.2020. Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 65. Москва : ГБУЗ «НПКЦ ДиТ ДЗМ», 2020. 78 с.
  11. Синицын В.Е., Тюрин И.Е., Митьков В.В. Временные методические рекомендации Российского общества рентгенологов и радиологов (РОРР) и Российской ассоциации специалистов ультразвуковой диагностики в медицине (РАСУДМ) «Методы лучевой диагностики пневмонии при новой коронавирусной инфекции при COVID-19» (версия 2) // Вестник рентгенологии и радиологии. 2020. Т. 101, № 2. С. 72–89. doi: 10.20862/0042-4676-2020-101-2-72-89
  12. Морозов С.П., Гомболевский В.А., Чернина В.Ю. и др. Прогнозирование летальных исходов при COVID-19 по данным компьютерной томографии органов грудной клетки // Туберкулез и болезни легких. 2020. Т. 98, № 6. С. 7–14. doi: 10.21292/2075-1230-2020-98-6-7-14
  13. Христенко Е.А., фон Стакельберг О., Кауцор Х.У. и др. КТ-паттерны при COVID-19 ассоциированных пневмониях ― стандартизация описаний исследований на основе глоссария общества Флейшнера // REJR. 2020. Т. 10, № 1. С. 16–26. doi: 10.21569/2222-7415-2020-10-1-16-26
  14. Raptis C.A., Hammer M.M., Short R.G., et al. Chest CT and coronavirus disease (COVID-19): a critical review of the literature to date // AJR Am J Roentgenol. 2020. Vol. 215, N 4. Р. 839–842. doi: 10.2214/AJR.20.23202
  15. Yuan M., Yin W., Tao Z., et al. Association of radiologic findings with mortality of patients infected with 2019 novel coronavirus in Wuhan, China // PLoS One. 2020. Vol. 15, N 3. E0230548. doi: 10.1371/journal.pone.0230548
  16. Петриков С.С., Попугаев К.А., Бармина Т.Г. и др. Сопоставление клинических данных и компьютерно-томографической семиотики легких при COVID-19 // Туберкулез и болезни легких. 2020. Т. 98, № 7. С. 14–25. doi: 10.21292/2075-1230-2020-98-7-14-25
  17. Xu P.P., Tian R.H., Luo S., et al. Risk factors for adverse clinical outcomes with COVID-19 in China: a multicenter, retrospective, observational study // Theranostics. 2020. Vol. 10, N 14. Р. 6372–6383. doi: 10.7150/thno.46833
  18. Xiong Y., Sun D., Liu Y., et al. Clinical and High-Resolution CT Features of the COVID-19 Infection: Comparison of the Initial and Follow-up Changes // Investigative Radiology. 2020. Vol. 55, N 6. Р. 332–339. doi: 10.1097/RLI.0000000000000674

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Блок-схема формирования выборки.

Скачать (315KB)
Метаданные
3. Рис. 2. Кривые общей выживаемости по методу Каплана–Мейера для категорий по шкале КТ0–КТ4 (p < 0,0001).

Скачать (123KB)
Метаданные
4. Рис. 3. Кривые Каплана–Мейера для данных по времени до ухудшения состояния по данным компьютерной томографии (КТ) органов грудной клетки на одну и более категории относительно исходного уровня (p < 0,0001).

Скачать (131KB)
Метаданные
5. Рис. 4. Кривые Каплана–Мейера для данных по времени от первичной компьютерной томографии (КТ) органов грудной клетки до госпитализации (p < 0,0001).

Скачать (143KB)
Метаданные
6. Видео-презентация
Посмотреть 
Метаданные

© Морозов С.П., Чернина В.Ю., Блохин И.А., Гомболевский В.А., 2020

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».