通过预测 Covid-19 的结果优化资源分配

背景。

基于容易获得的临床信息的相对简单的临床风险评分可以极大地帮助将患者分类为早期出院或更快速和强化的干预。 这方面的一个例子是上消化道出血，其中有几个这样的分数 (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) 允许安全早日出院，从而减轻医院的压力。 研究人员认为，从我们信任的已确诊或疑似 Covid-19 患者的常规收集数据中，可能会获得类似的结果。

目标

调查人员旨在回答以下问题

1. 哪种临床病史和症状、观察结果、血液和其他调查标志物的模式最能预测疑似或证实患有 Covid-19 的患者将进展到需要通气？
2. 哪种临床病史和症状、观察结果、血液和其他调查标志物的模式最能预测疑似或证实患有 Covid-19 的患者会在患病期间死亡？
3. 哪种临床病史和症状、观察结果、血液和其他调查标志物的模式最能预测疑似或证实患有 Covid-19 的患者将在不需要补充氧气的情况下完全康复？

方法

研究人员提出了两种主要方法来实现上述前两个目标。

一种评估基线特征以预测不良结果的标准方法，类似于 ISARIC 和 PRIEST 等其他正在进行的研究，但受益于无偏见的患者样本，因为无需收集额外的样本或数据，因此研究人员认为这在伦理上是可以接受的在适当注意保密的情况下，分析所有就诊的患者，而不仅仅是那些愿意和能够同意的患者。

一种多层次建模方法，使用丰富的重复日常实验室和临床测量来预测随后恶化的日常风险。

第二种方法补充了其他正在进行的研究，如 ISARIC 和 PRIEST，因为它只能在像 NUH 这样的单一机构内提供，因为它需要详细的纵向链接电子健康数据。 此外，它是一种高效、低成本的研究设计，不需要手动收集数据。

调查人员将利用诺丁汉大学医院 (NUH) NHS Trust 电子系统中保存的数据，来识别所有疑似感染 Covid-19 或最终确诊的患者。 这将从大流行开始时回顾性地进行，然后前瞻性地在滚动计划中进行，以最大限度地利用可用数据。

对于这些患者，研究人员将收集所有有关诊断（合并症）、每日临床观察和每日实验室参数的相关数据，包括就诊时以及从那以后直到死亡或出院为止的滚动数据。 这些数据将包括温度、脉搏、血氧饱和度、吸入氧浓度、呼吸频率、C 反应蛋白和白细胞计数等的重复测量。

数据将在诺丁汉大学医院信托网络内进行分析和结果建模，以确保保密。

分析

继续插管患者的特征 研究人员将评估需要通气的患者与不需要通气的患者的任何基线参数和人口统计数据之间的关联，方法是将基线参数与通气进行交叉制表，并使用逻辑回归模型计算调整后的关联。 研究人员还将使用随机效应模型和重复的日常测量来检查插管的日常风险。 为了检查易于计算的临床风险评分的潜力，将准备逻辑模型，但将连续变量保留为连续（以最大限度地保留有用的预测数据）并将它们简化为分类数据（以便于临床计算）。 研究人员将使用 Akaike 信息标准和 alpha = 0.05 的反向消除来为模型选择预测变量。 对于候选模型，研究人员将计算 C 指数和接受者操作曲线，并使用 Hosmer-Lemeshow 测试评估校准。 Bootstrapping 和交叉验证将用于避免过度拟合和评估模型性能。

时间趋势分析以确定导致插管的标记 研究人员将在可用的重复测量中检查随时间变化的趋势数据，并使用适当的汇总统计数据描述这些数据。 如果有足够的重复测量，则将使用 JoinPoint 分析评估每个协变量，以评估是否存在明显的时间拐点以表明临床情况发生变化，这标志着通气量下降。 此过程将用于合理选择类别以对数据进行分类表示。

插管时提示死亡的预测因素 研究人员将通过在通气点与死亡时交叉制表参数，并使用逻辑回归模型计算调整后的关联，评估任何参数和死亡患者与未通气患者人口统计学的关联。 研究人员还将使用随机效应模型和重复的每日测量来检查每日死亡风险。 为了检查易于计算的临床风险评分的潜力，将准备逻辑模型，但将连续变量保留为连续（以最大限度地保留有用的预测数据）并将它们简化为分类数据（以便于临床计算）。 研究人员将使用 Akaike 信息标准和 alpha = 0.05 的反向消除来为模型选择预测变量。 对于候选模型，研究人员将计算 c 指数和接受者操作曲线，并使用 Hosmer-Lemeshow 测试评估校准。 Bootstrapping 和交叉验证将用于避免过度拟合和评估模型性能。

时间趋势分析以识别导致死亡的标记我们将在可用的重复测量中检查随时间变化的趋势数据，并使用适当的汇总统计数据来描述这些数据。 如果有足够的重复测量，则将使用 JoinPoint 分析评估每个协变量，以评估是否存在明显的时间拐点以表明临床情况发生变化，这标志着死亡的下降没有补充氧气的出院患者的基线特征我们将评估任何基线参数和出院时没有补充氧气的患者的人口统计数据与那些没有通过交叉制表基线参数与通风的患者的人口统计数据的关联，并使用逻辑回归模型计算调整后的关联。 为了检查易于计算的临床风险评分的潜力，将准备逻辑模型，但将连续变量保留为连续（以最大限度地保留有用的预测数据）并将它们简化为分类数据（以便于临床计算）。 研究人员将使用 Akaike 信息标准和 alpha = 0.05 的反向消除来为模型选择预测变量。 对于候选模型，研究人员将计算 c 指数和接受者操作曲线，并使用 Hosmer-Lemeshow 测试评估校准。 这些步骤中的每一步都将在 10 个随机选择的数据集的 20% 子样本中重复。

分层补充分析 为确定有不良结果风险的不同患者群体，将评估与每个风险模型的相互作用，以确定是否需要按年龄段、性别、既往合并症和基线因素（如淋巴细胞减少症、CRP 等）进行分层。

将对 PCR 证实的 Covid-19 患者组和仅疑似患者组重复所有分析。

对于没有补充氧气的出院分析，调查人员将检查如此出院的人再次入院的风险，并仅对那些随后没有再入院的人重复分析。

资格标准

纳入标准 • 所有入住诺丁汉大学医院信托基金的疑似感染 Covid-19 或最终确诊且年满 18 岁的患者

排除标准

• 18 岁以下。