接受抗 CD20 治疗的患者感染 COVID-19

这是一项回顾性队列研究，比较了新诊断 COVID-19 感染的患者，这些患者之前曾接受过抗 CD20 药物治疗血管炎或血液系统恶性肿瘤等疾病，并接受了高滴度恢复期血浆治疗和接受常规治疗（不包括恢复期血浆治疗）的类似患者等离子体。

目标是：

1. 描述先前接受抗 CD20 药物治疗血管炎和血液系统恶性肿瘤等疾病的患者 COVID-19 的自然病程。 研究人员的假设是，在接受最近的抗 CD20 治疗之前获得 COVID-19 的患者会发展出长期的 COVID-19 感染病程，单独使用瑞德西韦和免疫调节剂并不能改善这种情况。
2. 根据接受抗 CD20 治疗的时间，量化 COVID-19 患者每项结果的风险。 假设是，如果在感染 COVID-19 之前最近（例如不到 6 个月）给予抗 CD20，则 COVID-19 患者对 COVID-19 定向治疗的反应可能较差。
3. 比较接受抗 CD20 药物治疗并接受或未接受足以达到被动血清转化的高滴度恢复期血浆治疗的 COVID-19 患者的结果。 假设是，在 COVID-19 诊断的前 6 个月内接受过抗 CD20 药物治疗的患者在没有首先达到被动 SARS-CoV2 血清转化的情况下实现完全康复的机会较低。

数据将从建立在电子健康记录 (EHR) 环境中的数据注册表中提取，根据电子健康记录中的数据自动记录受试者并提取相关数据指标。 每晚通过提取、转换和加载过程将其放入数据集市，该过程用作例行操作的一部分，并作为例行维护的一部分进行验证。 注册系统中的指标定义包括根据 EHR 值的输入将数据验证为在定义的限制内，以防止异常值与合理数据不一致。 该注册表建立在医疗记录系统中，并作为 EHR 架构和维护的一部分进行一致性检查。 所有数据均从 Epic 电子健康记录中提取。 使用 ICD-10-CM 和 SNOMED-CT 对诊断和程序进行编码，并使用适当的 LOINC 代码识别实验室数据。 基于规则的指标计算人口统计信息和风险评分，例如 Charlson 合并症指数，如所附数据字典中所示。

结果分析将进行倾向评分 (PS) 调整，以说明非随机治疗选择。 首先，研究人员将从多变量逻辑回归中估计 PS，其中接受 CP 的预测因子（在前 30 天内）被确定为患者基线特征的函数。 倾向模型将包括年龄、性别、种族、APACHE-3 评分以及根据临床相关性预先选择的其他基线协变量。 最后，CP 和无 CP 治疗结果的比较将针对基线差异进行调整，方法是将 PS（作为 logit PS 中的受限三次样条以允许非线性效应）包含在具有 CP 治疗变量的结果回归模型中。 作为一项额外的 PS 技术，未接受 CP 治疗的患者将根据疾病组（血管炎或血液恶性肿瘤）和倾向评分在 0.2 个 logit-PS 标准差的公差范围内与接受 CP 的患者进行匹配。 为避免生存偏差，匹配过程将仅考虑符合条件的对照，这些对照的随访时间与 CP 病例的首次输血时间一样长或更长。

单独的比例优势逻辑回归模型将适用于 30 天的单变量 WHO 有序结果评分和 30、60 和 90 天的多变量结果评分（作为重复测量分析），以及患者的 CP 状态、时间、基线 WHO分数和 PS 作为自变量包括在内。 无 ICU 天数，定义为在研究​​开始和第 30 天或第 90 天之间存活和没有 ICU 的天数，将使用泊松回归计算 CP 组和无 CP 组之间的比较。 对于此分析，研究人员最初将在无 CP 组的 PCR 阳性时启动所有患者。 当患者接受第一次输血时，他们的非 CP 随访将被截断，他们的随访将在 CP 组的零时间重新开始。 研究人员将在模型中使用偏移量以允许两组之间观察天数的差异。 最后，将通过测试结果模型中的协变量交互作用来探索预先指定的基线特征（例如，自抗 CD20、性别、种族以来的时间）的治疗异质性。 自抗 CD20 以来的时间将使用扩展队列作为连续变量进行分析，以考虑更广泛的时间范围（3 年内）。 研究人员还将检查使用抗 CD20 后的时间与研究结果之间的关联，与血浆治疗无关。 同样，时间将被视为一个连续统一体，并使用回归样条灵活地建模，以允许与结果的非线性关系。

敏感性分析：

按疾病类别（血管炎与血液系统恶性肿瘤）进行分层，并按抗体滴度、实现的血清转化、给予血浆的时间（从初始 PCR 阳性开始）进行分层。