病原學陰性初治肺結核患者診斷模型的建立及初步評價

陳振華 劉彬彬 陳忠南 譚云洪

世界衛生組織發布的《全球結核病報告(2019年)》[1]中提到，全球結核病患者平均病原學(包括細菌學和分子生物學)檢測陽性率為55%，而我國2017年結核病患者的病原學檢測陽性率僅為32.5%，其中臨床診斷病原學陰性肺結核患者約占70%[2]，故臨床需結合患者結核病接觸史、臨床癥狀、體征、影像學特征、診斷性治療等多方面信息進行綜合診斷，但由于醫生臨床經驗不足、臨床表現不典型、診斷性治療藥物不良反應等情況，難免出現漏診和誤診。基于此，筆者希望通過建立綜合診斷病原學陰性肺結核的數學模型，為臨床提供一定的診療路徑和提高診斷質量。

對象和方法

一、研究對象

收集 2017 年 8 月至 2019 年7 月湖南省胸科醫院收治的年齡≥15歲、結核分枝桿菌病原學檢查陰性，且從未因結核病應用過抗結核藥物治療或不規范化療未滿1個月已確診的412例肺部疾病患者的臨床資料，其中病原學陰性初治肺結核患者200例(依據文獻[3])，包括男138例，女62例，年齡15～83歲，平均(47.97±16.08)歲；非結核性肺部疾病患者212例(主要包括肺癌、慢性阻塞性肺疾病、肺部感染性疾病和支氣管擴張癥等，診斷標準參照第8版《內科學》[4])，包括男147例，女65例，年齡16～87歲，平均(56.09±14.68)歲。采用簡單隨機數字表法將兩組患者分為兩類，一類為訓練樣本，一類為考核樣本，兩組樣本比例為3∶1。所有患者均為排除入院前3個月有輸血史、有血液病史、孕婦、臨床資料不全者。

二、實驗室檢測方法

所有患者均在入院后完善相關檢查。對于留取合格痰標本(包括即時痰、晨痰和夜間痰)的患者，均進行3次抗酸桿菌金胺O熒光染色痰涂片鏡檢(簡稱“痰涂片鏡檢”)、1次分枝桿菌BACTEC MGIT 960液體培養(簡稱“MGIT 960”)、1次血清結核抗體(TB-Ab)檢測、1次痰GeneXpert MTB/RIF(簡稱“GeneXpert”)檢測；對于未能留取合格痰標本的患者，行纖維支氣管鏡采集支氣管肺泡灌洗液(BALF)標本進行上述檢查。同時，所有患者均空腹抽取靜脈血檢查血常規、血清總蛋白和白蛋白、血清糖類抗原-125(CA-125)和全血結核分枝桿菌γ-干擾素釋放試驗(IGRA)檢測，以及胸部 X線或者CT檢查。除IGRA外，其他檢測均在3 h內完成。其中痰涂片鏡檢、MGIT 960培養、GeneXpert、IGRA、血清TB-Ab檢測參照《結核病診斷實驗室檢驗規程》[5]和試劑盒說明書操作及判讀結果；血常規、血清總蛋白和白蛋白、CA-125均使用全自動檢測儀及配套試劑盒檢測。

三、模型建立的步驟及評價方法

1.觀察指標的納入：依據《WS 288—2017 肺結核診斷》[3]標準，將病原學陰性初治肺結核患者的臨床癥狀、體征和相關病史，胸部CT掃描表現，實驗室相關檢查等臨床資料歸類為12項觀察指標，即全血中性粒細胞/淋巴細胞比值(NLR)、全血血小板/淋巴細胞比值(PLR)、血清白蛋白/球蛋白比值(A/G)、CA-125、IGRA、TB-Ab、咳嗽時間、是否咯血或者痰中帶血、有無全身結核中毒表現(盜汗、納差、乏力和消瘦)、有無并發其他疾病(塵肺、HIV感染、糖尿病)、有無肺結核病灶好發部位[有肺結核可疑病灶且位于單側或兩側的肺上葉尖后段和(或)下葉背段]、有無空洞形成。因本研究只有3例病原學陰性肺結核患者有結核病密切接觸史，且認為結核病患者密切接觸史不適合作為鑒別兩類疾病的指標，故本研究沒有納入該指標。

2.模型的建立及評價方法：首先對臨床觀察指標進行規格化和數量化處理，變量的編號及賦值見表1，通過對兩組患者中訓練樣本患者進行單因素和多因素非條件logistic回歸分析，從12項臨床觀察指標中篩選出差異有統計學意義的觀察指標作為判別病原學陰性初治肺結核患者和非結核性肺部疾病患者的獨立因素；然后根據已篩選出來的獨立因素的回歸系數建立綜合診斷病原學陰性肺結核的數學模型，通過Hosmer-Lemeshow擬合優度檢驗評估模型的擬合程度，以及受試者工作特征(ROC)曲線下面積(AUC)評估該模型的診斷效能，并確定最佳臨界值；最后，使用考核樣本對所建立的模型進行前瞻性考核[6-7]，評估模型對兩類患者總的準確判別率和錯判率。

四、統計學處理

應用SPSS 20.0軟件分析患者的臨床觀察指標。單因素分析時，計數資料以“率(%)”表示，組間比較采用χ2檢驗；多因素二分類非條件logistic回歸分析時，以疾病分類“非肺結核肺部疾病組=0，病原學陰性初治肺結核組=1”為因變量(Y，即預測概率)，臨床觀察指標為自變量(X)進行。均以α=0.05為檢驗水準。根據確定的獨立因素的回歸系數建立綜合診斷數學模型，通過ROC曲線AUC數值評估建立模型的診斷效能，并確定最佳臨界值。通過考核樣本對所建模型的準確判別率和錯判率進行前瞻性考核，其中：準確判別率(%)=(真陽性患者例數+真陰性患者例數)/兩類患者總例數×100%；錯判率(%)=(假陽性患者例數+假陰性患者例數)/兩類患者總例數×100%。

表1 兩類患者臨床觀察指標變量賦值表

注NLR為全血中性粒細胞/淋巴細胞比值；PLR為全血血小板/淋巴細胞比值；A/G為血清白蛋白/球蛋白比值；CA-125為血清糖類抗原-125；IGRA為全血結核分枝桿菌γ-干擾素釋放試驗；TB-Ab為血清結核抗體；有全身結核中毒癥狀包括有盜汗、納差、乏力和消瘦任一個及一個以上表現；并發其他疾病為有塵肺、HIV感染、糖尿病任一種及1種以上疾病

結 果

一、 訓練樣本患者臨床特征分析

對兩組患者訓練樣本中的臨床觀察指標進行單因素分析，結果顯示：兩類患者在A/G、CA-125、IGRA、TB-Ab、咳嗽≥2周、咯血或者痰中帶血、全身結核中毒癥狀、并發其他疾病、結核病病灶好發部位和空洞形成等方面差異均有統計學意義，見表2。

二、 多因素二分類非條件logistic回歸分析

以疾病分類“非肺結核肺部疾病組=0，病原學陰性初治肺結核組=1”為因變量(Y)，以NLR等12個臨床觀察指標為自變量(X)進行多因素二分類非條件logistic回歸分析。結果顯示，A/G、CA-125、IGRA、咳嗽≥2周、咯血或者痰中帶血、全身結核中毒癥狀、并發其他疾病、病灶好發部位和空洞形成均是兩類疾病鑒別相關的獨立因素(表3)。

三、建立數學診斷模型及評價模型診斷效率

根據9個獨立因素及其各自的回歸系數建立的數學模型為：logit(Y)=ln(Y/1-Y)=-2.432+1.233×X3+1.943×X4+2.959×X5-0.835×X7-1.368×X8-2.071×X9+2.316×X10+1.488×X11+2.670×X12。經數學公式轉換為指數模型為：Y=1/[1+exp(2.432-

表2 不同臨床觀察項目在兩組患者訓練樣本中的比較

注括號外數值為“患者例數”，括號內數值為“比率(%)”。NLR為全血中性粒細胞/淋巴細胞比值；PLR為全血血小板/淋巴細胞比值；A/G為血清白蛋白/球蛋白比值；CA-125為血清糖類抗原-125；IGRA為全血結核分枝桿菌γ-干擾素釋放試驗；TB-Ab為血清結核抗體；全身結核中毒癥狀包括盜汗、納差、乏力和消瘦等表現；并發其他疾病為并發塵肺、HIV感染、糖尿病等疾病

表3 病原學陰性初治肺結核影響因素(變量)的logistic回歸分析結果

1.233×X3-1.943×X4-2.959×X5+0.835×X7+1.368×X8+2.071×X9-2.316×X10-1.488×X11-2.670×X12)]。采用Hosmer-lemeshow檢驗對模型擬合優度進行檢驗，回歸方程對數據擬合良好(χ2=5.998，P=0.647)。把多變量的分類問題，轉換成單個變量Y值的分類問題，以訓練樣本的臨床診斷結果作為金標準，診斷模型的單個變量Y值作為診斷指標，進行病原學陰性初治肺結核的診斷效能的ROC曲線分析。結果顯示， AUC=0.881(95%CI：0.839～0.915)，最佳臨界值為0.42，敏感度為86.67%，特異度為76.10%(圖1)。將患者自變量X代入模型得到Y值，當Y值≤0.42時，判斷為非肺結核肺部疾病類；當Y值>0.42時，判斷為病原

圖1 病原學陰性初治肺結核診斷模型的ROC曲線

表4 診斷模型的前瞻性考核結果

注括號外數值為“患者例數”，括號內數值為“構成比(%)”；準確判別率(%)=(真陽性患者例數+真陰性患者例數)/兩類患者總例數×100%；錯判率(%)=(假陽性患者例數+假陰性患者例數)/兩類患者總例數×100%

學陰性初治肺結核類。

四、診斷模型的前瞻性考核結果

使用考核樣本(分別為病原學陰性初治肺結核患者50例和非結核性肺部疾病患者53例)對所建模型進行前瞻性考核。結果顯示，建立的診斷模型對兩組患者總的準確判別率為79.61%(82/103)，總的錯判率為20.39%(21/103)；對病原學陰性初治肺結核的準確判別率和錯判率分別為86.00%(43/50)和14.00%(7/50)。見表4。

討 論

病原學陰性肺結核缺乏直接可靠的病原學依據，又缺乏特征性表現，常需要與肺部其他疾病進行鑒別診斷。本研究將肺結核相關的12項臨床觀察指標進行單因素和多因素logistic回歸分析，篩選出與鑒別兩種疾病相關的獨立因素，并建立病原學陰性初治肺結核診斷模型。有研究表明，全血NLR、PLR、IGRA，及血清CA-125對鑒別肺結核與非結核性肺部疾病有一定意義[8-12]。本研究將NLR、PLR通過最佳臨界值轉換成定性指標來統計分析[8-9]，結果顯示，病原學陰性初治肺結核和非結核性肺部疾病患者的全血NLR、PLR陽性率差異均無統計學意義。可能原因如下：第一，文獻研究的非結核性肺部疾病患者均為社區獲得性肺炎、慢性阻塞性肺疾病等單一疾病，與本研究納入的患者疾病不完全相同；第二，結核分枝桿菌是胞內寄生菌，感染人體后，主要是由T 淋巴細胞介導的細胞免疫應答在其感染及發病過程中發揮關鍵作用，通過抗原特異性CD4+和CD8+T 淋巴細胞及高水平的細胞因子作用于結核分枝桿菌[13]，而肺結核患者外周血的血小板計數、白細胞計數及其分類變化幅度較小。另外，本研究中，病原學陰性初治肺結核組檢測A/G、CA-125、IGRA和TB-Ab的陽性率明顯高于非結核性肺部疾病組，與其他研究結論一致[9-10,14-15]，提示這些指標對肺部疾病的鑒別有一定的參考價值。而且本研究非結核性肺部疾病患者的IGRA檢測陽性率高達22.64%，可能與我省結核潛伏性感染率較高有關[16]，提示臨床醫生對于IGRA檢測陽性患者應結合患者其他檢查結果綜合判斷，以避免誤診。

肺結核的臨床癥狀和體征多種多樣，本研究選擇了咳嗽、咯血、盜汗、納差、乏力和消瘦等觀察指標進行分析，結果顯示，病原學陰性初治肺結核組患者的陽性率均低于非結核性肺部疾病組。可能與本研究選取的兩組研究對象來源有關，如病原學陰性肺結核患者均為初治患者，病程短、病情輕、病灶小，缺乏明顯臨床癥狀，尤其是有少部分患者是結核病入學就業體檢篩查發現的，基本沒有肺結核相關的癥狀和體征；而非結核性肺部疾病組患者大部分為在其他醫療機構診治一段時間后，由于診斷不明確或者療效不佳才轉入本院，此類患者一般有較明顯的臨床癥狀。因此認為，由于患者的選擇局限于本院就診患者的特殊性，雖然均為肺結核疑似患者，但兩組患者病程上的差異可能造成臨床癥狀方面的統計學偏倚，但這些臨床指標均為結核病特征性癥狀，患者差異是否會影響結果還需要在將來進一步研究。結果還顯示，病原學陰性初治肺結核患者并發糖尿病、塵肺、HIV感染的發生率均高于非結核性肺部疾病組，與Ahmed等[17]和Jin等[18]的研究結論相符。

影像學分析在病原學陰性肺結核的診斷上發揮著無可替代的重要作用。由于多種因素導致肺結核病灶在肺部的進展和播散的形式不同，導致形成了不同的影像學表現及其特點[19]。本研究所有患者均行多排螺旋CT胸部掃描，病原學陰性初治肺結核患者的病灶發生于單側或兩側的肺上葉尖后段和(或)下葉背段和空洞形成的發生率均高于非結核性肺部疾病組，但由于只選擇了2個觀察指標，未能很好地運用影像學診斷價值，且在判別兩類疾病時也可能發生偏倚，對模型建立的穩定性和準確性存在一定的影響，此是本研究的不足之處。

單因素分析顯示，12個觀察指標中除NLR和PLR外，其余10個指標差異均有統計學意義。經logistic回歸分析結果顯示，除TB-Ab外其他9個指標均為鑒別兩類疾病的獨立影響因素，可能與logistic 多因素分析過程中需有效消除混雜因素有關，提示TB-Ab可能并不是鑒別病原學陰性初治肺結核的獨立影響因素。建立的模型擬合優度檢驗采用Hosmer-Lemeshow檢驗，結果顯示，回歸方程對數據擬合良好(χ2=5.998，P=0.647)。通過ROC曲線分析，AUC為0.881，說明判別分析的診斷準確度為中等，而使用考核樣本對所建模型進行前瞻性考核，對判斷兩類患者總的準確判別率達到79.61%，表明該診斷模型在判別病原學陰性初治肺結核和非結核性肺部疾病有一定的臨床使用價值。

綜上所述，本研究使用臨床常規資料作為自變量建立病原學陰性初治肺結核的診斷模型，變量指標容易獲得，能夠為臨床醫生在病原學陰性初治肺結核診斷上增加客觀性和科學性判斷指標。