基于Logistic回歸和ROC曲線評價外周血PCT，CRP，NEU%和PLT水平在血流感染中的聯合預測價值

潘錫龍，陳 麗，梁利斯（中山市東升醫院檢驗科，廣東中山 528414）

血流感染（bloodstream infection,BSI）具有起病急、病情進展快、病情嚴重、死亡率高的特征[1-2]，及早診斷和治療對改善預后和降低死亡率至關重要[3-4]。血培養是BSI 診斷金標準，但時間過長，無法及早做出診斷。分子生物學技術可快速診斷，但其實驗室開展條件苛刻、生產成本高，不利于推廣[5]。單一生物標志物檢測，雖時間短但敏感度或特異度不理想[6]。因此，尋求簡便、快速、有效的BSI 診斷手段，成為實驗室多年來共同努力的一個目標。本研究目的是應用Logistic 回歸構建降鈣素原（procalcitonin, PCT）、C-反應蛋白（C-reactive protein, CRP）、中性粒細胞百分比（neutrophil percentage, NEU%）和血小板（platelet, PLT）在細菌性BSI 中聯合預測模型，研究其在BSI 早期診斷中的臨床價值。

1 材料與方法

1.1 研究對象 采用回顧性分析，選取2019年1月～2020年3月中山市東升醫院同時進行PCT，CRP，血細胞檢測及血培養的疑似BSI 者103 例。其中，血培養陽性、臨床診斷為BSI 者43 例（即BSI 組），男女比例為25∶18，年齡59.7±15.3 歲；血培養陰性的臨床診斷為非BSI 者60 例（即非BSI組），其中男女比例為39∶21，年齡62.6±19.0 歲。BSI 者與非BSI 者的人口學特征、基礎疾病等一般臨床資料匹配（P＞0.05）。排除標準：①年齡小于18 歲；②臨床資料及檢測數據不完整者；③PCT，CRP，血細胞檢測與血培養的時間差＞4 h；④對同一患者住院期間多次重復PCT，CRP，血細胞檢測、血培養情況，如非血流感染者只納入第1 次結果，如血流感染者只納入第1 次血培養陽性時結果；⑤伴自身免疫缺陷或應用免疫調節治療者、惡性腫瘤、孕婦及哺乳期婦女等。本研究對所涉及病人資料保密，經醫院倫理委會員備案。

1.2 儀器與試劑 使用南京基蛋生物Getein1600熒光免疫分析系統檢測血清PCT；使用邁瑞BC-5390 CRP 血液分析系統進行外周全血細胞計數和CRP 檢測，執行國際血液學復檢專家組推薦的41條自動CBC 和DC 復檢規則[7]；按照血培養操作規范[8]，執行雙側雙套原則，使用美國BD 公司BACTEC 9050 血培養系統、江門凱林哥倫比亞血平板和梅里埃ATB 細菌鑒定系統進行血培養。

1.3 研究方法 ①收集病人PCT，CRP，白細胞（white blood cells,WBC），NEU%，淋巴細胞百分比（percentage,LYM%），中性粒細胞與淋巴細胞比值（neutrophils/lymphocytes,NEU/LYM），PLT，血培養的檢測數據和臨床資料。②比較BSI 組與非BSI 組的PCT，CRP，WBC，NEU%，LYM%，NEU/LYM 及PLT 的組間差異（即單因素分析）。③將單因素分析中差異有統計學意義的指標作為自變量，將是否為BSI 作為因變量，進行Logistic 回歸：首先作回歸適用條件驗證（連續性自變量與因變量log 轉換值是否存在線性關系、自變量之間是否存在多重共線性）；驗證通過后繪制單變量在BSI 中受試者工作特征曲線（the receiver operating characteristic curve,ROC）并以最佳cutoff 值作為臨界點進行二分類轉換，然后進行多變量二項Logistic 逐步回歸構建聯合預測模型（變量篩選設定a入=0.10，a出=0.15）, 如有離群點作去除后重新回歸；進行回歸系數（b）檢驗、模型擬合優度檢驗、優勢比（OR）分析。④繪制聯合預測模型ROC 曲線，比較單變量（即單一指標）與多變量聯合（多指標聯合）預測模型ROC 曲線下面積（area under ROC curve,AUC），分析聯合預測模型的臨床價值。

1.4 統計學分析 非正態分布計量資料以中位數[M（P25，P75）]表示及組間差異比較采用Mann-Whitney U 檢驗，P＜0.10 為差異有統計學意義；采用Box-Tidwell 檢驗連續性單變量與因變量log 轉換值線性關系，P＞0.05 為存在線性關系；通過線性回歸獲得容忍度＞0.10 或方差膨脹因子＜10.0 為不存在多重共線性；以＞3.0 倍標準差為離群點；Hosmer-Lemeshow 檢驗模型擬合優度，以P＞0.05為擬合優度高；采用Wald 檢驗回歸系數b，P＜0.05為差異有統計學意義；AUC 比較采用單一變量的Z檢驗，P＜0.05 為差異有統計學意義。數據統計分析應用SPSS19.0，Medcalc 15.0 軟件處理。

2 結果

2.1 單變量分析 見表1。BSI 組與非BSI 組的PCT，CRP，NEU%，LYM%，NEU/LYM 及PLT 比較，差異均有統計學意義（均P＜0.10），WBC 差異無統計學意義（P＞0.10）。

2.2 多變量二項Logistic 回歸 見表2，表3。連續性自變量與因變量log 轉換值存在線性關系，自變量間不存在多重共線性，不存在離群點。Logistic 逐步回歸顯示：LYM%（a=0.314） 和NEU/LYM（a=0.413）被拒絕納入回歸，PCT，CRP，NEU%，PLT 分別與BSI 的發生獨立相關，聯合預測模型擬合優度高（P=0.587），所有回歸系數b 有統計學意義，模型表達式為LogitP=-4.890+1.877PCT+1.345CRP+1.650NEU%+1.610P LT。PCT，CRP，NEU%和PLT 的OR 分別為6.534，3.837，5.208 和5.003。

表1 BSI 組與非BSI 組PCT，CRP，NEU%，LYM%，NEU/LYM，PLT 和WBC 水平的組間差異分析[M(P25,P75)]

表2 Logistic 回歸自變量與因變量logit 轉換值線性、自變量間多重共線性檢驗

表3 多變量二項Logistic 回歸分析

2.3 PCT，CRP，NEU%，PLT 及聯合預測模型在BSI 中診斷性能 見表4 和圖1。在BSI 中，PCT，CRP，NEU%，PLT 及其聯合預測模型的敏感度和特異度分別為93.02%，62.79%，88.37%，93.02%，76.74% 和51.67%，76.67%，41.67%，31.67%，80.00%。PCT，CRP，NEU%，PLT 及 其聯合預測模型的AUC 分別為0.732，0.686，0.618，0.649 和0.859，聯合預測模型AUC 均明顯大于單一指標AUC（P＜0.05）。

圖1 PCT，CRP，NEU%，PLT 及這4 個指標聯合預測模型在BSI 中ROC 曲線

表4 PCT，CRP，NEU%，PLT 及這4 個指標聯合預測模型在BSI 中診斷性能

3 討論

Logistic 回歸在診斷指標應用方面具有以下優點[9-10]：①能消除各指標間的混雜因素。②Logistic回歸模型對多個分類自變量進行擬合后新生成的聯合預測因子能優化提高ROC 曲線光滑度和工作性能。③對具體某個患者，在獲得各指標檢測數據后通過方程求得預測概率，并與模型的臨界值（cutoff）比較，得到傾向性診斷。這種基于臨床數據建模的方式更符合循證醫學思想，是對臨床醫生經驗性判斷的一個重要補充，尤其是當指標與指標之間出現矛盾的診斷方向時應用聯合模型判斷能很好解決。然而，目前應用Logistic 回歸對常規指標[11]在成年人BSI 中聯合預測價值進行評價的報道比較罕見，故本文展開這方面探討。

本研究發現BSI 人群PCT，CRP，NEU%，NEU/LYM 表現較高水平和PLT 表現較低水平。除WBC 外，PCT，CRP，NEU%，LYM%，NEU/LYM 和PLT 在BSI 人群中水平表現與國內外相關報道[12-13]相似。眾所周知重度感染時外周血WBC計數可出現顯著升高或下降等不同表現，WBC 在區別感染嚴重程度時存在一定缺點，在本文中得到驗證。在單因素差異分析時，為了避免漏掉一些重要因素，本研究將P 值放寬到0.10，并得到將PCT，CRP，NEU%，LYM%，NEU/LYM，PLT納入Logistic 逐步回歸。因為本研究同樣關注自變量對因變量的影響程度（即權重或優勢比OR），故將連續性自變量進行二分類轉換，最終得到具有預測意義的由PCT，CRP，NEU%，PLT 形成的聯合預測模型。在BSI 疑似人群中，當PCT 高于0.82 ng/ml 時BSI 發生風險增加6.5 倍，當NEU%高于78.6 時BSI 發生風險增加5.2 倍，當PLT 低于262×109/L 時BSI 發生風險增加5.0 倍，當CRP高于112.7 mg/L 時BSI 發生風險增加3.8 倍。預測權重（即OR）由大到小的自變量依次為PCT，NEU%，PLT，CRP。李旻等[14]人指出PCT，CRP與BSI 相關且PCT 預測權重大于CRP，而NEU，PLT 則與BSI 無關，與本研究有一定差別，可能與研究人群和建模組合指標不同有關，也可能與研究人群的劃分不同有關，值得進一步探討。雖然本研究與相關報道[15]均表明BSI 與非BSI 人群LYM%水平差異有統計學意義、與相關報道[15-16]均表明BSI 與非BSI 人群NEU/LYM 水平差異有統計學意義，但本研究通過Logistic 回歸建模后卻發現LYM%，NEU/LYM 不被作為有意義的指標，可見即便是在單因素分析時差異有統計學意義的指標也不一定被納入預測模型中。另外，基于研究方法不同，本研究與相關研究[15,17-18]的研究結果也存在一定差異。盧仁泉[19]等人間接指出在聯合多個指標對疾病進行協助診斷時應對這些指標進行科學組合和應用Logistic 回歸建模，并兼顧模型敏感度和特異度、確定cutoff 值，以達到最佳診斷效果，而且指出利用Logistic 回歸建模的方法是未來發展方向，具有廣闊應用前景。馮磊等[20]人研究也表明Logistic 回歸可提高分析結果的可靠性和有效性。

本研究發現，聯合預測模型、PCT 均具有一定識別和鑒別BSI 的綜合能力（即整體診斷效能，AUC 均＞0.70），而CRP，NEU%，PLT 的整體診斷準確性則相對較低（AUC 均＜0.70），其中聯合預測模型均比任一指標單獨應用時的整體診斷性能都要好。顯然，通過Logistic 回歸建立聯合模型能得到具有更佳的BSI 預測效果，其診斷能力較應用單一指標時顯著提升。PCT，NEU%，PLT 和聯合預測因子具有較好的BSI 識別能力（敏感度），CRP 和聯合預測因子具有較好的BSI 鑒別能力（特異度），尤其是在各指標聯合后具有更好的特異度。鑒于此，在BSI 疑似人群中可先參考PCT，NEU%，PLT 檢測數據進行協助初篩，然后使用預測模型進行協助確認。本研究還發現PCT 在聯合建模中的權重和單獨應用時的整體診斷性能（即AUC）均最大，與相關報道[14-15,17-18,21]相似，在協助BSI 診斷時PCT 是一個相對較好的指標。

綜上所述，WBC，LYM%或NEU/LYM 單獨應用時對BSI 的預測意義不大，PCT，NEU%，PLT 或CRP 單獨應用時對BSI 有一定預測價值，其中PCT 預測價值最大。PCT，CRP，NEU%和PLT 的聯合預測模型均比各指標單獨應用時有更好的BSI 預測價值。單獨應用PCT，NEU%或PLT可協助初步識別BSI，使用聯合預測模型進行綜合判斷可協助確認BSI。本研究不足之處是未對所建模型進行驗證，往后將納入更多臨床病例進一步驗證或完善模型。