新型冠狀病毒肺炎病情嚴重程度與預后指標相關性的Meta分析

王繼婷 ，李俊 ，田塬 ，李亞玲

本文創新點：

本研究單獨報道的新型冠狀病毒肺炎（COVID-19）預后指標通過Meta分析的方法整合起來研究其與病情嚴重程度的關系，現目前此類研究較少，并且與過往相關研究進行比較，本篇Meta分析添加了D-二聚體（D-dimer）以及淋巴細胞計數（LYM）兩個重要預后指標，為COVID-19的病情預測，預后評估提供更明確參考。

本文局限性：

（1）納入文獻樣本量較?。唬?）納入患者病情嚴重程度不同結合年齡差異較大導致研究之間的降鈣素原（PCT）和白介素-6（IL-6）的值差異較大，置信區間重疊較小，因而異質性較大；（3）納入的研究大多缺乏分配隱藏和雙盲的實施，可能存在選擇偏倚。故此結論尚需更多高質量、多中心、大樣本的隨機對照試驗進一步證實。

新型冠狀病毒肺炎（coronavirus disease 2019，COVID-19）是一種由嚴重急性呼吸綜合征冠狀病毒2（SARS-CoV-2）感染引起的肺炎，傳染力強，目前已成為國際社會特別關注的突發公共衛生事件［1］。該病病原體屬于β屬冠狀病毒，主要通過呼吸道飛沫和密切接觸傳播，人群普遍易感［2］。盡管大多數患者預后良好，但部分患者在發病后迅速出現呼吸困難和低氧血癥，進而發展為急性呼吸窘迫綜合征（acute respiratory distress syndrome，ARDS），甚至多器官衰竭，病死率較高［3］。根據新型冠狀病毒肺炎診療方案（試行第七版）［4］，病情嚴重程度分為輕型、普通型、重型及危重型4類。臨床上如何早期識別潛在重癥病例，避免輕型和普通型患者向重癥甚至危重型轉化，如何評估COVID-19的預后以及預測COVID-19的轉歸，是臨床工作中的一大難題。非常有必要利用文獻及臨床數據對其進行分析評估，以便為提高醫院整體防病治病能力。因此本研究旨在利用Meta分析的方法探討降鈣素原（PCT）、C反應蛋白（CRP）、白介素-6（IL-6）、D-二聚體（D-dimer）以及淋巴細胞計數（LYM）與COVID-19病情嚴重程度的關系，為臨床預測COVID-19病情轉歸及評估預后提供循證醫學參考。

1 資料與方法

1.1 納入與排除標準

1.1.1 納入標準 研究類型：國內外公開發表的隨機對照試驗，限制語種為中、英文。研究對象：疾病嚴重程度分型不同的COVID-19患者，患者年齡、性別、國籍不限。組別：患者分為重型組和非重型組 （A：非重癥組vs重癥組）或死亡組和存活組 （B：存活組vs死亡組）。預后指標：PCT、CRP、IL-6、D-dimer、LYM。

1.1.2 排除標準 （1）臨床前研究；（2）試驗數據報告不完整且無法聯系原作者取得原始數據的研究；（3）重復發表的文獻；（4）綜述；（5）無法獲取全文。

1.2 文獻檢索策略 計算機檢索The Cochrane Library、EMBase、PubMed、Web of Science、SinoMed、中國知網、萬方數據知識服務平臺、維普網。中文檢索詞為“新冠肺炎、降鈣素原、C反應蛋白、白介素-6、D-二聚體、淋巴細胞計數”；英文檢索詞為“COVID-19，Procalcitonin，C-reactive protein，Interleukin-6，D-dimer，Lymphocyte count”。檢索時限為各數據庫建庫至2020-09-03。

1.3 數據提取與質量評價 由兩名研究者獨立檢索文獻，根據納入與排除標準篩選文獻并交叉核對，如遇分歧通過討論解決或請第3名研究者協商裁定。提取資料包括第一作者、發表年份、組別、例數、年齡、預后指標等。采用改良Jadad量表評價納入研究質量，具體包括：隨機序列的產生（恰當2分，不清楚1分，不恰當0分）、分配隱藏（恰當2分，不清楚1分，不恰當0分）、盲法（實施2分，不清楚1分，未實施0分）、撤出與失訪（描述1分，未描述0分）；0～3分為低質量研究，4～7分為高質量研究。

1.4 統計學方法 采用Stata 12.0軟件進行Meta分析。連續型變量采用標準化均數差（SMD）及其95%CI表示。若各研究間無統計學異質性（P＞0.100，I2＜50%），采用固定效應模型進行分析；反之，則采用隨機效應模型進行分析。若各研究間存在統計學異質性，解析異質性來源，對可能導致異質性產生的因素進行亞組解析。若兩個研究組之間存在統計學異質性而無臨床異質性或差異無統計學意義時，采用隨機效應模型進行分析。通過逐篇排除文獻后重新合并計算進行敏感性分析。兩組間異質性過大或無法尋找數據來源時，采用描述性分析。采用Egger's檢驗進行發表偏倚分析。以P＜0.05為差異有統計學意義。

2 結果

2.1 文獻檢索結果 初步檢索得到相關文獻365篇，采用EndNote X9軟件去除重復發表的文獻，經仔細閱讀題目、摘要及全文后，最終納入文獻15篇［5-19］，均為中文文獻，共計1 476例患者。文獻篩選流程見圖1。

圖1 文獻篩選流程圖Figure 1 Flow chart of literature screening

2.2 納入研究基本信息及質量評價 納入研究的基本信息見表1。采用改良Jadad量表對其進行質量評價，Jadad評分均在4～5分之間，均為高質量文獻。

表1 納入研究基本信息Table 1 Basic information of included studies

2.3 Meta分析結果

2.3.1 PCT 共8篇文獻［5-9，11-13］報道了非重癥組與重癥組患者的PCT情況；異質性檢驗結果顯示，I2=97.2%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，重癥組患者的PCT高于非重癥組，差異有統計學意義〔SMD=-2.28，95%CI（-3.60，-0.98），P＜0.001，見圖 2〕。共 2 篇文獻［7，10］報道了存活組與死亡組患者的PCT情況，異質性檢驗結果顯示，I2=95.7%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，死亡組患者的PCT高于存活組，差異有統計學意義〔SMD=-4.11，95%CI（-9.98，1.76），P=0.007，見圖 3〕。

2.3.2 CRP 共 10 篇文獻［5-7，9，11-13，16-18］報道了非重癥組與重癥組患者的CRP情況，異質性檢驗結果顯示，I2=97.6%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，重癥組患者的CRP高于非重癥組，差異有統計學意義〔SMD=-2.23，95%CI（-3.38，-1.07），P＜0.001，見圖 2〕。共 4 篇文獻［7，10，14-15］報道了死亡組與存活組患者的CRP情況，異質性檢驗結果顯示，I2=90.7%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，死亡組患者的CRP高于存活組，差異有統計學意義〔SMD=-2.73，95%CI（-4.21，-1.25），P＜0.001，見圖3〕。

2.3.3 LYM 共 6 篇文獻［5-6，8，11-12，18］報道了非重癥組與重癥組患者的LYM情況，異質性檢驗結果顯示，I2=95.5%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，重癥組患者的LYM高于非重癥組，差異有統計學意義〔SMD=1.41，95%CI（0.34，2.48），P＜0.001， 見 圖 2〕。 共 4篇 文獻［10，14-15，19］報道了死亡組與存活組患者的LYM情況，異質性檢驗結果顯示，I2=93.2%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，死亡組患者的LYM低于存活組，差異有統計學意義〔SMD=2.08，95%CI（0.93，3.22），P＜0.001，見圖 3〕。

2.3.4 IL-6 共5篇文獻［7-8，11-13］報道了非重癥組與重癥組患者的IL-6情況，異質性檢驗結果顯示，I2=97.9%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，重癥組患者的IL-6高于非重癥組，差異有統計學意義〔SMD=-2.97，95%CI（-4.94，-1.00），P＜0.001，見圖 2〕。共 2篇文獻［7，14］報道了死亡組與存活組患者的IL-6情況，異質性檢驗結果顯示，I2=0，P=0.343，采用固定效應模型進行Meta分析，結果顯示，死亡組患者的IL-6高于存活組，差異有統計學意義〔SMD=-3.79，95%CI（-4.90，-2.67），P＜0.001，見圖 3〕。

2.3.5 D-dimer 共5篇文獻［8-9，16-18］報道了非重癥組與重癥組患者的D-dimer情況，異質性檢驗結果顯示，I2=97.2%，P＜0.001，采用隨機效應模型進行Meta分析，結果顯示，重癥組患者的D-dimer高于非重癥組，差異有統計學意義〔SMD=-1.22，95%CI（-2.66，0.21），P=0.008，見圖 2〕。共2篇文獻［10，15］報道了死亡組與存活組患者的D-dimer情況，異質性檢驗結果顯示，I2=80.2%，P=0.025，采用隨機效應模型進行Meta分析，結果顯示，死亡組患者的D-dimer高于存活組，差異有統計學意義〔SMD=-0.68，95%CI（-1.46，0.09），P=0.009，見圖3〕。

圖2 非重癥組與重癥組患者PCT、CRP、LYM、IL-6、D-dimer比較的森林圖Figure 2 Forest plot of PCT，CRP，LYM，IL-6 and D-dimer levels in severe and non-severe COVID-19 patients

圖3 存活組與死亡組PCT、CRP、IL-6、LYM、D-dimer比較的森林圖Figure 3 Forest plot of PCT，CRP，LYM，IL-6 and D-dimer levels in survived and deceased COVID-19 patients

2.4 敏感性分析 由于本文納入的COVID-19患者病情嚴重程度不同，患者年齡差距也較大，因此不同年齡段患者的預后指標數值差距較大，這可能是異質性的主要來源。對于A組來說，每項研究的異質性均較大，因此每次將一項納入研究剔除后，將剩余研究進行合并，分析單項研究對合并結果的影響，發現逐一剔除敏感性分析中置信區間重疊率較小的文獻后，異質性明顯下降（I2=50.3%，0，0，0，45.9%）。在B組的納入文獻中，PCT、IL-6，D-dimer均只有兩項研究，因此無法進行敏感性分析降低異質性，而CRP和LYM無論剔除哪一篇文獻，異質性均較大。敏感性分析結果詳見圖4～5。A組PCT、CRP、LYM、IL-6、D-dimer這五個指標進行敏感性分析后，逐一排除導致異質性較大的文獻，重新進行Meta分析獲得了異質性符合要求的結果，PCT：I2=50.3%，〔SMD=-0.56，95%CI （-1.05，-0.07），P=0.003〕；CRP：I2=0，〔SMD=-0.72，95%CI （-0.93，-0.51），P＜0.001〕；LYM：I2=0，〔SMD=2.48，95%CI （1.84，3.11），P＜0.001〕；IL-6：I2=0，〔SMD=-5.06，95%CI （-6.37，-3.76），P＜0.001〕；D-dimer：I2=45.9%，〔SMD=-0.57，95%CI （-1.09，-0.06），P=0.003）〕（見圖6）。

圖4 A組PCT、CRP、LYM、IL-6、D-dimer的敏感性分析結果圖Figure 4 Sensitivity analysis results of PCT，CRP，LYM，IL-6，and D-dimer in severe and non-severe COVID-19 patients

圖5 B組PCT、CRP、LYM、IL-6、D-dimer的敏感性分析結果圖Figure 5 Sensitivity analysis results of PCT，CRP，LYM，IL-6，and D-dimer in survived and deceased COVID-19 patients

圖6 A組敏感性分析后Meta分析森林圖Figure 6 Forest plot of meta-analysis after sensitivity analysis in severe and non-severe COVID-19 patients

2.5 發表偏倚分析 以CRP、D-dimer為指標進行發表偏倚分析，采用Egger's檢驗進行發表偏倚分析，以每一個獨立研究SMD對數的標準誤為橫坐標，每一個獨立研究SMD的對數為縱坐標，繪制漏斗圖，詳見圖7。結果顯示Egger's檢驗P為0.237，提示存在發表偏倚的可能性較小。

圖7 基于CRP、D-dimer的漏斗圖Figure 7 Funnel plot assessing publication bias based on CRP and D-dimer

3 討論

作為呼吸道新型傳染疾病，SARS-CoV-2首先會攻擊肺臟，傳染性極強，傳播速度很快，已納入《中華人民共和國傳染病防治法》并按甲類傳染病管理的乙類傳染病進行管理［4］。目前臨床對其病情輕重判斷、預后情況等很多相關問題仍在不斷認識完善中，通過運用Meta分析的方法探尋COVID-19患者病情嚴重程度和預后指標（CRP、PCT、IL-6、D-dimer、LYM）之間的關系，可以為臨床發現潛在重癥病例以及評估患者預后提供循證證據，為相關治療規程及操作指南的形成提供參考。

SARS-CoV-2入侵人體引起一系列炎癥瀑布反應，導致一些炎性指標、免疫指標以及凝血指標發生病理性改變。機體中CRP是一種急性時相反應蛋白質，當機體遭受損傷或微生物入侵發生炎性刺激時快速升高，是一種非特異的炎性標志物，細菌感染時升高明顯，病毒感染時升高不明顯，可鑒別診斷細菌或病毒感染，已有研究證明CRP水平與炎癥的嚴重程度相關［20-21］。IL-6也是一種非特異性炎性指標，機體受炎性刺激后1 h之內升高，2 h達峰值，且能誘導CRP和PCT升高［22］。PCT在炎癥刺激特別是細菌感染或膿毒血癥狀態下，體內含量急劇升高，病毒感染時不升高或輕微升高［23］。根據血清中PCT含量，可鑒別診斷細菌感染或病毒感染，也可辨別病毒感染后有無繼發細菌感染［24］。COVID-19患者中50%可出現D-dimer升高，當前有研究發現D-dimer升高可能是COVID-19預后不良的危險因素［25-27］。鐘南山院士團隊發表的1 099例 COVID-19患者臨床研究中提到，83.2%的患者有LYM減少表現［28］，余小梅等［19］研究發現LYM減少是患者死亡的獨立預測因子。淋巴細胞數目越低，患者預后越差。

綜上所述，PCT、CRP、LYM、IL-6、D-dimer可能是COVID-19的預后判定指標，但是缺乏大量的循證學證據證明病情嚴重程度和預后指標的關系，本文通過Meta分析的方法，對現有文獻證據進行綜合分析，結果顯示重癥組的PCT、CRP、IL-6、D-dimer均高于非重型組，LYM低于非重型組；死亡組的PCT、CRP、IL-6、D-dimer均高于存活組，LYM均低于存活組，說明PCT、CRP、IL-6、D-dimer可能和病情嚴重程度呈正相關，LYM可能和病情嚴重程度呈負相關；PCT、CRP、LYM、IL-6、D-dimer有利于發現潛在重癥病例，對病情嚴重程度具有預測作用，并且作為預后指標對患者進行預后評估。但在分析過程中，發現由于本文納入的COVID-19患者病情嚴重程度不同，患者年齡差距也較大，因此不同年齡段患者的預后指標數值差距較大，這可能是異質性的主要來源。對于A組來說，每項研究的異質性均較大，因此每次將一項納入研究剔除后，將剩余研究進行合并，分析單項研究對合并結果的影響，發現逐一剔除敏感性分析中置信區間重疊率較小的文獻后，異質性明顯下降（I2=50.3%、0、0、0、45.9%）。在B組的納入文獻中，PCT、IL-6，D-dimer均只有兩項研究，因此無法進行敏感性分析降低異質性，而CRP和LYM無論剔除哪一篇文獻，異質性均較大，分析原因可能是患者的病情嚴重程度不同結合年齡差異（如有些重型患者年齡較大，有些非重型患者年齡較大）這兩個因素的綜合作用，導致納入研究之間的預后指標值差異均較大，因而異質性無法降低。

作者貢獻：王繼婷、李亞玲進行文章的構思與設計、撰寫論文；王繼婷、李俊進行研究的實施與可行性分析；王繼婷、田塬進行數據收集；田塬進行數據整理；王繼婷進行統計學處理；李俊進行結果的分析與解釋，論文的修訂；李亞玲負責文章的質量控制及審校，對文章整體負責，監督管理。

本文無利益沖突。