重癥肺炎患兒預后的危險因素及其列線圖預測模型構建研究

李重錦，蘇新星，蔣麗君，李靜

重癥肺炎是臨床常見危重癥，由于兒童各器官功能發育不完全，且免疫力低下，故小兒肺部感染發生率較高，多與病毒感染、環境、免疫功能等多種因素有關［1］，患兒主要表現為高熱不退、咳嗽、呼吸困難等，嚴重者可出現呼吸衰竭、意識障礙，并累及多個臟器，最終可導致死亡。機械通氣、抗感染等治療措施雖可緩解重癥肺炎患兒的臨床癥狀，但其病死率仍居高不下［2］。有研究表明，在小兒肺炎中，重癥肺炎患兒占7%～13%，其是5歲以下兒童死亡的主要病因，約占5歲以下兒童死亡人數的19%［3-4］。因此，探討、分析重癥肺炎患兒預后的獨立影響因素并進行個體化干預具有重要的臨床意義。列線圖是將影響不良結局的危險因素以分值形式進行可視化呈現［5］，有助于篩選高風險人群，便于制定針對性的防治措施。本研究旨在探討重癥肺炎患兒預后的危險因素，并構建列線圖模型，以期為不良預后患兒的管理提供一定指導，現報道如下。

1 對象與方法

1.1 研究對象 回顧性分析2017年2月至2021年2月揚州大學附屬醫院收治的210例重癥肺炎患兒的臨床資料。納入標準：（1）符合《諸福棠實用兒科學》［6］中的小兒重癥肺炎診斷標準；（2）年齡1個月～9歲，體溫＞38.5 ℃；（3）伴有全身中毒癥狀；（4）胸部X線檢查顯示肺部有片狀浸潤影，可聞及啰音；（5）臨床資料完整。排除標準：（1）合并先天性心臟病、免疫抑制性疾病者；（2）近1個月內使用免疫抑制劑治療者；（3）先天性氣道發育不良者。本研究通過揚州大學附屬醫院倫理委員會審核批準。

1.2 資料收集 記錄患兒病原菌檢出情況、預后；收集患兒的臨床資料，包括性別、年齡（＜3歲、≥3歲）［7］、住院時間（＜14 d、≥14 d）［8］、并發癥（敗血癥、低氧血癥）、胸腔積液情況、病程（＜3 d、3～7 d、＞7 d）［9］、機械通氣情況、感染病原菌株數、重癥肺炎病史、實驗室檢查指標（白細胞計數、血小板計數、Na+、C反應蛋白、白蛋白）。其中病原菌檢測過程如下：取患兒呼吸道分泌物送檢，進行病原菌培養，應用全自動微生物分析儀測定病原菌種類，采用間接免疫熒光法測定呼吸道病原菌，具體操作嚴格按照試劑盒（購于德國歐蒙公司）說明書進行。結果判讀參照美國臨床實驗室質量標準［10］。根據預后將患兒分為死亡組與存活組，比較兩組患兒的臨床資料。

1.3 統計學方法 應用SPSS 22.0統計學軟件進行數據處理。計量資料以（±s）表示，組間比較采用兩獨立樣本t檢驗；計數資料以相對數表示，組間比較采用χ2檢驗。采用多因素Logistic回歸分析探討重癥肺炎患兒預后的影響因素；使用R軟件（R 3.6.3軟件包）和rms程序包構建預測重癥肺炎患兒預后的列線圖模型；采用Bootstrap法（原始數據重復抽樣100次）對列線圖模型進行內部驗證，采用一致性指數（CI）、校正曲線、受試者工作特征（ROC）曲線及Hosmer-Lemeshow擬合優度檢驗評估列線圖模型對重癥肺炎患兒預后的預測價值。以P＜0.05為差異有統計學意義。

2 結果

2.1 病原菌檢出情況 所有重癥肺炎患兒至少檢出1種病原菌，共檢出232株，其中革蘭陰性菌占比最高，為60.34%，見表1。

表1 重癥肺炎患兒病原菌檢出情況Table 1 Detection of pathogenic bacteria in children with severe pneumonia

2.2 單因素分析 所有患兒中，死亡31例，存活179例。單因素分析結果顯示，兩組患兒年齡、并發癥情況、病程、機械通氣情況、感染病原菌株數比較，差異有統計學意義（P＜0.05）；兩組患兒性別、住院時間、胸腔積液情況、重癥肺炎病史、白細胞計數、血小板計數、Na+、C反應蛋白、白蛋白比較，差異無統計學意義（P＞0.05），見表2。

表2 兩組患兒臨床資料比較〔n（%）〕Table 2 Comparison of clinical data between the two groups

2.3 多因素Logistic回歸分析 將年齡（賦值：≥3歲=0，＜3歲=1）、并發癥（賦值：無=0，有=1）、病程（賦值：＜3 d=0，3～7 d=1，＞7 d=2）、機械通氣（賦值：否=0，是=1）、感染病原菌株數（賦值：1株=0，≥2株=1）作為自變量，預后作為因變量（賦值：存活=0，死亡=1），進行多因素Logistic回歸分析，結果顯示，年齡＜3歲、有并發癥、病程＞7 d、機械通氣、感染病原菌株數≥2株是重癥肺炎患兒死亡的獨立危險因素（P＜0.05），見表3。預測模型公式為Z=-0.161×年齡賦值+1.088×并發癥賦值+1.486×病程賦值+0.974×機械通氣賦值＋0.774×感染病原菌株數賦值-0.974。

表3 重癥肺炎患兒預后影響因素的多因素Logistic回歸分析Table 3 Multivariate Logistic regression analysis of influencing factors on prognosis in children with severe pneumonia

2.4 列線圖模型建立及驗證 基于影響重癥肺炎患兒預后的獨立危險因素建立列線圖模型，見圖1。內部驗證結果顯示：CI為0.826；列線圖模型預測重癥肺炎患兒預后的ROC曲線下面積為0.822〔95%CI（0.751，0.994）〕，見圖2。列線圖模型預測重癥肺炎患兒預后的校正曲線趨近于理想曲線，見圖3；Hosmer-Lemeshow擬合優度檢驗結果顯示，列線圖模型預測重癥肺炎患兒死亡風險的一致性良好（χ2=12.351，P=0.117）。

圖1 預測重癥肺炎患兒預后的列線圖模型Figure 1 Nomogram model for predicting the prognosis in children with severe pneumonia

圖2 列線圖模型預測重癥肺炎患兒預后的ROC曲線Figure 2 ROC curve of Nomogram model for predicting the prognosis in children with severe pneumonia

圖3 列線圖模型預測重癥肺炎患兒預后的校正曲線Figure 3 Calibration curve of Nomogram model for predicting the prognosis in children with severe pneumonia

3 討論

兒童是重癥肺炎高發人群，分析原因為小兒氣管、支氣管管腔狹窄，纖毛運動差，肺泡含氣量少，對咳嗽反射弱，加之自身抗體合成不足，因此小兒肺炎發生率較高［11］。既往調查顯示，在重癥肺炎患兒中，嬰幼兒占比高達70%以上［12］。重癥肺炎患兒由于嚴重缺氧、二氧化碳潴留等累及其他系統，造成機體酸堿失衡、電解質紊亂，致使其死亡率升高［13］。本研究結果顯示，所有重癥肺炎患兒至少檢出1種病原菌，共檢出病原菌232株，其中革蘭陰性菌占比最高，為60.34%，肺炎克雷伯菌、鮑曼不動桿菌是主要病原菌，與宋霜等［14］研究結果一致。本研究210例重癥肺炎患兒中，死亡31例，死亡率為14.76%，與劉西妮等［7］報道的14.94%相當，低于仝重師［9］報道的18.42%，較國外報道的6.4%偏高［15］，提示重癥肺炎患兒死亡率較高。因此，明確影響重癥肺炎患兒預后的危險因素并進行個體干預，對降低死亡率、改善患兒預后具有重要的臨床意義。

本研究結果顯示，年齡＜3歲是重癥肺炎患兒死亡的獨立危險因素，分析原因為低齡患兒身體各器官發育尚不成熟，代償能力較弱，局部感染后極易出現感染擴散，從而加重病情［16］。既往研究顯示，重癥肺炎死亡患兒主要為12個月內的嬰幼兒［17］。此外，本研究結果顯示，有并發癥的重癥肺炎患兒死亡風險是無并發癥患兒的2.968倍，與既往研究報道一致［18］。有并發癥的重癥肺炎患兒病情較復雜，治療難度大，不僅需要治療原發疾病，還需針對性治療并發癥，因此其預后較差。呼吸衰竭、心力衰竭是導致重癥肺炎患兒死亡的直接原因［19］。本研究結果顯示，病程＞7 d是重癥肺炎患兒死亡的獨立危險因素。既往研究表明，重癥肺炎患兒病程越長，預后越差［20］，本研究結果與之一致。機械通氣患兒一般病情較重，氣管插管率較高，而氣管插管等侵入性操作可影響氣道對病原菌的防御能力，外加患兒自身抵抗力較差，因此其不良預后發生風險較高［21］。本研究結果顯示，機械通氣、感染病原菌株數≥2株是重癥肺炎患兒死亡的獨立危險因素。多種病原菌感染患者的臨床癥狀復雜、多樣，而不同病原菌對抗生素的敏感性不同，不利于病情診斷與評估，亦不利于制定精準的治療措施［22］。

本研究將影響重癥肺炎患兒死亡的獨立危險因素以分值形式進行可視化呈現，結果顯示，列線圖模型預測重癥肺炎患兒預后的ROC曲線下面積為0.822〔95%CI（0.751，0.994）〕，且列線圖模型預測重癥肺炎患兒預后的校正曲線趨近于理想曲線；Hosmer-Lemeshow擬合優度檢驗結果顯示，列線圖模型預測重癥肺炎患兒死亡風險的一致性良好，表明列線圖模型對預測重癥肺炎患兒預后具有良好的準確性、區分度及一致性。

綜上所述，年齡＜3歲、有并發癥、病程＞7 d、機械通氣、感染病原菌株數≥2株是重癥肺炎患兒死亡的獨立危險因素，基于這些危險因素構建的列線圖模型對預測重癥肺炎患兒預后具有良好的準確性、區分度及一致性。但本研究為單中心研究，且未能納入其他中心同標準人群進行模型的外部驗證，導致結論可能存在一定偏倚。因此，該列線圖模型的實用價值仍有待大樣本量、多中心的研究進一步驗證。

作者貢獻：李重錦、李靜進行文章的構思與設計，結果分析與解釋；蘇新星、蔣麗君、李靜進行數據收集、整理、分析；李重錦撰寫、修訂論文；李靜負責文章的質量控制及審校，并對文章整體負責、監督管理。

本文無利益沖突。