نقش پیش آگهی و قدرت تشخیصی هفت شاخص در بیماران COVID-19

لیلی دینگ 1 ، وانان ژانگ 1 ، فنگگلنگ ژانگ 1 ، چاوکن هوانگ 1 ، مینگ یانگ 2 ، ژوپینگ تانگ 3 * ، یونگوو لی 1 * ، جون می 1 * و ویمین ژونگ 1 *

• 1 بیمارستان پنجم Xiamen ، Xiamen ، چین
• 2 بیمارستان وابسته به بیمارستان پینگتان ، دانشگاه پزشکی فوجیان ، فوژو ، چین
• 3 بیمارستان تونگجی ، کالج پزشکی تونگجی ، دانشگاه علوم و فناوری Huazhong ، ووهان ، چین

معرفی

شیوع بیماری Coronavirus-2019 (COVID-19) از زمان تأیید اولین پرونده در شهر ووهان (چین) در دسامبر 2019 (1) به سرعت در سطح جهان گسترش یافته است. میزان شیوع و مرگ و میر COVID-19 از میزان سندرم تنفسی خاورمیانه Coronavirus (MERS-COV) و سندرم تنفسی حاد شدید (SARS) فراتر رفته است (2). WHO COVID-19 را تهدیدی مهم برای سلامت بین المللی و یک بیماری همه گیر جهانی اعلام کرد. آمار در زمان واقعی دانشگاه جان هاپکینز گزارش داد که بیش از 17. 53 میلیون مورد COVID-19 را تأیید کرده است و نزدیک به 680،000 کشته Covid-19 در سراسر جهان از اول اوت 2020. مطالعات قبلی گزارش داده اند که بیشتر بیماران SARS-COV-2 پیش آگهی بهتری دارند و پیش آگهی بهتری دارند ومی تواند به تدریج پس از 2 هفته بهبود یابد. علاوه بر این ، تعداد کمی از بیماران مبتلا به ذات الریه شدید (3-5) ، سندرم پریشانی حاد تنفسی (ARDS) یا سندرم اختلال عملکرد اندام ، که منجر به مرگ می شوند ، ایجاد کردند. سطح اینترلوکین 6 (IL-6) ، D-Dimer و لنفوسیت ها می تواند به پزشکان کمک کند تا بیماران COVID-19 را با پیش آگهی های ضعیف اولیه شناسایی کنند و بیماران پرخطر را شناسایی کنند (6-8).

The latest COVID-19 studies focus on patients with severe and critical illnesses. This is because this stage of disease progression may lead to rapid deterioration, which can result in inflammatory storms, respiratory distress, multiple organ failure, and death (9). Currently, limited medical approaches and treatments are available for severe COVID-19. Therefore, it is important to explore effective prognostic predictors for timely intervention. Previous studies have reported that high expression levels of IL-6 and interleukin-10 (IL-10) can predict deterioration in patients with COVID-19 (10). In addition, previous studies have reported that D-dimer elevation, leukopenia, and thrombocytopenia are independent risk factors for severe COVID-19 (11). Furthermore, a D-dimer associated with pneumonia progression (12) and inpatient mortality (3, 6, 13–15) has been identified. A cohort study in Shanghai demonstrated that some factors including age (>64 ساله) ، پروکلسیتونین ، D-dimer ، پروتئین واکنشی C (CRP) ، لاکتات دهیدروژناز ، لنفوسیت ها ، نوتروفیل ها ، CD4 ٪ و نسبت CD4/CD8 به عنوان نشانگرهای بالقوه پیشرفت بیماری در نظر گرفته شدند (9 ، 16). بنابراین ، ضروری است که شاخص های اولیه پیشرفت بیماری را برای ارائه پیش بینی اساسی و مدیریت بیماری برای بهبود پیش آگهی کشف کنیم.

در مطالعه حاضر ، در مجموع 104 بیمار COVID-19 از بیمارستان تونگجی وابسته به دانشگاه کالج پزشکی تونگجی (ووهان ، چین) به عنوان شرکت کنندگان در مطالعه قرار گرفتند. توانایی های تشخیصی و سطح شاخص ها در بین بیماران متداول ، شدید و بحرانی COVID-19 با استفاده از تجزیه و تحلیل بیوانفورماتیک مورد بررسی قرار گرفت. علاوه بر این ، تجزیه و تحلیل بقا انجام شد و یک امضا پیش آگهی دو نشانگر برای نشان دادن ارتباط بین شاخص ها و پیش آگهی در بیماران COVID-19 ایجاد شد.

مواد و روش ها

استخدام شرکت کنندگان در مطالعه

در مجموع 104 بستری بزرگسالان (18 ≥) با وضعیت COVID-19 با تأیید آزمایشگاه از بیمارستان تونگجی وابسته به کالج پزشکی تونگجی (ووهان ، چین) در مطالعه حاضر استخدام شدند. بیماران یا پس از محرومیت از اطلاعات بالینی ناقص خود ، بین 10 فوریه و 28 مارس 2020 مرخص شده بودند یا درگذشتند. بیماران بر اساس معیارهای مفصل زیر به عنوان رایج (50 نفر) ، نوع شدید (29 نفر) و انواع بحرانی (25 نفر) طبقه بندی شدند:

(1) نوع مشترک: بیمارانی که سرفه ، تب و سایر علائم از جمله تصویربرداری از پنومونی دارند.(2) نوع شدید: بیماران مبتلا به پریشانی تنفسی و میزان تنفس ≥ 30 در هر دقیقه. بیمارانی که اشباع اکسیژن هوای داخلی در حالت استراحت 93 ٪ است. و بیمارانی که فشار جزئی اکسیژن در خون شریانی/کسری از اکسیژن الهام گرفته 300 میلی متر جیوه است. و (3) نوع بحرانی: بیماران مبتلا به نارسایی تنفسی و تهویه مکانیکی مورد نیاز. بیماران مبتلا به شوک ؛و بیماران با سایر اختلالات اندام ، که نیاز به نظارت و درمان در بخش مراقبت های ویژه دارند.

ساخت مدل پیش آگهی

تجزیه و تحلیل رگرسیون یک متغیره COX روی هفت شاخص در بیماران مطالعه با استفاده از بسته R "بقا" انجام شد. همچنین یک آزمون log-رده نیز برای نمایش شاخص های کاندیدای قابل توجه انجام شد. شاخص های کلی مربوط به بقا بر اساس الگوریتم کمترین انقباض و انتخاب (LASSO) با استفاده از بسته "GLMNET" R بیشتر نمایش داده شد. علاوه بر این ، فرمول خطر بر اساس سطح و ضریب شاخص ها ساخته شد:

نمره خطر = σ (Coef_{شاخص ها}× exp_{شاخص ها}) ، جایی که_{شاخص ها}ضریب لاسو از هر شاخص را نشان می دهد ، EXP_{شاخص ها}سطح هر شاخص را نشان می دهد. نمره خطر برای هر بیمار بر اساس فرمول خطر محاسبه شد. تجزیه و تحلیل منحنی Kaplan-Meier (K-M) برای برآورد اختلاف بقا بین گروه های پرخطر و کم خطر انجام شد. تجزیه و تحلیل ویژگی عامل گیرنده (ROC) برای ارزیابی صحت مدل ریسک و هفت شاخص انجام شد.

تحلیل آماری

داده های بالینی به داده های مداوم و طبقه بندی شده طبقه بندی شدند. برای داده های مداوم ، اختلافات با استفاده از یک آزمون Kruska l-Wallis محاسبه شد. داده های طبقه بندی شده با استفاده از یک آزمون مجذور کای یا آزمون دقیق فیشر محاسبه شد. اگر P از نظر آماری معنی دار در نظر گرفته شد< 0.05. Moreover, the survival differences of each indicator were estimated using the “survminer” R package based on the best separation level. A nomogram was constructed based on the seven indicators using the “rms” package. All analyses were conducted in the R environment.

نتایج

منظره هفت شاخص

میز 1 . اطلاعات بالینی 104 بیمار COVID-19.

شکل 1 . مقایسه اشباع اکسیژن (A) ، لکوسیت ها (B) ، لنفوسیت ها (C) ، D-Dimer (D) ، آلبومین (E) ، CRP (F) و IL-6 (G) در مشترک ، شدید وانواع بحرانی بیماران COVID-19.

شکل 2 . تجزیه و تحلیل منحنی های Kaplan-Meier (K-M) برای هفت شاخص: اکسیژن (A) ، لنفوسیت ها (B) ، آلبومین (C) ، لکوسیت (D) ، پروتئین واکنشی C (CRP) (E) ، اینترلوکین-6 (IL-6) (f) ، و D-Dimer (G).

شکل 3. تجزیه و تحلیل منحنی عامل گیرنده (ROC) برای هفت شاخص بین انواع بحرانی و غیر بحرانی.

ساخت امضای پیش آگهی

برای درک بهتر نقش های پیش آگهی هفت شاخص در بیماران COVID-19 ، بیماران به طور مساوی به یک مجموعه داده آموزش (54 نفر) و یک مجموعه داده آزمایش (54 نفر) طبقه بندی شدند. سطح هفت شاخص در بیماران مبتلا به COVID-19 با استفاده از تجزیه و تحلیل رگرسیون یک متغیر COX در مجموعه داده های آموزش مورد بررسی قرار گرفت. این یافته ها نشان داد که هفت شاخص به طور قابل توجهی با بقای کلی بیماران COVID-19 همراه است (شکل 4). علاوه بر این ، هفت شاخص تحت تجزیه و تحلیل رگرسیون لاسو قرار گرفتند. سپس دو شاخص (CRP و D-dimer) بر اساس حداقل معیارهای ایجاد امضای خطر با استفاده از ضرایب حاصل از الگوریتم Lasso انتخاب شدند (شکل 5). نمرات خطر برای هر بیمار در مجموعه داده های آموزش و آزمایش بر اساس فرمول خطر محاسبه شد:

شکل 4. طرح جنگل برای تجزیه و تحلیل رگرسیون یک متغیره کاکس در مجموعه داده های آموزش.

شکل 5انتخاب امضای پیش آگهی با استفاده از تجزیه و تحلیل کمترین انقباض و انتخاب (LASSO) در مجموعه داده های آموزش.(الف) طیف ضریب لاسو از شاخص های COVID-19.(ب) انتخاب بهترین پارامترها برای COVID-19 در مدل Lasso (λ).

نمره خطر = 0. 0011 * سطح CRP + 0. 0345 * سطح D-Dimer

بیماران به ترتیب بر اساس نمرات خطر در گروه های پرخطر و کم خطر در مجموعه داده های آموزش و آزمایش طبقه بندی شدند. یافته های مطالعه حاضر نشان داد که بیشتر موارد متوفی با گروه پرخطر مطابقت دارد ، در حالی که موارد زنده با گروه کم خطر همراه است (شکل 6). علاوه بر این ، بیماران در گروه پرخطر در مجموعه داده های آموزش و آزمایش سطح CRP و D-Dimer بالایی داشتند. یافته های تجزیه و تحلیل منحنی K-M حاکی از واگرایی قابل توجه در نتایج کلی بقا بین گروههای خطر در مجموعه داده های آموزش و آزمایش است (P< 0.01) (Figures 7A,B). In addition, the findings of the ROC analysis showed that the risk signature accurately predicts the survival rate of patients in 1 month in the training and testing datasets (AUC >0. 90) (شکل 7c ، d).

شکل 6. ویژگی های امضای شاخص پیش آگهی به ترتیب در مجموعه داده های آموزش (A) و آزمایشگاه آزمایش (B). پانل فوقانی توزیع نمره خطر از امضای پیش آگهی را نشان می دهد ، پانل میانی نمایانگر توزیع بیماران است و پانل پایین نشان دهنده سطح دو شاخص پیش آگهی است.

شکل 7. امضای پیش آگهی با بقای بیماران مبتلا به COVID-19 همراه است.(الف) تجزیه و تحلیل منحنی K-M از بیماران COVID-19 که بیماران را با نمره خطر متوسط در مجموعه داده های آموزش طبقه بندی می کنند.(ب) تجزیه و تحلیل منحنی K-M از بیماران COVID-19 که بیماران را با نمره خطر متوسط در مجموعه داده های آزمایش طبقه بندی می کنند.(ج) تجزیه و تحلیل ROC از امضای پیش آگهی در مجموعه داده های آموزش.(د) تجزیه و تحلیل ROC از امضای پیش آگهی در مجموعه داده های آزمایش.

ساخت و اعتبار سنجی ناموگرافی

ناموگرافی توسط مدل ریسک در مجموعه داده های آموزش (شکل مکمل 2A) ایجاد شد. توطئه های کالیبراسیون نشان داد که ناموگرافی در 15 ، 30 و 45 روز عملکرد خوبی دارد (شکل های مکمل 2 B-D). تجزیه و تحلیل منحنی تصمیم گیری برای نانوگرم برای پیش بینی بقای بیماران COVID-19 به ترتیب در 15- ، 30- و 45 روز به ترتیب (شکل های مکمل 2E-G) سود خاصی نشان داد. علاوه بر این ، یک ناموگرافی مبتنی بر هفت شاخص نیز برای تهیه یک روش کمی برای پیش آگهی بیماران CoVID-19 ساخته شد. امتیازها از طریق مقیاس نقطه در نانوگرم به متغیرهای فردی اختصاص داده شدند. برای ارزیابی نقاط هر متغیر و محاسبه نمرات برای هر بیمار COVID-19 با جمع بندی نقاط همه متغیرها و استاندارد کردن آنها به توزیع از 0 تا 100 از یک خط افقی استفاده شد. 19 بیمار در نیم ماه ، 1 و 2 ماه از طریق پیش نویس یک خط عمودی بین محور نقطه کل و هر محور پیش آگهی ، که ممکن است به پزشکان کمک کند تا تصمیم گیری بالینی را برای بیماران COVID-19 ایجاد کنند (شکل 8). AUC برای نانوگرم در بقای 15 ، 30- و 45 روز به ترتیب 925 ، 0. 931 و 0. 946 بود (شکل مکمل 3).

شکل 8 . برای پیش بینی بقای کلی (OS) بیماران COVID-19 از نامگذاری هفت شاخص استفاده شد.

بحث

مطالعه حاضر بر سطح و پیش آگهی هفت شاخص از جمله اکسیژن ، لنفوسیت ها ، آلبومین ، لکوسیت ، CRP ، IL-6 و D-Dimer در بیماران COVID-19 متمرکز شده است. در مرحله اول ، سطح هفت شاخص در سه نوع بالینی مختلف (رایج ، شدید و بحرانی) مقایسه شد. این یافته ها نشان داد که سطح لنفوسیت ها ، آلبومین ها و اشباع اکسیژن نشانگر کاهش روند از انواع بالینی مشترک به بحرانی است. سطح اشباع اکسیژن نشان دهنده فعالیت و کیفیت ریه ها است. بنابراین ، سطح اشباع بالای اکسیژن نشانگر ریه های سالم است (17 ، 18). بنابراین ، این توضیح می دهد که چرا سطح اشباع اکسیژن از انواع بالینی مشترک به بحرانی کاهش یافته است. علاوه بر این ، سطح لنفوسیت ها نشان دهنده سطح نفوذ ایمنی است ، این نشانگر این است که بیماران نوع بالینی بحرانی ممکن است از اختلالات ایمنی رنج برده باشند. بنابراین ، سطح لنفوسیت ها از بیماران مبتلا به نوع بالینی متداول به بحرانی کاهش یافته است. به طور مشابه ، سطح آلبومین روند نزولی از انواع بالینی مشترک به بحرانی (19 ، 20) به نمایش گذاشت. با این حال ، یافته های مطالعه حاضر نشان داد که سطح لکوسیت ها ، CRP ، IL-6 و D-Dimer یک روند معکوس دارند ، جایی که آنها به طور قابل توجهی از موارد بالینی مشترک به بحرانی افزایش یافته اند. این شاخص ها عمدتا عوامل التهابی هستند. بنابراین ، بیماران شدید COVID-19 سطح شاخص بالاتری دارند (21-23). علاوه بر این ، مطالعه حاضر قدرت تشخیصی هفت شاخص بین نوع بحرانی و انواع بالینی غیر بحرانی را ارزیابی کرده است. نکته قابل توجه ، همه شاخص ها توانایی تشخیصی بالایی ، به ویژه CRP (AUC = 0. 918) و IL-6 (AUC = 0. 931) را نشان دادند. این یافته ها نشان می دهد که این شاخص ها نشانگرهای زیستی تشخیصی بالقوه COVID-19 هستند.

برای کشف بیشتر نقش پیش آگهی شاخص ها ، رگرسیون یک متغیره کاکس و تجزیه و تحلیل لاسو برای ساخت یک امضای پیش آگهی دو نشانگر (CRP و D-Dimer) انجام شد. بیماران با نمرات پرخطر زمان بقا به طور قابل توجهی کوتاه تر بودند و در مقایسه با بیماران نمره کم خطر با موارد متوفی بیشتر همراه بودند. یافته های تجزیه و تحلیل ROC مقدار اعتماد به نفس بالایی را نشان داد ، که نشان دهنده قابلیت اطمینان مدل پیش آگهی بود. مطالعات قبلی گزارش ارتباط سطح CRP با اختلالات تنفسی و مرگ و میر در طول شیوع شدید سندرم حاد تنفسی (SARS) در سال 2002 (24). در طول شیوع COVID-19 ، یافته های چندین مطالعه ارتباط مثبت بین CRP و ضایعات ریه در بیماران COVID-19 را نشان داده است ، با تغییرات قابل توجهی در CRP در بیماران غیر رفتاری مشاهده می شود (25). علاوه بر این ، شایع ترین عوارض از جمله آسیب قلبی و آسیب حاد کلیه به طور مستقیم با تغییرات سطح CRP مرتبط بود. این ممکن است با پاسخ ایمنی شدید برای عملکرد مولکول های ایمنی بی شماری و CRP توضیح داده شود. فراتر از آستانه CRP ممکن است منجر به نارسایی ارگان در بیماران COVID-19 شود (26 ، 27). یافته های مطالعه حاضر نشان داد که سطح CRP از بیماران مبتلا به نوع بالینی متداول به بحرانی افزایش یافته است ، که مطابق با توضیحات قبلی است. D-Dimer برای ارزیابی ترومبوآمبولی وریدی و آمبولی ریوی استفاده می شود. افزایش سطح D-dimer حاکی از افزایش خطر لخته شدن خون غیر طبیعی است (28). مطالعات قبلی از همبستگی مثبت بین افزایش سطح D-Dimer و شدت COVID-19 گزارش شده است (29). بیماران مبتلا به COVID-19 غالباً بستر بودند و با عملکردهای انعقادی غیر طبیعی ارائه می شدند. بنابراین ، آسیب پذیری در برابر خطر ترومبوآمبولی وریدی ، به ویژه در بین بیماران بحرانی ، تظاهرات احتمالی است. این توضیحات سطح بالای D-Dimer را در بین بیماران بحرانی COVID-19 توضیح می دهد. نکته قابل توجه ، سطح D-dimer بالا نیز عفونت ویروسی شدید را نشان می دهد. عفونت ویروسی ممکن است منجر به سپسیس شود و اختلال عملکرد انعقادی را ترویج کند ، که در پیشرفت بیماری شدید شایع است (23).

نتیجه

مطالعه حاضر نشان داد كه هفت شاخص نقش مهمی در پیشرفت COVID-19 دارند و نشانگرهای زیستی بالقوه COVID-19 هستند. علاوه بر این ، مطالعه حاضر یک امضای پیش آگهی دو نشانگر را ایجاد کرده است که ممکن است مدیریت بالینی را در بیماران COVID-19 بهبود بخشد.

بیانیه در دسترس بودن داده ها

مشارکتهای اصلی ارائه شده در مطالعه در مقاله/مطالب تکمیلی گنجانده شده است ، سوالات بیشتر می تواند به نویسنده/های مربوطه هدایت شود.

بیان اخلاق

مطالعات مربوط به شرکت کنندگان انسانی توسط کمیسیون اخلاق بیمارستان تونگجی کالج پزشکی تونگجی ، دانشگاه علوم و فناوری Huazhong بررسی و تأیید شد. رضایت آگاهانه کتبی ارائه نشده است زیرا رضایت آگاهانه کتبی برای اضطراری این بیماری عفونی چشم پوشی شده است.

کمک های نویسنده

WZHO و JM این مطالعه را طراحی کردند. LD ، WZHA ، FZ ، CH ، MY و ZT اطلاعات بالینی COVID-19 را جمع آوری کردند. LD و WZHA داده ها را تجزیه و تحلیل کردند. LD نسخه خطی را نوشت. YL ، ZT و WZHO نسخه خطی را اصلاح کردند. همه نویسندگان در مقاله مشارکت داشتند و نسخه ارسال شده را تصویب کردند.

منابع مالی

این تحقیق توسط پروژه برنامه علوم و فناوری فوجیان (2020D023) پشتیبانی شد.

تضاد منافع

نویسندگان اعلام می کنند که این تحقیق در غیاب هرگونه روابط تجاری یا مالی که می تواند به عنوان یک تضاد احتمالی منافع تفسیر شود ، انجام شده است.

یادداشت ناشر

کلیه ادعاهای بیان شده در این مقاله صرفاً مواردی است که نویسندگان دارند و لزوماً نمایانگر سازمان های وابسته خود یا موارد ناشر ، ویراستاران و داوران نیستند. هر محصولی که ممکن است در این مقاله ارزیابی شود ، یا ادعایی که ممکن است توسط تولید کننده آن ساخته شود ، توسط ناشر تضمین یا تأیید نمی شود.

مواد تکمیلی

شکل تکمیلی 1. ارزیابی پیش آگهی هفت شاخص با استفاده از آنالیز ROC.

شکل تکمیلی 2. ساخت و ارزیابی ناموگرافی برای پیش بینی بقا برای بیماران COVID-19.(الف) طرح ناموگرافی توسط دو شاخص پیش آگهی ایجاد شد. طرح کالیبراسیون برای اعتبار داخلی ناموگرافی در 15- (ب) ، 30- (c) و 45 (د) روز به ترتیب. تجزیه و تحلیل منحنی کاهش (DCA) از ناموگرافی ها به ترتیب برای بقای 15- (E) ، 30- (F) و 45 (گرم) در بیماران COVID-19 به ترتیب مقایسه می شوند.

شکل تکمیلی 3. ارزیابی ناموگرافی از طریق تجزیه و تحلیل ROC.

منابع

1. Bogoch II ، Watts A ، Thomas Bachli A ، Huber C ، Kraemer Mug ، Khan K. پتانسیل برای گسترش جهانی یک کروناویروس رمان از چین. J Travel Med.(2020) 27: TAAA011. doi: 10. 1093/jtm/taaa011

2. پارک M ، Thwaites RS ، Openshaw PJM. COVID-19: درسهایی از SARS و MERS. Eur J Immunol.(2020) 50: 308–11. doi: 10. 1002/eji. 202070035

3. Pan F ، Yang L ، Li Y ، Liang B ، Li L ، Ye T ، et al. عوامل مرتبط با نتیجه مرگ در بیماران مبتلا به بیماری کرونوویروس شدی د-11 (COVID-19): یک مطالعه موردی. Int J Med Sci.(2020) 17: 1281-92. doi: 10. 7150/ijms. 46614

4. Pan F ، Ye T ، Sun P ، Gui S ، Liang B ، Li L ، et al. دوره زمانی تغییر ریه در CT قفسه سینه در هنگام بهبودی از بیماری Coronavirus 2019 (COVID-19). رادیولوژی.(2020) 295: 715–21. doi: 10. 1148/radiol. 2020200370

5. Yang X ، Yu Y ، Xu J ، Shu H ، Xia J ، Liu H ، et al. دوره بالینی و پیامدهای بیماران مبتلا به بیماری بحرانی مبتلا به پنومونی SARS-COV-2 در ووهان ، چین: یک مطالعه مشاهده ای تک محور ، گذشته نگر. Lancet Respir Med.(2020) 8: 475-81. doi: 10. 1016/s2213-2600 (20) 30079-5

6. Chen N ، Zhou M ، Dong X ، Qu J ، Gong F ، Han Y ، et al. ویژگی های اپیدمیولوژیک و بالینی 99 مورد از ذات الریه جدید Coronavirus در ووهان ، چین: یک مطالعه توصیفی. لانست(2020) 395: 507-13. doi: 10. 1016/S0140-6736 (20) 30211-7

7. Chen X ، Zhao B ، Qu Y ، Chen Y ، Xiong J ، Feng Y ، et al. سرمی قابل تشخیص سندرم تنفسی حاد شدید Coronavirus 2 بار ویروسی (RNAEMIA) با سطح اینترلوکین 6 به شدت بالا در بیماران مبتلا به بیماری بحرانی که مبتلا به بیماری کروناویروس 2019 هستند ، ارتباط نزدیکی دارد.(2020) 71: 1937-42. doi: 10. 1093/cid/ciaa449

8. Wang F ، Nie J ، Wang H ، Zhao Q ، Xiong Y ، Deng L ، et al. ویژگی های تغییر زیر مجموعه لنفوسیت های محیطی در ذات الریه Covid-19. J Infect Dis.(2020) 221: 1762-9. doi: 10. 1093/infdis/jiaa150

9. Lu Y ، Sun K ، Guo S ، Wang J ، Li A ، Rong X ، et al. شاخص های هشدار دهنده اولیه از COVID-19 شدید: یک مطالعه تک مرکز از موارد از شانگهای ، چین. جلوی مد.(2020) 7: 432. doi: 10. 3389/fmed. 2020. 00432

10. Han H ، Ma Q ، Li C ، Liu R ، Zhao L ، Wang W ، et al. پروفایل سیتوکین های سرم در بیماران COVID-19 نشان می دهد که IL-6 و IL-10 پیش بینی کننده شدت بیماری هستند. میکروب های ظهور آلوده.(2020) 9: 1123-30. doi: 10. 1080/22221751. 2020. 1770129

11. Liu J ، Zhang S ، Wu Z ، Shang Y ، Dong X ، Li G ، et al. نتایج بالینی COVID-19 در ووهان ، چین: یک مطالعه کوهورت بزرگ. مراقبت های ویژه آن.(2020) 10:99. doi: 10. 1186/S13613-020-00706-3

12. Wong CK ، Lam CW ، Wu AK ، IP WK ، Le NL ، Chan IH ، et al. سیتوکین های التهابی پلاسما و شیمیوکین ها در سندرم حاد تنفسی حاد. Clin Exp Immunol.(2004) 136: 95-103. doi: 10. 1111/j. 1365-2249. 2004. 02415. x

13. Wong RS ، Wu A ، به KF ، Le N ، Lam CW ، Wong CK ، et al. تظاهرات خون شناسی در بیماران مبتلا به سندرم تنفسی حاد شدید: تجزیه و تحلیل گذشته نگر. BMJ(2003) 326: 1358-62. doi: 10. 1136/bmj. 326. 7403. 1358

14. Long H ، Nie L ، Xiang X ، Li H ، Zhang X ، Fu X ، et al. زمان D-Dimer و پروترومبین شاخص های قابل توجهی از Covid-19 شدید و پیش آگهی ضعیف است. biomed res int.(2020) 2020: 6159720. doi: 10. 1155/2020/6159720

15. Zhou F ، Yu T ، Du R ، Fan G ، Liu Y ، Liu Z ، et al. دوره بالینی و عوامل خطر برای مرگ و میر بیماران بستری بزرگسالان با COVID-19 در ووهان ، چین: یک مطالعه کوهورت گذشته نگر. لانست(2020) 395: 1054-62. doi: 10. 1016/S0140-6736 (20) 30566-3

16. Diao B ، Wang C ، Tan Y ، Chen X ، Liu Y ، Ning L ، et al. کاهش و فرسودگی عملکردی سلولهای T در بیماران مبتلا به بیماری کروناویروس 2019 (COVID-19). ایمونول جلو.(2020) 11: 827. doi: 10. 3389/fimmu. 2020. 00827

17. Liu S ، Luo H ، Wang Y ، Cuevas LE ، Wang D ، Ju S ، et al. خصوصیات بالینی و عوامل خطر بیماران مبتلا به COVID-19 شدید در استان جیانگسو ، چین: یک مطالعه کوهورت چند مرکزی گذشته نگر. BMC Infect Dis.(2020) 20: 584. doi: 10. 1186/s12879-020-05314-x

18. Pan W ، Li J ، Ou Y ، Wu Y ، Cai S ، Zhang Y ، et al. نتیجه بالینی استراتژی پرستاری اکسیژن درمانی استاندارد در COVID-19. آن پالیات مد.(2020) 9: 2171-7. doi: 10. 21037/apm-20-1272

19. Wagner J ، Dupont A ، Larson S ، Cash B ، Farooq A. تعداد لنفوسیت های مطلق یک نشانگر پیش آگهی در Covid-19 است: یک بررسی گروهی گذشته نگر. INT J LAB HEMATOL.(2020) 42: 761-5. doi: 10. 1111/ijlh. 13288

20. Huang W ، Li C ، Wang Z ، Wang H ، Zhou N ، Jiang J ، et al. کاهش سطح آلبومین سرم نشان دهنده پیش آگهی ضعیف بیماران COVID-19: تجزیه و تحلیل آسیب کبدی از 2،623 مورد در بیمارستان. Sci China Life Sci.(2020) 63: 1678-87. doi: 10. 1007/S11427-020-1733-4

21. Liu J ، Han P ، Wu J ، Gong J ، Tian D. شیوع و ارزش پیش بینی هیپوکلسمی در بیماران شدید Covid-19. j بهداشت عمومی را آلوده می کند.(2020) 13: 1224-8. doi: 10. 1016/j. jiph. 2020. 05. 029

22. Sahu BR ، Kampa RK ، Padhi A ، Panda AK. پروتئین واکنشی C: یک نشانگر تجاری امیدوار کننده برای پیش آگهی ضعیف در عفونت COVID-19. کلینیک Chim Acta.(2020) 509: 91-4. doi: 10. 1016/j. cca. 2020. 06. 013

23. Yu HH ، Qin C ، Chen M ، Wang W ، Tian DS. سطح D-Dimer با شدت COVID-19 همراه است. ترومب(2020) 195: 219-25. doi: 10. 1016/j. thromres. 2020. 07. 047

24. سطح پروتئین واکنشی وانگ L. C در مرحله اولیه COVID-19. Med Mal Infect.(2020) 50: 332-4. doi: 10. 1016/j. medmal. 2020. 03. 007

25. دنگ Y ، لیو W ، لیو K ، Fang YY ، Shang J ، Zhou L ، et al. خصوصیات بالینی موارد کشنده و بهبود یافته بیماری کروناویروس 2019 در ووهان ، چین: یک مطالعه گذشته نگر. Chin Med J. (2020) 133: 1261-7. doi: 10. 1097/cm9. 00000000000824

26. Tang Y ، Huang XR ، LV J ، Chung AC ، Zhang Y ، Chen JZ ، et al. پروتئین واکنشی C با اختلال در بازسازی سلول اپیتلیوم لوله ای وابسته به G1/S وابسته به کلیه ، آسیب حاد کلیه را تقویت می کند. کلینیک علمی.(2014) 126: 645-59. doi: 10. 1042/CS20130471

27. O S ، Manhenke C ، Ueland T ، Damas JK ، Mollnes TE ، Edvardsen T ، et al. پروتئین واکنشی C ، اندازه انفارکتوس ، انسداد میکروواسکولار ، و بازسازی چپ بطن چپ به دنبال انفارکتوس حاد میوکارد. یورو قلب j.(2009) 30: 1180-6. doi: 10. 1093/ureheartj/ehp070

28. Kasea K ، Asakura K ، Kazama A ، Ozawa Y. تصحیح به: اهمیت پیش آگهی سطح D-dimer پلاسما قبل از عمل در بیماران مبتلا به سرطان ریه سلولهای غیر کوچک در مرحله بالینی که جراحی شده است: یک مطالعه کوهورت گذشته نگر. J Cardiothorac Surg.(2019) 14: 114. doi: 10. 1186/S13019-019-0935-6

29. Querol-Ribelles JM ، Tenias JM ، Grau E ، Querol-Borras JM ، Climent JL ، Gomez E ، et al. سطح D-dimer پلاسما با نتایج در بیماران مبتلا به ذات الریه جامعه به دست آمده ارتباط دارد. سینه.(2004) 126: 1087-92. doi: 10. 1378/قفسه سینه . 126. 4. 1087

واژه‌های کلیدی: COVID-19 ، شاخص ها ، نشانگرهای زیستی تشخیصی ، مدل پیش آگهی ، تجزیه و تحلیل بقا

استناد: Ding L ، Zhang W ، Zhang F ، Huang C ، Yang M ، Tang Z ، Li Y ، Mi J و Zhong W (2021) نقش پیش آگهی و قدرت تشخیصی هفت شاخص در بیماران COVID-19. جلو. مد8: 733274. doi: 10. 3389/fmed. 2021. 733274

دریافت: 30 ژوئن 2021 ؛پذیرفته شده: 27 سپتامبر 2021 ؛منتشر شده: 27 اکتبر 2021.

آنا افونسو ، دانشگاه سائوپائولو ، برزیل

Feanda de Freitas Anibal ، دانشگاه فدرال سائو کارلوس ، برزیل زینگ نیو ، بیمارستان شنگجینگ دانشگاه پزشکی چین ، چین

کپی رایت © 2021 Ding ، Zhang ، Zhang ، Huang ، Yang ، Tang ، Li ، MI و Zhong. این یک مقاله با دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (CC توسط) توزیع شده است. استفاده ، توزیع یا تولید مثل در سایر انجمن ها مجاز است ، مشروط بر اینکه نویسنده اصلی (ها) و مالک (های) دارای حق چاپ (دارایی) اعتبار داشته باشند و انتشار اصلی در این ژورنال مطابق با عمل دانشگاهی پذیرفته شده استناد می شود. بدون استفاده ، توزیع یا تولید مثل مجاز است که این شرایط را رعایت نمی کند.