儿童肺炎支原体肺炎临床诊断预测模型的构建与验证：基于1030例社区获得性肺炎患儿的回顾性研究

《Infection and Drug Resistance》：Clinical Diagnostic Prediction Model For Mycoplasma pneumoniae Pneumonia in Children

本研究构建并验证了儿童肺炎支原体肺炎（MPP）的临床诊断预测模型。通过Logistic回归结合Lasso等惩罚算法，筛选出中性粒细胞百分比（NEUT%）、嗜酸性粒细胞百分比（EOS%）、超敏C反应蛋白（HSCRP）、腺苷脱氨酶（ADA）、肌酐（Crea）、尿素（Urea）、高密度脂蛋白（HDL）、磷（P）和红细胞沉降率（ESR）9个关键预测指标。模型显示出良好的区分度（AUC > 0.8）和校准度，为儿科医生早期识别MPP、指导干预提供了实用工具。

　　

摘要

背景

肺炎支原体（MP）是全球范围内儿童急性呼吸道感染的常见病原体。在5岁以上儿童中，MP约占社区获得性肺炎（CAP）病例的40%。准确诊断对于临床管理至关重要，可确保及时开始靶向治疗（如大环内酯类或四环素类抗生素），从而缩短病程、降低并发症风险并改善患者预后。然而，目前缺乏针对MP的特异性诊断方法，其临床表现和影像学特征诊断特异性不足，且现有诊断技术（如培养、PCR和血清学检测）各有局限性。因此，迫切需要可靠的预测模型，帮助临床医生在患儿入院时识别MPP高风险儿童。

方法

本研究在2023年8月至2024年3月期间，于成都市新都区人民医院进行，共纳入1030名0至14岁的CAP患儿。根据MP抗体和MP RNA等诊断标准，将患者分为MPP组（n=414）和非MPP组（NMPP, n=616）。在入院24小时内收集数据，包括外周血细胞计数、炎症标志物和其他生化参数。研究采用Logistic回归结合逐步回归（Stepwise）、Lasso、Elastic-net和Ridge等惩罚算法进行变量筛选和模型构建。使用C指数、敏感性、特异性、准确率、召回率和F1分数评估模型性能。

结果

预测模型结果显示，四种模型均表现良好。ROC曲线下面积（AUC）显示模型具有良好的预测能力（Logistic模型和经验模型的AUC均>0.8），校准曲线结果表明良好的一致性。其中，Logistic+Lasso模型筛选出9个关键变量用于进一步分析。

结论

本研究开发并验证了儿童MPP的临床预测模型。模型确定NEUT%、EOS%、HSCRP、ADA、Crea、Urea、HDL、P和ESR为显著的独立预测因子。该模型显示出强大的区分能力和良好的校准度，为临床医生对儿科患者进行风险分层和指导早期干预提供了实用工具。

引言

肺炎支原体是引起儿童急性呼吸道感染的重要病原体，尤其在5岁以上儿童的社区获得性肺炎中占有较高比例。MPP患儿常表现为发热、咳嗽、气促等症状。精确诊断对于启动针对性治疗、改善预后至关重要。然而，MP的临床表现和影像学改变缺乏特异性，而传统的微生物学检测方法（如培养、PCR和血清学检测）或因操作繁琐、灵敏度不足，或因技术条件限制、抗体产生窗口期等问题，在早期诊断和基层医疗机构应用中面临挑战。近年来，血液学参数在感染性疾病预后评估中的价值日益受到关注。因此，探究MPP与NMPP患儿实验室检测结果的差异，识别MPP的危险因素，并建立能够快速、准确识别患者的预测模型，具有重要的临床意义。

方法

研究人群

研究纳入2023年8月至2024年3月期间在成都市新都区人民医院诊断为CAP的0-14岁患儿共1030例。根据MP诊断标准，将患者分为MPP组（n=414）和NMPP组（n=616）。所有入组患者除MPP和NMPP外，无其他基础疾病。

MPP诊断纳入标准

MPP诊断依据包括：单次血清MP抗体滴度>1:160（PA法）；或病程中双份血清MP抗体滴度呈4倍及以上升高；或MP-DNA/RNA阳性。本研究为保持方法学一致性，统一采用MP-RNA检测作为患者入组的微生物学标准。同时，患者需符合CAP诊断标准，具有呼吸道感染症状和提示肺炎的胸部影像学表现（伴或不伴胸腔积液），并排除其他病原体所致的肺部感染。最终414例同时满足上述（1）和（2）项标准者纳入MPP组，616例仅符合CAP诊断标准且MP-Ab滴度<1:160者纳入NMPP组。

排除标准

排除标准包括：未达到纳入标准或临床资料不全；诊断为免疫缺陷性疾病；合并其他呼吸道疾病。

数据收集

所有患儿在入院24小时内完成标准感染筛查，收集的数据包括外周血白细胞计数、中性粒细胞百分比（N%）、嗜酸性粒细胞百分比（EOS%）、超敏C反应蛋白（HSCRP）、红细胞沉降率（ESR）、腺苷脱氨酶（ADA）、高密度脂蛋白（HDL）、肌酐（Crea）等。同时记录患者的性别、年龄、病史等一般信息。

统计分析

研究采用四种模型探讨MPP的危险因素，以MPP作为响应变量。为处理高维临床数据的复杂性，使用惩罚算法进行变量选择，包括Logistic+Stepwise、Logistic+Lasso、Logistic+Elastic-net和Logistic+Ridge。采用C指数、敏感性、特异性、精确率、召回率和F1分数等指标评估模型的判别能力和准确性。最终风险预测模型的构建基于模型性能指标并结合医学专家的判断。对缺失值采用随机森林法进行填补。

结果

描述性分析

研究共纳入1030名患者，平均年龄为3.92±3.09岁，其中男性556名（53.98%），女性474名（46.02%）。两组间 demographic 和血流动力学特征比较显示，多项实验室参数存在显著差异。部分指标如EOS%、HGB、SAA、Urea、DDimer、HDL和HSCRP在两组间无统计学差异。

基于Logistic回归模型的预测模型构建

常规Logistic回归模型

首先采用包含所有变量的常规经验回归框架构建Logistic回归模型，并应用逐步法进行变量选择。在36个变量中，最终筛选出21个变量进行进一步分析。

基于惩罚算法的预测模型构建

将414名患者按结局变量随机分为训练集（70%）和验证集（30%）。采用十折交叉验证确定最优惩罚项。以C指数和二项偏差损失评估模型性能。

变量选择

对于Logistic+Lasso模型，当模型AUC误差最小时，lambda (λ)为0.001217771；当二项偏差最小时，lambda (λ)为0.001408422，此时筛选出9个变量用于后续Logistic回归分析。Logistic+Elastic-net模型选择的变量数量与Lasso模型相似。本研究倾向于更简洁的模型，故选择基于二项偏差损失的Lasso模型。

惩罚回归模型比较

所有性能指标均表明基于惩罚的模型优于其他模型。DeLong检验结果显示，Lasso、Ridge和Elastic-net logistic回归模型之间的C指数值无统计学显著差异。综合考虑模型特性和性能，最终选择一组变量（年龄、NEUT%、EOS%、HSCRP、ADA、Crea、Urea、HDL、P和ESR）构建风险预测模型。

基于Lasso回归的校准和临床应用

校准曲线显示了预测概率与实际概率之间的映射关系。经过偏倚校正的曲线与理想曲线较为接近，表明模型预测准确性良好。决策曲线分析显示，在特定的风险阈值范围内，Nomogram模型相较于“全部治疗”或“全部不治疗”的策略，能获得更高的标准化净收益。

根据Logistic+Lasso回归结果，最终选择9个变量构建风险预测模型。Logistic回归分析显示，结局发生的危险因素包括：年龄，OR=1.246；EOS%，OR=1.147；ADA，OR=1.159；Crea，OR=1.043；ESR，OR=1.014。保护因素包括：HSCRP，OR=0.982；Urea，OR=0.700；HDL，OR=0.419；P，OR=0.570。

作为可视化工具的列线图

最终选择Lasso结合Logistic回归模型评估患者发生MPP的风险。为增强临床适用性，将复杂的数学模型转化为列线图。通过累加各变量得分并在总分对应位置读取预测概率，该列线图为临床实践提供了更便捷的工具。

讨论

CAP仍是全球儿童发病和死亡的重要原因，MPP是中国儿童CAP的常见病因。本研究开发了一个用于预测MPP的列线图模型，强调了其在儿科医疗背景下的潜在效用。通过早期识别并针对性使用抗生素，可显著改善预后。

我们的主要发现表明，多项实验室参数与MPP风险显著相关。特别是，年龄、HSCRP、ESR以及NEUT%、EOS%、ADA、Crea、Urea、HDL和P等血液学标志物的水平与MPP的发生密切相关。WBC、HSCRP和ESR是感染和炎症的高度敏感标志物。此外，MPP组的ESR、ADA和肌酐水平显著高于NMPP组，而LDH、AST和P水平显著较低。这些发现凸显了炎症标志物在MPP诊断和预后中的重要性。

本研究提供了一个强大的MPP预测模型，识别了一套在早期研究中未得到全面评估的预测因子，整合了传统和惩罚回归技术以提高预测准确性。由此开发的列线图增强了模型在临床环境中实施的可行性。

本研究的主要局限性包括其单中心设计和回顾性性质，可能影响结果的普适性。数据收集时间范围未包含夏季月份，未来需要更长期的监测。模型仍需通过更大规模、多中心的前瞻性研究进一步验证。未来研究应聚焦于该模型的外部验证、临床整合，并探索结合更先进的机器学习技术以优化风险预测。

结论

本研究为儿童CAP中的MPP提供了一个稳健的预测模型，识别了若干关键风险因素。多种实验室参数可作为MPP感染的有效早期诊断指标。有必要进一步研究，结合个体生理差异，建立MPP感染相关的血液学参数参考范围。

伦理批准与参与同意

本研究遵循《赫尔辛基宣言》，并经成都市新都区人民医院伦理委员会批准。鉴于研究的回顾性性质，伦理委员会豁免了知情同意要求。数据通过电子病历系统匿名收集，所有作者承诺保护患者信息机密性。

作者贡献

所有作者均对报告的工作做出了重要贡献，包括概念提出、研究设计、执行、数据获取、分析和解释等；参与起草、修订或批判性审阅文章；同意最终版本发表；同意文章提交的期刊；并对工作的所有方面负责。

利益冲突披露

作者声明无利益冲突。

致谢

作者感谢所有参与本研究的个人。

数据共享声明

与文章相关的数据可从两位通讯作者处获取。