双能量CT检查结果与临床特征的结合可预测痛风频繁发作的风险

本研究通过回顾性分析1204例痛风患者，整合双能CT影像特征与临床数据，构建并验证了预测频繁痛风发作的模型。结果显示，模型AUC为0.95（95%CI 0.92-0.97），显著优于临床模型（AUC 0.83）。独立风险因素包括慢性关节炎、基线复发史、药物不规律使用、低嘌呤饮食依从性差、尿酸水平高、 Sharp/van der Heijde评分升高及跗骨侵蚀。该模型为个体化治疗提供了可靠工具。

　　

摘要

目的

开发并验证一个整合了双能计算机断层扫描（DECT）和临床特征的模型，用于预测频繁痛风发作（FrGF）的风险。

材料与方法

这项回顾性队列研究包括了1204名痛风患者，他们被随机分为训练组和验证组，并在DECT检查后进行了12个月的随访。根据随访期间的发作频率，患者被分为频繁痛风发作组（FrGF组，n=606）和较少痛风发作组（InGF组，n=598）。在单变量分析中具有显著性的临床放射学特征通过最小绝对收缩和选择算子回归进行了降维处理，随后通过多变量逻辑回归来确定FrGF的独立风险因素。使用诺模图构建了一个整合的临床放射学模型。通过接收者操作特征（ROC）曲线和决策曲线分析评估了模型的性能和临床效用。通过DeLong检验将整合模型与临床模型进行比较，以评估放射学特征的附加价值。

结果

FrGF的独立风险因素包括慢性关节炎、基线时的复发性痛风、间歇性用药、不遵守低嘌呤饮食、高尿酸钠负荷、升高的Sharp/van der Heijde评分以及跗骨侵蚀。在验证组中，整合模型的ROC曲线下面积（AUC）为0.95（95% CI 0.92–0.97），优于临床模型（AUC 0.83，95% CI 0.79–0.87），证明了DECT的附加诊断价值。

结论

整合模型表现出出色的区分能力、校准性和临床价值，能够准确预测FrGF的风险。

关键点

问题 频繁痛风和较少痛风在治疗方法上有所不同，但临床医生如何能够前瞻性地准确识别频繁痛风呢？

发现 基于临床和DECT特征，本研究确定了7个频繁痛风的独立风险因素，并开发并验证了一个预测模型。

临床意义 该研究的预测模型具有良好的预测性能，其基于网络的计算器帮助临床医生评估频繁痛风发作的风险并预测临床干预的效果，从而为制定个性化的临床治疗计划提供了有价值的证据。

图形摘要

目的

开发并验证一个整合了双能计算机断层扫描（DECT）和临床特征的模型，用于预测频繁痛风发作（FrGF）的风险。

材料与方法

这项回顾性队列研究包括了1204名痛风患者，他们被随机分为训练组和验证组，并在DECT检查后进行了12个月的随访。根据随访期间的发作频率，患者被分为频繁痛风发作组（FrGF组，n=606）和较少痛风发作组（InGF组，n=598）。在单变量分析中具有显著性的临床放射学特征通过最小绝对收缩和选择算子回归进行了降维处理，随后通过多变量逻辑回归来确定FrGF的独立风险因素。使用诺模图构建了一个整合的临床放射学模型。通过接收者操作特征（ROC）曲线和决策曲线分析评估了模型的性能和临床效用。通过DeLong检验将整合模型与临床模型进行比较，以评估放射学特征的附加价值。

结果

FrGF的独立风险因素包括慢性关节炎、基线时的复发性痛风、间歇性用药、不遵守低嘌呤饮食、高尿酸钠负荷、升高的Sharp/van der Heijde评分以及跗骨侵蚀。在验证组中，整合模型的ROC曲线下面积（AUC）为0.95（95% CI 0.92–0.97），优于临床模型（AUC 0.83，95% CI 0.79–0.87），证明了DECT的附加诊断价值。

结论

整合模型表现出出色的区分能力、校准性和临床价值，能够准确预测FrGF的风险。

关键点

问题 频繁痛风和较少痛风在治疗方法上有所不同，但临床医生如何能够前瞻性地准确识别频繁痛风呢？

发现 基于临床和DECT特征，本研究确定了7个频繁痛风的独立风险因素，并开发并验证了一个预测模型。

临床意义 该研究的预测模型具有良好的预测性能，其基于网络的计算器帮助临床医生评估频繁痛风发作的风险并预测临床干预的效果，从而为制定个性化的临床治疗计划提供了有价值的证据。

图形摘要