开发并验证一种用于早期预测儿童对大环内酯类抗生素无反应的肺炎支原体肺炎的诺模图

《Frontiers in Pediatrics》：Development and validation of a nomogram for early prediction of macrolide-unresponsive Mycoplasma pneumoniae pneumonia in children

儿童肺炎支原体肺炎大环内酯耐药性预测模型研究。回顾性纳入278例患儿，通过多因素Logistic回归筛选出树状突影、中性粒细胞计数、淋巴细胞计数、肌酸激酶、血小板/淋巴细胞比值和性别作为独立预测因子，构建诺莫图模型。训练集与验证集AUC分别为0.838和0.835，校准曲线和决策曲线分析证实模型临床价值。

　　近年来，儿童肺炎的发病率在全球范围内持续上升，尤其是由肺炎支原体（*Mycoplasma pneumoniae*，MP）引起的社区获得性肺炎（CAP）已成为儿童常见呼吸道感染之一。然而，随着疫情的爆发，MP感染的临床表现和治疗难度显著增加，尤其是出现了对大环内酯类抗生素耐药的肺炎支原体（MRMP）病例，使得传统治疗方法面临挑战。在这种背景下，定义了“大环内酯无反应性肺炎支原体肺炎”（MUMPP）这一概念，即患者在使用大环内酯类抗生素治疗72小时后未出现临床或影像学改善。MUMPP的早期识别对于优化治疗策略、减少并发症和改善预后至关重要。因此，开发一个简单、高效且实用的预测工具成为当前临床研究的重要方向。

本研究通过回顾性分析278例MP肺炎患儿的临床数据，构建了一个基于CT影像和实验室指标的预测模型，并通过训练集和测试集的验证，最终形成了一个能够用于早期识别MUMPP的可视化评分系统——“nomogram”（图示模型）。该模型通过整合多个关键预测因子，包括CT影像中的“树状结构”（tree-in-bud pattern）、中性粒细胞数值（NEUT_value）、淋巴细胞数值（LYMPH_value）、肌酸激酶（CK）、血小板-淋巴细胞比值（PLR）以及性别（男性）等因素，实现了对MUMPP的准确预测。结果显示，该模型在训练集中的曲线下面积（AUC）为0.838，在测试集中的AUC为0.835，均显示出较强的预测能力和临床适用性。此外，通过校准曲线和决策曲线分析（DCA）进一步验证了模型的稳定性与实用性。

在临床表现方面，研究发现MUMPP组的患儿往往表现出更严重的症状，如持续发热、咳嗽时间更长、炎症指标（如C反应蛋白、血清淀粉酶、乳酸脱氢酶等）水平显著升高，同时伴有较低的淋巴细胞数值和血小板-淋巴细胞比值。这些指标的变化不仅反映了疾病本身的严重程度，也提示了机体免疫系统的异常反应。其中，树状结构在CT影像中的出现频率与MUMPP的诊断密切相关。树状结构是一种典型的CT影像特征，表现为小气道的中心性结节和树枝状线性密度影，通常与小气道壁增厚、黏液或脓液阻塞以及周围气道炎症相关。该影像特征不仅有助于判断肺部受累范围，还可能揭示宿主对感染的反应模式，从而成为预测MUMPP的重要依据。

实验室指标中，中性粒细胞数值的升高与MUMPP的发生存在显著关联。中性粒细胞是机体对抗感染的第一道防线，其数量的增加可能与MP感染引发的炎症反应密切相关。研究发现，MP感染会刺激气道上皮细胞释放大量粒细胞集落刺激因子（G-CSF），进而激活中性粒细胞，使其数量迅速上升。这一过程不仅增强了局部的吞噬作用，还可能引发过度的炎症反应，导致组织损伤和疾病恶化。此外，淋巴细胞数值的降低也可能是MUMPP的重要预测因素，这与免疫系统的功能受损密切相关。MP感染可能通过引发广泛的炎症反应，导致淋巴细胞的消耗，从而影响机体的免疫调节能力。血小板-淋巴细胞比值（PLR）的下降同样被证实为MUMPP的独立预测因子，这可能反映了血小板的激活和消耗，以及淋巴细胞的减少，进一步提示了免疫失衡和炎症风暴的存在。

值得注意的是，研究还发现MUMPP组的男性比例显著高于女性。尽管性别与MUMPP之间的关系尚未完全明确，但这一现象可能与男性和女性在免疫功能和激素调节方面的差异有关。此外，研究还发现MUMPP组患儿的肌酸激酶（CK）水平显著升高，这可能与MP感染引发的全身性炎症反应有关。CK主要存在于骨骼肌和心肌中，正常情况下不会大量释放入血。然而，当感染导致全身性炎症或肺部受累广泛时，CK水平的升高可能反映了肌肉组织的损伤或代谢压力的增加。

在模型的构建过程中，研究团队首先通过单变量逻辑回归筛选出可能的预测变量，然后通过多变量逻辑回归进一步筛选出具有独立预测价值的指标。为了确保模型的稳定性，研究还评估了变量之间的多重共线性，并剔除了相关性过高的变量。最终确定的六个独立预测因子不仅在统计学上具有显著性，而且在临床实际中具有较高的可操作性。例如，树状结构是CT影像中的关键特征，其识别依赖于影像学医生的经验，而中性粒细胞、淋巴细胞、CK和PLR等实验室指标则可以通过常规血液检查快速获取，便于临床应用。

为了进一步验证模型的预测性能，研究团队采用了多种统计方法，包括ROC曲线、校准曲线和决策曲线分析（DCA）。ROC曲线用于评估模型的区分能力，结果显示模型在训练集和测试集中均表现出较高的AUC值，表明其在预测MUMPP方面具有较强的准确性。校准曲线则用于衡量模型预测值与实际结果之间的吻合程度，结果显示预测值与实际结果之间存在良好的一致性。DCA则用于评估模型在不同阈值概率下的临床净收益，结果表明该模型在广泛的概率范围内均优于简单的“全部干预”或“不干预”策略，能够有效平衡误诊和漏诊的风险。

此外，研究团队还构建了一个在线计算平台，使得医生和患者可以方便地使用该模型进行风险评估。这一平台的推出不仅提高了模型的可及性，也为临床实践提供了技术支持。通过该平台，用户可以输入相关指标，系统将自动计算出MUMPP的发生概率，从而辅助医生制定个体化的治疗方案。

尽管该模型在预测MUMPP方面表现出色，但研究也指出了一些局限性。首先，该研究为回顾性研究，数据来源于单一医疗机构，可能存在一定的选择偏差。其次，模型的构建主要基于常规的临床和影像学指标，而未纳入可能影响结果的其他因素，如MP耐药基因的突变情况或患者是否曾感染过新冠病毒。这些因素在疫情后可能对MP感染的临床表现和治疗反应产生重要影响。因此，未来的研究需要进一步探索这些潜在变量，并结合人工智能等先进技术，构建更为精准和动态的预测模型。

总的来说，本研究开发的MUMPP预测模型为临床提供了新的工具，有助于提高对耐药性肺炎支原体感染的早期识别能力，从而优化治疗策略、减少不必要的抗生素使用，并降低患者的治疗风险。随着医学技术的进步，尤其是在人工智能和多模态数据整合方面的发展，未来的预测模型有望更加精准和个性化，为MP肺炎的诊疗提供更全面的支持。