革兰阳性球菌菌血症患者感染性心内膜炎低风险预测模型的验证与临床实用性评估

《Open Forum Infectious Diseases》：Reply to Letter to the Editor “Challenges in the Implementation of Blood Culture Parameters to Identify Patients at Low Risk of Infective Endocarditis”

本刊推荐：针对2023年ESC指南要求所有金黄色葡萄球菌、粪肠球菌及链球菌菌血症患者接受超声心动图检查带来的医疗资源负担，研究人员对Freling等人提出的仅基于血培养参数（初始阳性瓶数和菌血症持续2天）的IE风险预测模型进行验证研究。结果显示该模型漏诊率仅2%（12/561），阴性似然比0.08（95%CI:0.05-0.15），能有效识别低风险患者，但因82%病例被归类高风险且低风险组包含人工瓣膜等高危患者，其临床实用性受限。

　　

在感染性疾病诊疗领域，感染性心内膜炎（Infective Endocarditis, IE）始终是临床医生面临的重大挑战。这种心脏内膜的感染性疾病不仅诊断复杂，且一旦漏诊往往导致灾难性后果。根据2023年欧洲心脏病学会（European Society of Cardiology, ESC）指南要求，所有由金黄色葡萄球菌（Staphylococcus aureus）、粪肠球菌（Enterococcus faecalis）和特定链球菌菌种引起的菌血症患者，均应接受超声心动图检查以排除IE。这一推荐虽然最大限度地保障了诊断安全性，却给医疗系统带来了沉重负担——大量低风险患者接受了可能不必要的检查，导致医疗资源紧张和患者经济负担加重。

在这一背景下，Freling等人创新性地提出了一个简化预测模型，仅依赖两个血培养参数：初始血培养组中阳性瓶的数量和菌血症持续2天的情况。这两个参数此前已被多项研究证实与IE存在显著关联。该模型的设计初衷是在确保诊断安全性的同时，提高医疗资源利用效率。然而，这一模型在真实世界中的表现如何？其临床实用性究竟怎样？正是为了回答这些问题，Nicolas Fourre及其团队在《Open Forum Infectious Diseases》上发表了这项重要的验证研究。

研究人员采用回顾性队列研究方法，对561例革兰阳性球菌菌血症患者进行了分析。研究主要评估了Freling预测模型在识别IE低风险患者方面的表现，重点关注其敏感性、特异性、阴性似然比等指标，同时分析了模型分类结果与患者临床特征之间的关系。

研究结果显示，Freling预测模型在识别IE低风险患者方面表现出色。在所有561例菌血症事件中，仅有12例IE被错误分类为低风险，漏诊率低至2%。模型得出的阴性似然比为0.08（95%置信区间：0.05-0.15），这一数值在诊断学上被认为具有较强的排除诊断能力，意味着当模型判断为低风险时，患者实际患有IE的可能性极低。

然而，深入研究数据后，团队发现了模型存在的局限性。最主要的问题在于模型将绝大多数（82%）菌血症事件归类为高风险，这意味着如果严格按照模型分类，仅能减少约18%的超声心动图检查，与单独依靠临床判断相比，并不能显著降低医疗资源消耗。此外，研究还发现一些被模型归类为低风险的患者实际上具有IE的高危因素，如人工瓣膜、心脏植入式电子设备或栓塞事件。按照现行临床指南，这些患者无论血培养特征如何，都应接受超声心动图评估。

另一个重要发现是，在仅有一个血培养瓶阳性的患者中，持续菌血症的情况相当罕见。这表明模型的预测价值主要依赖于初始阳性血培养瓶的数量，而非菌血症的持续时间。这一发现对理解模型的作用机制具有重要意义。

研究人员在讨论中指出，Freling预测模型虽然能够有效识别IE低风险患者，但其过度保守的分类策略限制了临床实用性。模型将过多患者归类为高风险，导致其无法实现显著减少不必要超声心动图检查的初衷。同时，模型未能充分考虑人工材料植入、栓塞事件等重要的临床危险因素，这进一步限制了其在复杂临床场景中的应用价值。

该研究的结论强调，Freling预测模型作为临床决策工具，不应孤立使用，而必须与临床医生的专业判断相结合。在人工瓣膜、心脏植入式电子设备或存在栓塞事件的患者中，即使模型预测为低风险，也应进行超声心动图检查。这一发现对临床实践具有重要指导意义。

这项研究的重要性不仅在于验证了一个特定的预测模型，更在于它提出了一个更深层次的问题：在感染性心内膜炎的诊断策略中，如何在诊断安全性和资源效率之间找到最佳平衡点？理想的预测工具应当既能够最大限度地减少漏诊，又能够避免不必要的检查，而当前的研究表明，Freling模型在这一平衡点的把握上仍有改进空间。

未来研究的方向可能包括优化模型参数，提高其识别真正低风险患者的能力，或者将血培养参数与其他临床特征相结合，构建更为精准的预测工具。此外，不同医疗机构患者群体的差异也提示，预测模型可能需要进行本地化验证和调整，以适应特定的临床环境。

总的来说，这项研究为临床医生提供了关于血培养参数在IE风险评估中价值的宝贵见解，同时也为未来开发更精准、更实用的诊断策略奠定了基础。在医疗资源日益紧张的今天，此类研究对促进循证医学实践、优化资源配置具有重要意义。