抗γ-干扰素自身抗体相关成人免疫缺陷症中皮肤机会性分枝杆菌与真菌感染的临床特征解码与鉴别预测模型构建

《Open Forum Infectious Diseases》：Cutaneous Opportunistic Mycobacterial and Fungal Infections in Adult-Onset Immunodeficiency Due to Anti-Interferon-Gamma Autoantibodies – Decoding Skin Involvement Patterns

本研究针对成人免疫缺陷症（AOID）伴抗γ-干扰素自身抗体（AIGA）患者皮肤机会性感染（OIs）鉴别难题，通过回顾性分析70例感染事件，首次构建了可有效区分分枝杆菌与真菌感染的临床-实验室预测模型。模型整合颈部皮损、淋巴结受累、血红蛋白、中性粒细胞/单核细胞百分比及AST等指标，AuROC达0.94，为早期经验性抗感染治疗提供重要依据。

　　

在免疫学领域，成人免疫缺陷症（Adult-Onset Immunodeficiency, AOID）因抗γ-干扰素自身抗体（Anti-Interferon-Gamma Autoantibodies, AIGA）而引发的病例近年来备受关注。这类患者由于体内产生高滴度中和性自身抗体，干扰了干扰素-γ（IFN-γ）这一关键细胞因子信号传导，导致细胞免疫防御机制受损，尤其易遭受细胞内病原体如非结核分枝杆菌（Nontuberculous Mycobacteria, NTM）、沙门氏菌及特定真菌的侵袭。尽管AOID相关AIGA在东南亚地区报道增多，但其皮肤表现，特别是机会性感染（Opportunistic Infections, OIs）的临床特征与鉴别诊断仍缺乏系统研究。皮肤作为最常受累的器官之一，其感染形态多样且缺乏特异性，使得临床医生在区分分枝杆菌与真菌感染时面临巨大挑战，进而影响早期抗菌药物的合理选择。

为破解这一难题，研究人员开展了一项回顾性研究，聚焦于AOID伴AIGA患者的皮肤机会性感染，重点对比分枝杆菌与真菌感染的临床与实验室特征，并首次构建鉴别预测模型。该研究论文发表于《Open Forum Infectious Diseases》，通过对泰国两家大学医院2000年至2020年间61例患者70次感染事件的深入分析，不仅揭示了颈部皮损与淋巴结病作为分枝杆菌感染的重要线索，还发现真菌感染更常伴随贫血、中性粒细胞增多、单核细胞比例降低、高球蛋白血症及AST升高等系统性炎症指标。最终研发的多元模型显示出卓越的判别效能，为临床早期干预提供了实用工具。

研究采用回顾性病历回顾设计，纳入AOID伴AIGA且经微生物学证实为皮肤分枝杆菌或真菌感染的患者。通过组织活检、脓肿穿刺及分子检测（如线性探针 assay 和 PCR）进行病原体鉴定。统计分析采用Firth逻辑回归处理小样本数据，通过自变量筛选与模型优化，最终建立鉴别预测模型，并利用Bootstrap进行内部验证。

基线特征

研究共纳入61例患者70次皮肤感染事件，其中分枝杆菌感染占50次，真菌感染20次。分枝杆菌感染组发病年龄较轻（48.5±10.4岁），且以女性稍多。病原体分布显示，脓肿分枝杆菌（M. abscessus）是最常见的分枝杆菌，而真菌感染中以Talaromyces marneffei为主。

皮损形态与分布

丘疹和结节是两类感染最常见的皮损形态，但组间无显著差异。关键区别在于分布部位：分枝杆菌感染更易累及颈部（p=0.021），且多伴发淋巴结受累；而真菌感染更倾向全身性或躯干分布（p=0.079和0.051）。此外，76%的分枝杆菌感染患者存在系统性受累，以淋巴结最常见；真菌感染则更常波及骨关节、血液和肺部。

实验室特征

真菌感染组表现出更显著的贫血、中性粒细胞百分比升高、单核细胞比例降低、AST水平上升及低白蛋白伴高球蛋白血症（p均<0.05）。这些指标反映了真菌感染引发的更强系统性炎症反应。

预测模型开发

通过多变量分析，最终模型纳入颈部皮损（OR=5.69）、淋巴结病（OR=137.71）、血红蛋白（OR=2.10）、中性粒细胞百分比（OR=1.10）、单核细胞百分比（OR=2.64）和AST（OR=0.98）六个变量。模型判别力AuROC为0.94（95% CI: 0.87-0.99），校准斜率1.370，经内部验证后性能保持稳定。

结论与讨论

本研究首次系统比较了AOID伴AIGA患者皮肤分枝杆菌与真菌感染的临床特征，强调颈部皮损与淋巴结病是分枝杆菌感染的重要提示，而真菌感染更易引发全身炎症反应。所构建的预测模型有效整合临床与实验室参数，显著提升鉴别诊断准确性，尤其在微生物结果待报或阴性时，为经验性治疗提供关键依据。未来需进一步探索颈部皮损与颈淋巴结病的病理关联，并扩大样本以优化模型普适性。