基于人工智能CT影像分析探索非危重型COVID-19肺炎患者糖皮质激素给药剂量的影响因素及预测模型构建

本研究通过人工智能（AI）深度学习分析肺部CT影像特征，揭示非危重型COVID-19肺炎患者糖皮质激素剂量选择与肺内正常充气区比率、磨玻璃影（GGO）比率和实变比率显著相关，并构建出高精度预测模型（AUC>0.8），为临床个体化治疗提供新策略。

　　

Highlight

研究设计与参与者

本研究回顾性纳入了2022年12月20日至2023年1月30日期间浙江大学医学院附属第一医院确诊的COVID-19肺炎成人患者，这些患者均接受糖皮质激素治疗并在住院期间至少进行过一次肺部CT扫描（图1）。在本队列中，通过系列肺部CT扫描持续追踪COVID-19肺炎的病情演变。

我们排除了符合以下标准的患者：危重型COVID-19患者（需机械通气或出现休克）、妊娠期或哺乳期妇女、临床资料不完整者、CT图像质量不佳以及使用糖皮质激素禁忌症的患者。

基线特征

研究共纳入243例患者。训练队列和验证队列分别包括168名和75名在肺部CT后接受糖皮质激素治疗的患者。在训练队列中，139例（82.7%）接受高剂量、29例（17.3%）接受低剂量每日糖皮质激素治疗。另有一个附加队列包含30例在肺部CT前已接受经验性糖皮质激素治疗的患者。

整个队列的中位年龄为68岁（IQR：57-78），男性占55.1%。高剂量组和低剂量组在年龄、性别、体重指数（BMI）、吸烟史及合并症（包括高血压、糖尿病、心血管疾病和慢性肺病）方面无显著差异。高剂量组的中位C反应蛋白（CRP）水平和白细胞计数显著高于低剂量组（P<0.05）。

讨论

在这项针对非危重型COVID-19住院期间接受糖皮质激素治疗患者的队列研究中，我们应用基于人工智能（AI）的深度学习技术解析了与激素剂量相关的肺部CT影像特征。研究发现肺正常充气区比率、磨玻璃影（GGO）比率和实变比率是影响激素剂量的关键决定因素。基于这些肺部参数构建的AI预测模型能够准确判别高剂量或低剂量用药选择，甚至预测具体给药剂量。总之，我们的研究揭示了影响非危重型COVID-19患者糖皮质激素临床用药决策的关键影像学因素，并为开发个体化治疗工具提供了重要依据。

CRediT authorship contribution statement

Sheng JF（盛建峰）负责研究设计与稿件修订；Wu W（吴伟）负责研究审阅；Wang J（王杰）完成数据分析和论文撰写；He C（何畅）负责数据收集。所有研究者均参与讨论并一致同意论文最终版本。

Ethical approval

本研究经本地伦理委员会批准（批号：IIT20230034B-R1），所有试验参与者均签署知情同意书。

Funding

本研究获国家自然科学基金（81900572）、国家重点研发计划（2020YFE0204300和2022YFC2304500）及中央高校基本科研业务费（2023QZJH50和2022ZFJH003）资助。

Conflict of interest

作者声明无利益冲突。

Conclusion

糖皮质激素用于非危重型COVID-19肺炎治疗的剂量选择受肺部CT特征影响。我们开发的预测模型可有效预测激素用药剂量，但其临床应用仍需更大规模的前瞻性研究进一步验证。