《Frontiers in Cellular and Infection Microbiology》：A novel predictive tool for pulmonary aspergillosis in critically ill patients with viral pneumonia: a multi-center, ambispective cohort study
编辑推荐：
背景：病毒性肺炎相关肺曲霉病（viral pneumonia-associated pulmonary aspergillosis, VAPA）是危重症患者中的一种致死性并发症。研究人员旨在开发一种具有普适性且方法论稳健的早期VAPA风险预测工具，以克服现有模
背景：病毒性肺炎相关肺曲霉病（viral pneumonia-associated pulmonary aspergillosis, VAPA）是危重症患者中的一种致死性并发症。研究人员旨在开发一种具有普适性且方法论稳健的早期VAPA风险预测工具，以克服现有模型的关键局限性。方法：在一项纳入4,966例入住ICU的流感或COVID-19患者（2023年1月至2025年6月）的多中心双向队列研究中，研究人员采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）筛选变量，分别建立了标准Cox比例风险模型与考虑非VAPA死亡为竞争风险的Fine-Gray亚分布风险模型，并对两个模型均使用限制性立方样条（restricted cubic splines, RCS）处理连续预测因子与VAPA之间的非线性关联。模型性能在ICU入院后7天和14天进行评估，并通过亚组分析考察病毒特异性模型的表现。结果：VAPA的总体发生率为8.8%。Fine-Gray模型在推导队列和验证队列中均展现出优异的判别力与校准度；相比之下，标准Cox模型显著高估了VAPA风险，尤其是在高危患者中高估幅度达20%–30%。关键预测因子包括血液系统恶性肿瘤、晕轮征、优先抗生素联合使用、序贯器官衰竭评估（sequential organ failure assessment, SOFA）评分、中性粒细胞-淋巴细胞比率（neutrophil-to-lymphocyte ratio, NLR）以及入ICU前糖皮质激素剂量，后三者与VAPA风险呈J形关联。病毒亚型与入ICU前糖皮质激素剂量之间存在显著的交互作用（P = 0.006），且在COVID-19患者中关联更强（sHR = 1.17，95% CI: 1.09–1.26）。模型的总体表现在不同病毒亚型间保持一致。研究随后部署了一个交互式网络工具，可生成个体化的VAPA风险估计值及相应的临床管理建议。结论：在危重症病毒性肺炎患者中，考虑非VAPA死亡这一竞争风险模型较传统方法能更准确地估计VAPA风险。该模型在流感与COVID-19肺炎中表现出稳健的普适性，为早期、个体化的VAPA预测提供了实用工具。
**论文解读：危重症病毒性肺炎患者肺曲霉病竞争风险预测模型的建立与验证**
**一、研究背景与目的**
病毒性肺炎，尤其是流感和SARS-CoV-2感染，是导致危重症和全球病死率的重要原因。这类患者的临床病程常因继发感染而复杂化，其中病毒性肺炎相关肺曲霉病（viral pneumonia-associated pulmonary aspergillosis, VAPA），涵盖流感相关肺曲霉病（influenza-associated pulmonary aspergillosis, IAPA）与COVID-19相关肺曲霉病（COVID-associated pulmonary aspergillosis, CAPA），已成为一种尤为致命的并发症。据报道，VAPA在危重症患者中的发生率为10%–20%，归因病死率接近50%。然而，由于临床表现缺乏特异性、影像学征象不明确以及获得确定真菌学证据的困难，VAPA的准确及时诊断面临严峻挑战，常导致抗真菌治疗延迟，凸显了开发可靠有效的风险分层工具的迫切性。
现有VAPA风险预测模型存在两个关键缺陷。其一，大多数模型仅针对单一病毒病原体（如仅针对CAPA），缺乏跨病毒病原谱的普适性。其二，在方法学上，现有模型将非VAPA死亡——无论源于原发病毒感染还是基础合并症——视为删失事件而非竞争风险。这种传统处理方式忽略了死亡会消除VAPA发生机会这一事实，导致对VAPA绝对风险的估计可能产生偏倚。该偏倚在危重症患者中尤为突出，可能促使过度治疗和重症医疗资源的不合理分配。为弥补上述缺口，研究人员开展了一项多中心双向队列研究，评估考虑非VAPA死亡这一竞争风险的模型在VAPA预测中的价值，并开发和验证一种新型动态预测工具，以指导临床靶向预防和早期干预。
**二、研究设计与主要结论**
本研究为双向队列研究，覆盖华中地区9家公立三级医院的48个重症监护病房（intensive care unit, ICU），纳入2023年1月至2025年6月期间确诊病毒性肺炎（流感或COVID-19）且ICU住院时间≥48小时的成年患者（>18岁），共4,966例。排除既往有肺曲霉病史或ICU住院期间感染状态记录缺失者。从医院信息系统和实验室信息系统（Hospital and Laboratory Information Systems, HIS/LIS）收集ICU入院时或入院24小时内的54个候选预测变量数据。随访自ICU入院开始，至以下事件中最早发生者结束：VAPA诊断、非VAPA原因死亡或未发生VAPA而转出ICU。总体队列按时间划分为推导队列（2023年1月至2024年6月，用于模型训练和内部验证）和前瞻性验证队列（2024年7月至2025年6月，用于外部时间验证）。
研究主要结局为ICU住院期间发生确诊或临床诊断的VAPA。IAPA和CAPA分别采用Verweij等专家标准和2020年欧洲医学真菌学联合会/国际人类与动物真菌学学会（European Confederation of Medical Mycology/International Society for Human and Animal Mycology, ECMM/ISHAM）共识标准判定。关键暴露变量的定义包括：入ICU前一年内接种疫苗、细菌共感染、病毒共感染（定义为通过多重PCR检出两种或以上呼吸道病毒，且其中至少一种为流感病毒或SARS-CoV-2）、优先抗生素联合使用（指同时使用两种或以上来自中国国家医院管理研究所优先清单中的药物，包括碳青霉烯类、糖肽类、利奈唑胺、替加环素、多黏菌素及β-内酰胺/β-内酰胺酶抑制剂复方制剂）、以及入ICU前糖皮质激素累积剂量（转换为地塞米松等效剂量）。
统计分析方面，样本量由定义队列期间的全部可用数据决定。缺失数据采用链式方程多重插补法（multiple imputation with chained equations, MICE）处理。通过LASSO正则化筛选变量后，研究人员建立了两个预测模型：标准Cox比例风险模型和Fine-Gray亚分布风险模型（后者将非VAPA死亡作为竞争风险）。两个模型均对连续变量采用四节点限制性立方样条（RCS）以捕捉潜在的非线性关系。模型性能在ICU入院后7天和14天两个临床相关时间点进行内部验证和外部时间验证。判别力采用时间依赖性受试者工作特征曲线下面积（time-dependent area under the receiver operating characteristic curve, AUC）评估，校准度采用基于bootstrap偏差校正的校准曲线评估。模型比较使用DeLong检验（比较AUC差异）和Brier评分（比较总体预测准确性）。为检验模型在不同病毒病原间的稳定性，研究人员在Fine-Gray框架内采用乘法交互项方法检验病毒亚型与预测因子间的交互作用，并在验证队列中预设亚组分析，分别评估流感患者和COVID-19患者中病毒特异性模型的表现。最终将Fine-Gray模型部署为一个交互式实时列线图，并通过shinyapps.io平台公开发布为网络应用程序。本研究遵循个体预后或诊断多变量预测模型透明报告（Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis, TRIPOD）声明，Fine-Gray模型性能评估遵循观察性研究分析思维强化（Strengthening Analytical Thinking for Observational Studies, STRATOS）倡议的指导。所有统计分析使用R软件（版本4.4.2，R Foundation for Statistical Computing）完成，双侧显著性水平设定为α = 0.01。
研究得出以下核心结论：在危重症病毒性肺炎患者中，考虑非VAPA死亡的竞争风险模型能够比传统Cox模型更准确地估计VAPA风险；该模型在流感和COVID-19肺炎中均表现出稳健的普适性；基于该模型部署的交互式网络工具可为早期个体化VAPA预测提供实用手段，为精准风险分层和靶向干预奠定了基础。
**三、主要关键技术方法**
本研究采用的核心方法包括：多中心双向队列设计（覆盖2023年1月至2025年6月，共4,966例来自9家三级医院48个ICU的流感或COVID-19患者，其中1,948例为前瞻性纳入）；LASSO正则化方法筛选预测变量（从54个候选变量中最终确定6个核心预测因子）；Fine-Gray亚分布风险模型（以非VAPA死亡为竞争风险）与标准Cox比例风险模型的对比构建；限制性立方样条处理连续预测因子的非线性关联；时间依赖性AUC与校准曲线（含bootstrap偏倚校正）评估模型性能；DeLong检验和Brier评分进行模型比较；乘法交互项检验病毒亚型与预测因子的交互作用。
**四、研究结果**
**（一）队列特征**
研究共纳入4,966例ICU患者，其中流感患者3,079例，COVID-19患者1,930例。总体439例（8.8%）发生VAPA，包括273例（8.9%）IAPA和185例（9.6%）CAPA。在43例流感/SARS-CoV-2共感染患者中，19例（44.2%）发生VAPA并被同时计入IAPA和CAPA亚组。另有177例（3.6%）死于非VAPA原因。
**（二）预测因子筛选与模型建立**
经LASSO筛选，以最小均方误差（mean-squared error, MSE）标准保留17个预测因子，以最小MSE+一个标准误（standard error, SE）的更严格标准保留6个预测因子：SOFA评分、血液系统恶性肿瘤、中性粒细胞-淋巴细胞比率（neutrophil-to-lymphocyte ratio, NLR）、晕轮征、优先抗生素联合使用以及入ICU前糖皮质激素累积剂量。对于血液系统恶性肿瘤、晕轮征和优先抗生素联合使用，Cox模型的HR与Fine-Gray模型的sHR相近。似然比检验识别出三个连续预测因子与VAPA风险之间存在显著非线性关系：SOFA评分（LR = 164.93，P < 0.01）、NLR（LR = 22.00，P = 0.009）和入ICU前糖皮质激素累积剂量（LR = 364.56，P < 0.01）。当以RCS建模时，这三个预测因子在两个模型中均一致呈现J形关联。
**（三）模型性能**
在推导队列中，Cox模型与Fine-Gray模型的判别力在7天（DeLong's D = ?0.26，P = 0.798）和14天（D = ?0.03，P = 0.974）均无显著差异。但校准图显示，Fine-Gray模型在两个时间点的整体校准度均优于Cox模型。两种模型在低风险十分位组均轻微低估VAPA风险约5%，而Cox模型在高风险十分位组高估VAPA风险20%–30%，在最高风险十分位组高估最为显著；Fine-Gray模型在最高风险十分位组仅高估1%–2%。
Fine-Gray模型在验证队列中展现出稳健的普适性：判别性能在7天（D = 0.08，P = 0.937）和14天（D = 0.19，P = 0.853）与推导队列相比均无统计学显著下降；外部队列在两个时间点的校准度保持优异（Brier评分≤0.05）。
**（四）交互作用与亚组分析**
病毒亚型与入ICU前糖皮质激素剂量之间存在显著交互作用（P = 0.006），COVID-19患者中关联更强（入ICU前累积地塞米松等效剂量每增加10 mg的sHR = 1.17，95% CI: 1.09–1.26）。未观察到病毒亚型与其他预测因子间的其他显著交互作用（P > 0.05）。亚组分析显示模型性能在不同病毒亚型间保持一致：流感和COVID-19患者在7天（D = 1.01，P = 0.313）和14天（D = 1.22，P = 0.224）的判别力相似，校准曲线在两个亚组的各时间点均显示预测概率与观测概率良好一致（Brier评分≤0.05）。
随后，研究部署了一个交互式网络动态预测工具（可通过https://no57.shinyapps.io/VAPA_prediction/访问），具有直观的滑动条界面，临床医生可输入患者个体化变量，实时获得个体化VAPA风险概率及相应的风险分层管理建议。该工具无需统计学专业知识，适用于床旁即时使用。
**五、讨论与结论**
讨论部分指出，本研究的主要优势在于：通过多中心双向队列开发并验证了动态竞争风险预测模型，采用Fine-Gray亚分布风险框架考虑非VAPA死亡，有效避免了标准Cox模型对VAPA风险的高估；模型在推导和外部队列中均展现出优异的判别力和校准度，且在不同病毒亚型间性能一致。研究首次发现入ICU前糖皮质激素累积剂量与VAPA之间存在显著的J形关联，且该关联在COVID-19患者中强于流感患者，这可能为不同病原背景下的风险分层和免疫调节策略的个体化决策提供参考。
与既往研究比较，本队列中IAPA特异性发生率与既往报道一致；CAPA特异性发生率则显著高于大流行期间约6.0%的报道值，但与此前疫苗接种后时代超过10%的近期报告相符。这一时间差异可能反映了高危人群的根本性转变：早期CAPA流行病学数据主要来源于以免疫功能正常ICU患者为主的研究，而本队列（2023年1月至2025年6月）是在中国全面解除COVID-19管控政策之后纳入的，代表了疫苗接种后时代的临床图景——危重症COVID-19人群中常有合并症显著损害保护性免疫应答的个体。
临床意义方面，Cox模型对VAPA风险的高估在高危层最为突出（20%–30%），而这恰是临床决策最为关键的患者群体，预测风险常超过启动经验性抗真菌治疗的阈值。Fine-Gray模型的准确风险评估有助于临床医生与患者之间更清晰的风险沟通，优化抢先治疗的靶向性，并基于个体化风险-获益评估更好地告知患者关于预防性治疗的偏好。分析还发现，随着预测时间窗延长（从7天到14天），Cox模型高估VAPA风险的程度更加显著，凸显了竞争风险方法在此类场景中的重要性。
关于病毒亚型与模型稳定性的关系，尽管病毒亚型与入ICU前糖皮质激素剂量之间存在统计学显著的交互作用，但这一生物学效应修正并未显著影响模型整体性能。NLR作为关键预测因子具有病理生理合理性：升高的NLR同时反映了过度炎症（中性粒细胞增多）和免疫抑制（淋巴细胞减少），这种“免疫悖论”状态为侵袭性真菌感染创造了理想环境。关于抗真菌预防的作用，本研究未观察到预防的显著保护效应，结合一线唑类药物（如伏立康唑）的高成本、显著毒性和药物相互作用，提示广泛实施VAPA抗真菌预防在当前缺乏充分依据，未来策略应优先基于局部流行病学、验证合格的生物标志物和临床预测因子的风险分层。
研究局限性包括：需在不同地理区域、种族和医疗体系的人群中进一步验证；由于队列主要包含流感和COVID-19患者，对其他呼吸道病毒（如呼吸道合胞病毒或腺病毒）所致肺炎后肺曲霉病的预测性能尚不明确；作为非干预性研究，仅验证了模型的预测性能，临床实用性需通过干预性研究（如比较模型指导的抗真菌启动与常规护理的随机对照试验）进一步评估。
结论部分翻译：在这项多中心双向队列研究中，研究人员开发并验证了一种新型动态竞争风险预测模型，用于预测流感或COVID-19危重症患者的VAPA风险。该模型基于Fine-Gray亚分布风险框架，通过考虑非VAPA死亡的竞争风险，有效解决了标准时间-事件分析中固有的风险高估问题，并利用RCS进一步捕捉了关键连续预测因子与VAPA风险之间的非线性关系。Fine-Gray模型显示出与Cox模型相似的判别力但更优的校准度，且在不同病毒亚型间性能一致。据此，研究人员实现了一个实用工具，以促进VAPA的个体化、抢先管理。
