重症社区获得性肺炎患者死亡风险预测列线图的构建与验证

Development and Validation of a Nomogram for Predicting Mortality Risk in Patients with Severe Community-Acquired Pneumonia

摘要

目的 本研究拟构建并验证基于多因素分析的列线图模型，用于预测重症社区获得性肺炎（community-acquired pneumonia， CAP）患者的28 d死亡风险，提供个体化的死亡风险评估。 方法 纳入2023年1月至2024年8月确诊为重症CAP的300例患者，按7∶3比例分为训练集（210例）和验证集（90例）。收集患者人口学特征、病史、实验室检查及28 d死亡率。训练集中通过单因素分析筛选与死亡风险显著相关的变量，包括年龄、糖尿病、慢性阻塞性肺病（chronic obstructive pulmonary disease， COPD）、C反应蛋白（c-reactive protein， CRP）水平、氧合指数、D-二聚体、白蛋白水平、血清乳酸、是否入住重症监护病房（intensive care unit， ICU）、是否为多重耐药菌感染等，并进行多因素Logistic回归分析，确定独立预后因素。基于多因素分析结果构建列线图模型，通过ROC曲线和曲线下面积（area under the curve， AUC）评估模型的辨别能力，C-index及校准曲线验证模型的预测效果。验证集用于检验模型的泛化能力。 结果 单因素分析显示，年龄、糖尿病、COPD、CRP水平、氧合指数、D-二聚体、白蛋白水平、血清乳酸、是否入住ICU、是否为多重耐药菌感染与28天死亡风险显著相关（P < 0.05）。多因素Logistic回归分析表明，糖尿病（OR = 2.42，95% CI∶ 1.35～4.45，P = 0.003）、COPD（OR = 2.80，95% CI∶ 1.58～4.95，P < 0.001）、年龄（OR = 1.74，95% CI∶ 1.10～2.76，P = 0.021）和氧合指数（OR = 0.48，95% CI∶ 0.29～0.80，P = 0.009）为独立死亡预测因素。列线图模型在训练集的AUC为0.84（95% CI∶0.78～0.90），验证集AUC为0.81（95% CI∶ 0.73～0.89）；校准曲线显示模型预测与实际死亡率高度吻合。 结论 本研究构建的列线图模型在训练集和验证集中均表现出良好的辨别力和校准度，可有效预测重症CAP患者的28 d死亡风险，为临床提供便捷的个体化风险评估工具。

Abstract

Objective This study aimed to develop and validate a nomogram model based on multivariate analysis for predicting 28-day mortality risk in patients with severe community-acquired pneumonia （CAP）， providing a tool for individualized mortality risk assessment. Methods A total of 300 patients diagnosed with severe CAP between January 2023 and August 2024 were included in this study， randomly divided into a training set （210 cases） and a validation set （90 cases） at a 7∶3 ratio. Significant variables associated with mortality risk were identified in the training set through univariate analysis， including age， diabetes， chronic obstructive pulmonary disease （COPD）， C-reactive protein （CRP） levels， oxygenation index， D-dimer， albumin levels， serum lactate， ICU admission status， and multidrug-resistant bacterial infection. Multivariable logistic regression analysis was performed to determine independent prognostic factors. A nomogram model was constructed based on the results of the multivariable analysis. The model's discrimination ability was evaluated using receiver operating characteristic （ROC） curves and the area under the curve （AUC）， while the C-index and calibration curve were used to verify its predictive performance. The validation set was used to assess the model's generalizability. Results Univariate analysis showed that age， diabetes， COPD， CRP levels， oxygenation index， D-dimer， albumin levels， serum lactate， ICU admission， and multidrug-resistant bacterial infection were significantly associated with the 28-day mortality risk （P < 0.05）. Multivariate logistic regression analysis identified diabetes （OR = 2.42， 95% CI∶ 1.35～4.45， P = 0.003）， COPD （OR = 2.80， 95% CI∶ 1.58～4.95， P < 0.001）， age （OR = 1.74， 95% CI∶ 1.10～2.76， P = 0.021）， and oxygenation index （OR = 0.48， 95% CI∶ 0.29～0.80， P = 0.009） as independent predictors of mortality. The AUC of the nomogram model was 0.84 （95% CI∶ 0.78～0.90） in the training set and 0.81 （95% CI∶ 0.73～0.89） in the validation set. The calibration curve showed high concordance between the predicted and actual 28-day mortality rates. Conclusion The nomogram model developed in this study effectively predicted the 28-day mortality risk in patients with severe CAP， providing clinicians with a practical tool for individualized risk assessment. The model demonstrated good discriminative power and calibration in both the training and validation sets.

Graphical abstract

关键词

社区获得性肺炎 / 28天死亡率 / 列线图 / 重症监护病房 / 死亡风险

Key words

Community-acquired pneumonia / 28-day mortality / Nomogram / ICU / Mortality risk

社区获得性肺炎（community-acquired pneumonia, CAP）是由各种病原体引起的急性呼吸道感染，其病程进展迅速，是全球范围内导致住院和死亡的重要原因之一，尤其在老年和/或有合并症的患者中，其病程进展迅速且病情严重，易引起患者入住重症监护病房（intensive care unit, ICU），导致其死亡率显著增高^[1-3]。因此，针对重症CAP患者进行有效的预后评估对于临床决策和治疗优化至关重要。

目前，临床常用的CAP死亡风险评估工具包括CURB-65评分（Confusion, Urea, Respiratory rate, Blood pressure, Age ≥ 65, CURB-65）和肺炎严重指数（Pneumonia Severity Index, PSI）等^[4]。这些工具主要基于患者的年龄、血压、呼吸频率、意识状态等生理和临床指标，用于评估CAP的严重程度^[5]，具有操作简便，适用于CAP快速评估等特点。但这些评分系统并未充分纳入患者的基础疾病状况和实验室检查等变量，而且重症CAP患者因其复杂的病情还会导致这些评分的预测能力下降，限制其临床应用价值^[6]。近年来，能结合多因素的列线图作为一种个体化预测工具，在医学研究中广泛应用^[7]。列线图具有整合多维度的临床变量，为复杂临床情境提供可靠的风险评估的特点，已广泛应用于心血管疾病、恶性肿瘤、感染性疾病等领域的个体预后预测研究中^[8]。而目前，针对重症CAP患者死亡风险预测的列线图构建研究仍较为有限。因此，本研究旨在构建并验证一个基于多因素分析的列线图模型，用于预测重症社区获得性肺炎患者的28 d死亡风险，以期为临床医生提供更个体化的决策支持工具。

1 资料与方法

1.1 研究对象

本研究纳入2023年1月至2024年8月在新乡医学院第一附属医院确诊为重症CAP的患者。患者信息通过医院电子病历系统获得，并根据计算机随机数字表法，按照7∶3的比例分为训练集和验证集。

纳入标准：①年龄 ≥ 18岁；②确诊为社区获得性肺炎的患者，符合美国胸科协会/感染病学会（The American Thoracic Society/Infectious Diseases Society, ATS/IDSA）中的CAP诊断标准；③病情符合重症社区获得性肺炎的定义即同时满足两项主要标准，或满足3项及以上次要标准。主要标准：①需接受有创机械通气；②需使用血管活性药物以维持血压。次要标准：①呼吸频率 ≥ 30次/分钟；②氧合指数 ≤ 250 mmHg；③意识障碍；④血尿素氮（blood urea nitrogen, BUN） ≥ 20 mg/dL；⑤白细胞计数 < 4 000或 > 12 000 cells/μL。

排除标准：①非感染原因导致住院或呼吸衰竭的患者；②因其他合并严重疾病（如晚期癌症、终末期肾病）住院治疗的患者；③既往有免疫缺陷疾病或接受免疫抑制治疗的患者。本研究经新乡医学院第一附属医院伦理委员会审核批准（批号：202301007）。

1.2 数据收集

本研究通过医院电子病历系统系统性收集所有纳入患者的临床资料。所有相关信息均在患者首次入院时由专业医务人员记录，并进行28 d随访以确定患者预后状态。

1.3 主要指标与方法

研究的主要结局指标为28 d死亡率，指患者在入院后28 d内的生存或死亡情况，通过病历追踪及电话随访等方式确认。收集的其他变量包括一般人口学特征和基础病史（如年龄、性别、吸烟史、饮酒史、糖尿病、慢性阻塞性肺疾病、高血压、心血管疾病等），实验室检查数据[炎症指标（C反应蛋白、降钙素原），氧合状态（氧合指数PaO₂/FiO₂），凝血功能（D-二聚体），以及反映代谢和器官功能的指标（白蛋白、血清乳酸、血清肌酐、ALT、AST等）]，以及与临床治疗相关的信息，如是否入住ICU、是否发生多重耐药菌感染等。

1.4 统计学分析

采用R4.0.3和SPSS 25.0软件进行统计学分析。符合正态分布的连续变量以均数 ± 标准差（\overline{x} ± s）表示，组间比较采用独立样本t检验；偏态分布资料以中位数（四分位数）[M（P₂₅，P₇₅ ）]表示，比较采用Mann-Whitney U检验。分类变量以例数和百分比[n（%）]表示，组间比较采用χ²检验或Fisher精确检验。采用二元Logistic回归分析筛选预测因子，使用R语言“rms”包构建列线图模型。通过ROC曲线及曲线下面积（the area under the curve, AUC）评估模型性能，校准曲线和Hosmer-Lemeshow检验评价模型拟合度与泛化能力。P < 0.05表示差异具有统计学意义。

2 结果

2.1 患者基本特征

本研究共纳入重症CAP患者300例，其中男性180例（60.0%），女性120例（40.0%）。患者的平均年龄为（65.8 ± 12.5）岁。训练集与验证集的基本特征比较，差异无统计学意义（P > 0.05），见表1。

2.2 重症CAP患者预后的单因素分析

在训练集中，以重症CAP患者是否在28 d内死亡为因变量进行单因素分析。结果显示，两组患者年龄（P = 0.003）、糖尿病（P = 0.005）、COPD（P = 0.007）、CRP水平（P = 0.027）、氧合指数（P = 0.014）、D-二聚体（P = 0.017）、白蛋白水平（P = 0.033）、血清乳酸水平（P = 0.021）、是否入住ICU（P = 0.035）和是否为多重耐药菌感染（P = 0.040）变量间的差异具有统计学意义，见表2。

2.3 重症CAP患者预后的二元logistic回归分析

将单因素分析中具有统计学意义的变量纳入二元Logistic回归模型分析，结果表明，糖尿病（OR = 2.42，95% CI∶1.35～4.45，P = 0.003）、COPD（OR = 2.80，95% CI∶1.58～4.95，P < 0.001）、年龄（OR = 1.74，95% CI∶1.10～2.76，P = 0.021）和氧合指数（OR = 0.48，95% CI∶0.29～0.80，P = 0.009）是28 d死亡风险的预测因素，见表3。

2.4 重症CAP患者死亡风险预测列线图的构建

基于Logistic回归分析结果，筛选出年龄、糖尿病、COPD和氧合指数4个独立变量，使用R语言“rms”包构建列线图模型，用于预测重症CAP患者的28 d死亡风险。经分析显示，COPD对28 d死亡风险的预测作用最强，其次是糖尿病患病史、氧合指数和年龄，见图1。

2.5 模型的性能评估与验证

经ROC曲线分析结果显示，训练集AUC为0.84（95% CI∶0.78～0.90），验证集AUC为0.81（95% CI∶0.73～0.89），见图2。经Hosmer-Lemeshow检验结果显示，训练集和验证集检验结果均无统计学差异（P > 0.05），提示模型具有较好的校准能力，见图3。

3 讨论

本研究的多因素Logistic回归分析表明，糖尿病、COPD、年龄和氧合指数是重症社区获得性肺炎（CAP）患者28 d死亡风险的独立预测因素。具体而言，糖尿病患者的死亡比值比为2.42（OR = 2.42，P = 0.003），COPD患者为2.80（OR = 2.80，P < 0.001），分别提示其死亡可能性显著高于无相关基础病的患者。此外，年龄每增加1岁，死亡风险增加74%（OR = 1.74，P = 0.021），即年龄越大，死亡可能性越高。氧合指数较低则与更高的死亡风险显著相关（OR = 0.48，P = 0.009），即氧合指数越高，死亡风险越低。既往研究显示，糖尿病患者通常处于慢性低度炎症状态，常伴有IL-6、TNF-α等促炎因子持续升高，可造成免疫系统功能失调，特别是中性粒细胞趋化与吞噬功能下降，削弱机体对肺部感染的清除能力^[9]。此外，高血糖状态可损害肺泡巨噬细胞活性，导致细菌或病毒易于繁殖，进而加重感染程度并诱发系统性炎症反应综合征，从而增加重症CAP患者的死亡风险^[10]。而COPD患者由于长期慢性气道炎症及肺实质结构破坏，肺泡-毛细血管屏障功能受损，使病原体更易侵入和扩散，且肺泡灌洗液中常存在大量活性氧及中性粒细胞弹性蛋白酶，进一步破坏肺组织^[11]。此外，COPD相关的黏液高分泌、纤毛清除功能障碍以及气道重塑使得这些患者对感染应激反应更为脆弱^[12]。随着年龄增长，机体免疫老化进程加剧，表现为T细胞和B细胞活性下降、炎症因子水平升高，显著降低了个体对感染的适应能力^[13]。同时，老年患者易合并多种慢性病，使其在感染后更容易发展为急性呼吸衰竭和多器官功能不全。氧合指数反映肺泡氧气弥散能力，是评估急性呼吸窘迫综合征（acute respiratory distress syndrome, ARDS）及肺功能损伤程度的重要指标。氧合指数降低常提示肺泡毛细血管膜广泛受损，气体交换障碍加剧，可能与炎症渗出、肺水肿、透明膜形成等病理改变有关，最终导致机体缺氧、酸中毒、器官功能衰竭，从而可显著提高病死率^[14]。临床医生通过评估疾病的关键特征早期识别高风险患者，从而采取更积极的干预措施。本研究结果与现有文献结论基本一致^[15]，进一步说明糖尿病和COPD患者在感染后预后较差，死亡率较高^[16]。此外，氧合指数作为ARDS的诊断标准之一，长期以来被认为是评估肺功能和预后的重要指标^[17-19]。

本研究构建CAP患者的28 d死亡风险列线图模型，结果显示在训练集与验证集中的AUC分别为0.84和0.81，显示出较强的区分能力；C-index分别为0.82与0.79，进一步验证了模型的稳定性与一致性。Hosmer–Lemeshow检验结果显示，预测概率与实际结局之间具有良好的拟合度，模型具备较强的校准能力。列线图模型提供了一种基于多个临床变量的个体化风险评估工具，能够帮助临床医生更准确地预测重症CAP患者的预后。相比传统的单一风险评分系统，列线图模型可以整合更多临床特征，并有效区分高风险和低风险患者，更好的帮助临床医生制定个体化治疗方案^[20-21]。列线图模型已广泛应用于不同疾病的个体化风险预测中，如癌症和心血管疾病^[22-24]。本研究的列线图模型表现出较高的AUC和C-index，表明其在重症CAP患者中具有良好的预测能力。此外，列线图模型还可用于患者风险分层与早期干预策略制定，有助于实现更加精准、高效的个体化诊疗^[25]。

本研究也存在一些局限性。首先，本研究为单中心回顾性研究，患者异质性可能影响模型的广泛适用性；其次，研究样本量相对较小，可能限制模型的统计学效力；最后，本研究未能纳入更多潜在预后相关变量，可能限制模型的预测能力。未来的研究应通过多中心、前瞻性研究进一步验证列线图模型的外部效度。

4 结论

本研究成功构建了重症CAP患者28 d死亡风险列线图模型，模型在训练集和验证集中均表现出良好的辨别力和校准度，能有效预测重症CAP患者的28 d死亡风险，可为临床提供更便捷的个体化风险评估工具。

参考文献

[1] ELIAS C, NUNES MC, SAADATIAN-ELAHI M. Epidemiology of community-acquired pneumonia caused by S treptococcus pneumoniae in older adults: a narrative review[J]. Curr Opin Infect Dis, 2024, 37(2): 144-153.

[2] YANG TN, ZHANG L, SUN SY, et al. Identifying severe community-acquired pneumonia using radiomics and clinical data: a machine learning approach[J]. Sci Rep, 2024, 14(1): 21884.

[3] ZHANG MQ, DONG CC, JIANG YP, et al. Low thoracic skeletal muscle is a risk factor for 6-month mortality of severe community-acquired pneumonia in older men in intensive care unit[J]. BMC Pulm Med, 2024, 24(1): 387.

[4] ZAKI HA, HAMDI ALKAHLOUT B, SHABAN EM, et al. The battle of the pneumonia predictors: a comprehensive meta-analysis comparing the pneumonia severity index (PSI) and the CURB-65 score in predicting mortality and the need for ICU support[J]. Cureus, 2023, 15(7): e42672.

[5] JABEEN F, MISHRA A, MATEEN S, et al. Pneumonia in geriatric patients and prediction of mortality based on the pneumonia severity index (PSI), CURB-65, frailty index (FI), and FI-Lab21 scores[J]. Cureus, 2024, 16(6): e61719.

[6] CHANG SC, GRUNKEMEIER GL, GOLDMAN JD, et al. A simplified pneumonia severity index (PSI) for clinical outcome prediction in COVID-19[J]. PLoS One, 2024, 19(5): e0303899.

[7] 邓昭美, 邓志发, 徐廉. 基于超声心动图参数和血清学指标构建预测老年慢性心力衰竭患者预后的风险列线图模型[J]. 中华老年心脑血管病杂志, 2024, 26(9): 997-1001.

[8] SONG X, XIE YY, LOU YF. A novel nomogram and risk stratification system predicting the cancer-specific survival of patients with gastric neuroendocrine carcinoma: a study based on SEER database and external validation[J]. BMC Gastroenterol, 2023, 23(1): 238.

[9] HARMON DC, LEVENE JA, RUTLEN CL, et al. Preadmission metformin use is associated with reduced mortality in patients with diabetes mellitus hospitalized with COVID-19[J]. J Gen Intern Med, 2024, 39(16): 3253-3260.

[10] ZENG D, ZENG QY, WANG SF, et al. Additive impact of diabetes and Helicobacter pylori infection on all-cause mortality, diabetic mortality, and cardiovascular mortality: a longitudinal nationwide population-based study[J]. Diabetol Metab Syndr, 2024, 16(1): 212.

[11] 陈亮, 韩秀迪, 邢西迁, 等. 合并慢性阻塞性肺疾病的社区获得性肺炎住院患者临床特征和预后因素分析[J]. 中国呼吸与危重监护杂志, 2019, 18(5): 409-417.

[12] YAZAR EE, GUNLUOGLU G, ARPINAR YIGITBAS B, et al. Can the ADO index be used as a predictor of mortality from COVID-19 in patients with COPD?[J]. Int J Chron Obstruct Pulmon Dis, 2024, 19: 851-858.

[13] GLANCE LG, JOYNT MADDOX KE, STONE PW, et al. Hospital strain during the COVID-19 pandemic and outcomes in older racial and ethnic minority adults[J]. JAMA Netw Open, 2024, 7(10): e2438563.

[14] 万玉青, 叶昊明, 邵敏. 氧合指数对成人社区获得性肺炎患者临床结局的预测价值[J]. 安徽医科大学学报, 2023, 58(11): 1957-1961.

[15] 马景莲, 郭玉丽, 李春苗, 等. 老年重症肺炎病人预后危险因素分析[J]. 护理研究, 2024, 38(20): 3758-3760.

[16] YANG YL, WANG QY, YU ZW. Prognostic factors of severe pneumonia in adult patients: a systematic review[J]. Altern Ther Health Med, 2024, 30(5): 80-89.

[17] 徐震, 王昭, 张海生, 等. 病毒性肺炎合并急性呼吸窘迫综合征患者预后风险预警模型的建立[J]. 中华医院感染学杂志, 2023, 33(8): 1143-1147.

[18] 张琴, 顾伟, 陈俊, 等. 氧合指标及呼吸机参数对机械通气治疗儿童ARDS的预后评价[J]. 南京医科大学学报(自然科学版), 2022, 42(12): 1734-1740.

[19] CAI SH, LIAO W, CHEN SW, et al. Association between obesity and clinical prognosis in patients infected with SARS-CoV-2[J]. Infect Dis Poverty, 2020, 9(1): 80.

[20] 王小燕, 郑昕. 糖皮质激素在重症新冠肺炎中的临床研究进展[J]. 华中科技大学学报(医学版), 2024, 53(4): 563-568.

[21] RHODES A, EVANS LE, ALHAZZANI W, et al. Surviving sepsis campaign: international guidelines for management of sepsis and septic shock: 2016[J]. Crit Care Med, 2017, 45(3): 486-552.

[22] 夏志强, 金婷婷. 老年急性心肌梗死PCI治疗后死亡风险列线图模型构建及评估[J]. 中国卫生统计, 2023, 40(4): 587-589.

[23] 冯小利, 李振华, 陈慧敏, 等. 老年慢性心力衰竭患者发生低三碘甲状腺原氨酸综合征风险列线图模型的建立[J]. 中山大学学报(医学科学版), 2024, 45(5): 844-852.

[24] 付金平, 陈惠, 赵洁, 等. 肺癌放化疗后患者发生肺部感染的危险因素及其风险预测列线图模型构建[J]. 中华医院感染学杂志, 2024, 34(8): 1145-1149.

[25] SPROCKEL JJ, MURCIA AL, DÍAZ MC, et al. Performance of APACHE II, SOFA, and CURB-65 for death prognosis in COVID-19 critical patients: a prospective cohort study[J]. Acta Colomb De Cuidado Intensivo, 2024, 24(2): 98-105.

基金资助

河南省医学科技攻关计划项目(LHGJ20220624)