![]()
题目：Diagnostic management of acute pulmonary embolism: a prediction model based on a patient data meta-analysis
作者：van Es N, Takada T, Kraaijpoel N, Klok FA, Stals MAM, Büller HR, Courtney DM, Freund Y, Galipienzo J, Le Gal G, Ghanima W, Huisman MV, Kline JA, Moons KGM, Parpia S, Perrier A, Righini M, Robert-Ebadi H, Roy PM, Wells PS, de Wit K, van Smeden M, Geersing GJ
杂志：European Heart Journal
发表时间：Jul 2023
DOI：10.1093/eurheartj/ehad417
肺栓塞(PE)的体征和症状缺乏特异性，因此PE的诊断管理是医院急诊、门诊和病房的医生面临的重要挑战。漏诊PE的后果可能会很严重，甚至可能致死，因此患者进行进一步检查的门槛通常很低。目前可通过敏感且特异的影像学检查（如CT肺血管造影或通气-灌注扫描）来确诊或排除PE。对于临床疑似PE患者建议使用基于临床决策的诊断方案，包括病史和体格检查，并结合D-二聚体检测以排除PE，从而减少CT扫描。这一点非常重要，因为过度的影像学检查会导致辐射暴露、造影剂反应或肾病风险、医疗成本增加、相关性不确定小血栓过度诊断以及碘造影剂的潜在短缺。
对临床可能性中低度且D-二聚体低于固定或可变阈值的患者，可基本排除PE，可认为不进行影像学检查是安全的。尽管如此，在临床可能性较高且D-二聚体水平升高的疑似PE患者中，高达50%至70%的患者接受了影像学造影检查，其中约70%的患者并未被确诊为PE。此外，考虑到不同医疗机构的病例组成和PE患病率的差异，这种算法的普适性也令人担忧。到目前为止，PE诊断评分的开发主要追求简便性，以便在临床计算评分，以快速决定哪些患者应该进行D-二聚体检测或直接进行影像学检查。这些评分基于简单的多因素逻辑回归模型，其中连续变量经常被分类处理，其潜在的相互作用被忽略。目前大多数PE诊断模型的推导也没有遵循最先进的方法学原则，包括使用多重插补和内外部验证。最后，一些PE诊断模型还包括一个主观的“Gestalt”变量，以指示“PE是否是最可能的诊断”，这很难标准化，因为它可能取决于医生的经验。另一种对疑似急性PE的诊断管理方法是使用一种能计算每位患者发生PE绝对概率的模型，协助医生做出个体化的管理决策，即决定是否需要进行影像学检查。本研究使用大型个体患者数据集(IPD)，试图推导并验证上述诊断模型，包括客观临床项目和定量D-二聚体检测。
1. 对16项横断面或前瞻性研究进行了荟萃分析，其中包括来自不同临床环境（初级保健、急诊、住院和养老院）的28305名临床疑似PE的成年患者。2. 建模采用多层逻辑回归模型，包括10个事先定义的客观候选预测因子，以预测基线时客观确诊的PE或在30至90天的随访期间发生的静脉血栓栓塞(VTE)可能性。3. 对缺失数据处理采用多重插补法填补。基于内外部交叉验证评估了区分度(C统计量，95%置信区间[CI]和预测区间[PI])和校准度(结果:预期[O:E]比和校准图)。4. 随后，将模型的准确性与基于Wells评分和D二聚体检测的算法进行了比较。
![]()
附在线计算网页：https://pred-model.shinyapps.io/App_IPD_PE
1. 在纳入的患者中，PE患病率从7.1%到40%不等，总体患病率为16%。患者基本特征见表1。2. 最终模型包括年龄、性别、既往VTE史、近期手术或制动、咯血、癌症、深静脉血栓形成的临床表现、住院、D二聚体(µg/L)以及年龄和D二聚体之间的交互项。在验证研究中，该模型显示良好的区分度，合并C统计量为0.87 (95%CI, 0.85-0.89; 95%PI, 0.77-0.93)，和整体校准度(合并O:E比为0.99; 95%CI, 0.87-1.14; 95%PI, 0.55-1.79)，见表2。![]()
3. 该模型略微高估了处于较低估计概率的范围内患者的VTE患病概率。总体校准图显示，在0%-100%的总体范围内，基于模型的估计概率与实际观察到的PE患病率之间具有良好的一致性(图1A)。然而，在0%-3%的临床相关概率范围内，该模型倾向于高估PE的概率，最大可高估约1个百分点(图1B)。4. 在验证数据集中，当前模型的区分效果优于基于年龄的D二聚体阈值的Wells评分 (C统计量为0.73; 95% CI, 0.70-0.75)，以及结构化临床预测概率模型(C统计量 0.79; 95% CI, 0.76-0.81)。目前模型的个体化概率估计与目前使用的算法的安全性和效率相当(图2)。![]()
5. 图3显示了基于新模型排除PE的条件(个体)概率分布。在传统诊断算法（基于D二聚体的Wells评分）分类为“不需要影像学检查”的低风险患者中，根据本模型发现具有相当大比例的患者存在高PE概率。
1. 该研究建立了急性肺栓塞诊断管理的临床预测模型，并使用16项研究中28305例患者的数据进行了验证。最终模型包含8个临床变量和定量D二聚体水平。2. 该预测模型具有良好的区分度（合并C统计量0.87）和校准度（合并O:E比0.99）。对疑似PE患者，可计算个体化的绝对概率，确保不进行影像学检查的安全性。3. 在传统诊断算法分类为“不需要影像学检查”的低风险患者中，基于本模型发现具有相当大比例的患者存在高PE风险，提示本模型可作为替代选择，预防PE的诊断不足和过度诊断。4. 该模型的临床效用需要后续外部研究进一步评估和验证。
1. 此临床概率模型来自于荟萃分析，样本量大，方法可靠；研究结果适用于不同的临床场景（门诊，急诊，住院），具有一定的普适性；2. 最终临床诊断模型的10个变量包括：年龄、性别、既往VTE史、近期手术或制动、咯血、癌症、深静脉血栓形成临床表现、住院、D二聚体(µg/L)以及经年龄调整后的D二聚体水平，这些变量均来自于客观的病史、临床症状和实验室检查，无主观因素的混杂；3. 此诊断模型展现形式比较直观，没有人为划分界值（cut-off值），计算后得到的是一个直观的概率，便于不同科室或不同临床水平的医生理解和使用。
1. 此模型纳入变量比较多，如果缺失任何一个变量，就难以实现快速的诊断，不太适用于高危肺栓塞患者，可疑高危肺栓塞患者一般不需要等d-dimer的结果；2. 在临床应用和推广过程中，需要借助移动医疗手段，如小程序或者app，通过输入变量来计算PE概率；3. 其有效性还需要通过大规模的风险人群或疑诊人群前瞻性队列进行外部验证。
参考文献：
van Es N, Takada T, Kraaijpoel N, Klok FA, Stals MAM, Büller HR, Courtney DM, Freund Y, Galipienzo J, Le Gal G, Ghanima W, Huisman MV, Kline JA, Moons KGM, Parpia S, Perrier A, Righini M, Robert-Ebadi H, Roy PM, Wells PS, de Wit K, van Smeden M, Geersing GJ. Diagnostic management of acute pulmonary embolism: a prediction model based on a patient data meta-analysis. Eur Heart J. 2023 Jul 15:ehad417. doi: 10.1093/eurheartj/ehad417.
