Диагностическая точность компьютерной томографии для определения необходимости госпитализации пациентов с COVID-19
- Авторы: Морозов С.П.1, Решетников Р.В.1,2, Гомболевский В.А.1, Ледихова Н.В.1, Блохин И.А.1, Мокиенко О.А.1
-
Учреждения:
- Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
- Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)
- Выпуск: Том 2, № 1 (2021)
- Страницы: 5-16
- Раздел: Оригинальные исследования
- URL: https://journals.rcsi.science/DD/article/view/46818
- DOI: https://doi.org/10.17816/DD46818
- ID: 46818
Цитировать
Аннотация
Обоснование. Для выявления COVID-19-пневмоний, их осложнений и дифференциальной диагностики с другими заболеваниями лёгких, а также с целью сортировки пациентов в Российской Федерации применяют компьютерную томографию органов грудной клетки (КТ ОГК) с оценкой изменений по визуальной полуколичественной шкале КТ 0–4. Несмотря на широкое применение инструмента, численные показатели его диагностической точности в определении необходимости госпитализации пациентов с COVID-19 на настоящий момент неизвестны.
Цель ― определение значений чувствительности, специфичности, положительной и отрицательной прогностической значимости шкалы.
Материал и методы. К участию в исследовании привлекли 575 пациентов (55% женщины) в возрасте 57,2±13,9 лет с лабораторно подтверждённым COVID-19. Для каждого пациента проводили по четыре последовательных исследования КТ ОГК с оценкой степени тяжести заболевания по шкале КТ 0–4. Чувствительность и специфичность рассчитывали как условную вероятность ухудшения или улучшения состояния пациента в зависимости от результатов предыдущего исследования КТ. Для расчёта положительной (PPV) и отрицательной (NPV) прогностической значимости проводили оценку распространённости COVID-19 в Москве. Данные обо всех случаях заболевания COVID-19 в период с 6 марта по 28 ноября 2020 г. взяты с сайта Роспотребнадзора. Использовали ряд моделей ARIMA и EST с различными параметрами для подбора наилучшего соответствия имеющимся данным и прогноза развития заболеваемости.
Результаты. Шкала оценки КТ 0–4 продемонстрировала медианные специфичность 69% и чувствительность 92%. Лучшей статистической моделью для описания эпидемиологической ситуации в Москве являлась ARIMA (0,2,1). Согласно проведённым подсчётам, при предсказанной годовой заболеваемости в 9,6% значения PPV и NPV составляют 56 и 97% соответственно.
Заключение. Максимальный индекс Юдена наблюдали на этапе между первым и вторым исследованием КТ ОГК, когда большинство пациентов в выборке демонстрировали тенденцию к ухудшению клинического состояния. Шкала КТ 0–4 позволяет безопасно исключить развитие патологических изменений у пациентов с лёгким и среднетяжёлым течением заболевания (категории КТ0 и КТ1), способствуя оптимизации нагрузки на стационары при неблагоприятной эпидемической обстановке.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Сергей Павлович Морозов
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: morozov@npcmr.ru
ORCID iD: 0000-0001-6545-6170
SPIN-код: 8542-1720
д.м.н., профессор
Россия, МоскваРоман Владимирович Решетников
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)
Автор, ответственный за переписку.
Email: reshetnikov@fbb.msu.ru
ORCID iD: 0000-0002-9661-0254
SPIN-код: 8592-0558
к.ф.-м.н.
Россия, МоскваВиктор Александрович Гомболевский
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: gombolevskiy@npcmr.ru
ORCID iD: 0000-0003-1816-1315
SPIN-код: 6810-3279
к.м.н.
Россия, МоскваНаталья Владимировна Ледихова
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: n.ledikhova@npcmr.ru
SPIN-код: 6907-5936
Россия, Москва
Иван Андреевич Блохин
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN-код: 3306-1387
Россия, Москва
Олеся Александровна Мокиенко
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: o.mokienko@npcmr.ru
ORCID iD: 0000-0002-7826-5135
SPIN-код: 8088-9921
к.м.н.
Россия, МоскваСписок литературы
- Coronavirus update (live) [cited 2002 Oct 20]. Available from: https://www.worldometers.info/coronavirus
- World Health Organization. Coronavirus disease 2019 (COVID-19): situation report, 46 [cited 2002 March 06]. WHO, Geneva; 2020. Available from: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200306-sitrep-46-covid-19.pdf?sfvrsn=96b04adf_4
- Временные методические рекомендации «Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Версия 9 (26.10.2020)» (утв. Министерством здравоохранения Российской Федерации) [интернет]. Режим доступа: http://disuria.ru/_ld/8/846_mrC19pdl261020.pdf. Дата обращения: 15.01.2021.
- Морозов С.П., Гомболевский В.А., Чернина В.Ю. и др. Прогнозирование летальных исходов при COVID-19 по данным компьютерной томографии органов грудной клетки // Туберкулез и болезни легких. 2020. Т. 98, № 6. С. 7–14. doi: 10.21292/2075-1230-2020-98-6-7-14
- Morozov S.P., Andreychenko A.E., Pavlov N.A., et al. MosMedData: chest CT scans with COVID-19 related findings dataset // medRxiv. 2020. doi: 10.1101/2020.05.20.20100362
- Hyndman R.J., Khandakar Y. Automatic time series forecasting: the forecast package for R // J Stat Softw. 2008. Vol. 27, N 3. doi: 10.18637/jss.v027.i03
- Box G.E., Jenkins G.M., Reinsel G.C., Ljung G.M. Time series analysis: forecasting and control. John Wiley & Sons, Hoboken; 2015.
- Роспотребнадзор. Эпидемиологическая обстановка и распространение COVID-19 в мире по состоянию на 8.00 по МСК от 28.11.2020. Режим доступа: https://www.rospotrebnadzor.ru/region/korono_virus/epid.php. Дата обращения: 15.01.2021.
- R Core Team. R: A language and environment for statistical computing. R foundation for statistical computing. Vienna, Austria; 2020.
- Hyndman R.J., Athanasopoulos G., Bergmeir C., et al. forecast: Forecasting functions for time series and linear models. Semantic Scholar; 2020.
- Wickham H. ggplot2: elegant Graphics for Data Analysis. Springer-Verlag New York; 2016. doi: 10.1007/978-3-319-24277-4
- Hamilton M.C., Lyen S., Manghat N.E. Controversy in coronaViral Imaging and Diagnostics (COVID) // Clin Radiol. 2020. Vol. 75, N 7. P. 557–558. doi: 10.1016/j.crad.2020.04.011
- Morozov S., Ledikhova N., Panina E., et al. Re: Controversy in coronaViral Imaging and Diagnostics (COVID) // Clin Radiol. 2020. Vol. 75, N 11. P. 871–872. doi: 10.1016/j.crad.2020.07.023
- Li Y., Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management // AJR Am J Roentgenol. 2020. Vol. 214, N 6. P. 1280–1286. doi: 10.2214/AJR.20.22954
- Feng Z., Yu Q., Yao S., et al. Early prediction of disease progression in COVID-19 pneumonia patients with chest CT and clinical characteristics // Nat Commun. 2020. Vol. 11, N 1. P. 4968. doi: 10.1038/s41467-020-18786-x
- Bi Q., Wu Y., Mei S., et al. Epidemiology and transmission of COVID-19 in 391 cases and 1286 of their close contacts in Shenzhen, China: a retrospective cohort study // Lancet Infect Dis. 2020. Vol. 20, N 8. P. 911–919. doi: 10.1016/S1473-3099(20)30287-5