CT诊断的准确率，以确定COVID-19患者的住院需求

封面

如何引用文章

全文:

详细

论证：在俄罗斯联邦，为了检测COVID-19肺炎及其并发症和与其他肺部疾病的鉴别诊断，以及对患者进行分类，使用了胸部CT，并在CT 0–4的半定量视觉尺度上评估变化。尽管胸部CT广泛使用，但其用于确定COVID-19患者住院需求的诊断准确性的数字指标目前尚不清楚。

目的： 是确定该量表的敏感性、特异性、阳性预测值、阴性预测值。

材料与方法：研究涉及575名经实验室确诊的COVID-19患者（55%为女性），年龄为57.2±13.9岁。对于每个患者，进行了4次连续的胸部CT研究，并对疾病的严重程度进行了CT评分（0–4）。根据既往CT研究结果，将敏感性和特异性作为患者病情恶化或改善的条件概率进行计算。为计算阳性预测值（PPV）和阴性预测值（NPV），对COVID-19在莫斯科的流行情况进行了估计。2020年3月6日至11月28日期间所有COVID-19病例的数据来自俄国国家管理的保护消费者服务机构（Rospotrebnadzor）网站。使用了许多具有不同参数的ARIMA和EST模型来选择与现有数据最匹配的模型，并预测发病率的发展。

结果：0–4 CT分级的中位特异性为69%，敏感性为92%。描述莫斯科流行病学情况的最佳统计模型是ARIMA（0,2,1）。经计算，预测年发病率为9.6%，PPV值为56，NPV值为97%。

结果：Yuden指数最大的阶段出现在胸部CT第一次研究和第二次研究之间，此时样本中大多数患者表现出临床病情恶化的趋势。0–4 CT分级可以安全地排除轻、中度病程（CT0、CT1类）患者的病理变化发展，有助于优化患者在疫情不利的情况下住院。

作者简介

Sergey Morozov

Moscow Center for Diagnostics and Telemedicine

Email: morozov@npcmr.ru
ORCID iD: 0000-0001-6545-6170
SPIN 代码: 8542-1720

MD, Dr.Sci. (Med), Professor

俄罗斯联邦, Moscow

Roman Reshetnikov

Moscow Center for Diagnostics and Telemedicine; I.M. Sechenov First Moscow State Medical University (Sechenov University)

编辑信件的主要联系方式.
Email: reshetnikov@fbb.msu.ru
ORCID iD: 0000-0002-9661-0254
SPIN 代码: 8592-0558

Cand.Sci. (Phys-Math)

俄罗斯联邦, Moscow

Victor Gombolevskiy

Moscow Center for Diagnostics and Telemedicine

Email: gombolevskiy@npcmr.ru
ORCID iD: 0000-0003-1816-1315
SPIN 代码: 6810-3279

MD, Cand.Sci. (Med)

俄罗斯联邦, Moscow

Natalya Ledikhova

Moscow Center for Diagnostics and Telemedicine

Email: n.ledikhova@npcmr.ru
SPIN 代码: 6907-5936
俄罗斯联邦, Moscow

Ivan Blokhin

Moscow Center for Diagnostics and Telemedicine

Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN 代码: 3306-1387
俄罗斯联邦, Moscow

Olesya Mokienko

Moscow Center for Diagnostics and Telemedicine

Email: o.mokienko@npcmr.ru
ORCID iD: 0000-0002-7826-5135
SPIN 代码: 8088-9921

MD, Cand.Sci. (Med)

俄罗斯联邦, Moscow

参考

  1. Coronavirus update (live) [cited 2002 Oct 20]. Available from: https://www.worldometers.info/coronavirus
  2. World Health Organization. Coronavirus disease 2019 (COVID-19): situation report, 46 [cited 2002 March 06]. World Health Organization, Geneva; 2020. Available from: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200306-sitrep-46-covid-19.pdf?sfvrsn=96b04adf_4
  3. Temporary guidelines «Prevention, diagnosis and treatment of new coronavirus infection (COVID-19). Version 9 (26.10.2020)» (approved by the Ministry of Health of the Russian Federation) [Internet]. (In Russ). Available from: http://disuria.ru/_ld/8/846_mrC19pdl261020.pdf
  4. Morozov SP, Gombolevskiy VA, Cherninа VYu, et al. Prediction of lethal outcomes in COVID-19 cases based on the results chest computed tomography. Tuberculosis and Lung Diseases. 2020;98(6):7–14. (In Russ.) doi: 10.21292/2075-1230-2020-98-6-7-14
  5. Morozov SP, Andreychenko AE, Pavlov NA, et al. MosMedData: chest CT scans with COVID-19 related findings dataset. medRxiv. 2020. doi: 10.1101/2020.05.20.20100362
  6. Hyndman RJ, Khandakar Y. Automatic time series forecasting: the forecast package for R. J Stat Softw. 2008;27(3). doi: 10.18637/jss.v027.i03
  7. Box GE, Jenkins GM, Reinsel GC, Ljung GM. Time series analysis: forecasting and control. John Wiley & Sons, Hoboken; 2015.
  8. Rospotrebnadzor. The epidemiological situation and the spread of COVID-19 in the world as of 8.00 Moscow Time on 28.11.2020. Available from: https://www.rospotrebnadzor.ru/region/korono_virus/epid.php
  9. R Core Team. R: A language and environment for statistical computing. R foundation for statistical computing. Vienna, Austria; 2020.
  10. Hyndman RJ, Athanasopoulos G, Bergmeir C, et al. forecast: Forecasting functions for time series and linear models. Semantic Scholar; 2020.
  11. Wickham H. ggplot2: elegant Graphics for Data Analysis. Springer-Verlag New York; 2016. doi: 10.1007/978-3-319-24277-4
  12. Hamilton MC, Lyen S, Manghat NE. Controversy in coronaViral Imaging and Diagnostics (COVID). Clin Radiol. 2020;75(7):557–558. doi: 10.1016/j.crad.2020.04.011
  13. Morozov S, Ledikhova N, Panina E, et al. Re: Controversy in coronaViral Imaging and Diagnostics (COVID). Clin Radiol. 2020;75(11):871–872. doi: 10.1016/j.crad.2020.07.023
  14. Li Y, Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020;214(6):1280–1286. doi: 10.2214/AJR.20.22954
  15. 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;11(1):4968. doi: 10.1038/s41467-020-18786-x
  16. 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;20(8)911–919. doi: 10.1016/S1473-3099(20)30287-5

补充文件

附件文件
动作
1. JATS XML
下载
2. 图 1研究参与者的调查方案。 ARVI—急性上呼吸道病毒感染；胸部CT—胸部计算机断层扫描。

下载 (148KB)
索引源数据
3. 图 2动态分布患者人数根据肺组织的变化程度。

下载 (131KB)
索引源数据
4. 图 3预测COVID-19在莫斯科的流行情况：实际数据（黑色曲线）；ETS MMM模型（黄色曲线）；ARIMA模型（0,2,1）（红 色曲线）。ETS ZZZ模型的预测没有显示出来，因为它们与ARIMA（0,2,1）重合。对于每个模型，95%的置信区间以相应 的哑色显示。

下载 (105KB)
索引源数据

版权所有 © Morozov S., Reshetnikov R., Gombolevskiy V., Ledikhova N., Blokhin I., Mokienko O., 2021

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

##common.cookie##