Диагностическая точность компьютерной томографии для определения необходимости госпитализации пациентов с COVID-19

Обложка

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.

Об 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, Москва

Роман 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, Москва

Виктор 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, Москва

Наталья 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, Москва

Список литературы

  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]. WHO, Geneva; 2020. Available from: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200306-sitrep-46-covid-19.pdf?sfvrsn=96b04adf_4
  3. 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.
  4. 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
  5. 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
  6. 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
  7. Box G.E., Jenkins G.M., Reinsel G.C., Ljung G.M. Time series analysis: forecasting and control. John Wiley & Sons, Hoboken; 2015.
  8. 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.
  9. R Core Team. R: A language and environment for statistical computing. R foundation for statistical computing. Vienna, Austria; 2020.
  10. Hyndman R.J., 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 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
  13. 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
  14. 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
  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. Vol. 11, N 1. P. 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. Vol. 20, N 8. P. 911–919. doi: 10.1016/S1473-3099(20)30287-5

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Схема проведения обследования участников исследования. ОРВИ ― острые респираторные вирусные инфекции; КТ ОГК ― компьютерная томография органов грудной клетки.

Скачать (166KB)
3. Рис. 2. Динамика распределения численности пациентов по степени изменения лёгочной ткани.

Скачать (140KB)
4. Рис. 3. Прогнозирование распространённости COVID-19 в Москве: фактические данные (кривая чёрного цвета); модель ETS MMM (кривая жёлтого цвета); модель ARIMA (0,2,1) (кривая красного цвета). Прогнозы модели ETS ZZZ не отображены, поскольку совпадают с ARIMA (0,2,1). Для каждой из моделей соответствующим приглушённым цветом показаны 95% доверительные интервалы.

Скачать (114KB)

© Морозов С.П., Решетников Р.В., Гомболевский В.А., Ледихова Н.В., Блохин И.А., Мокиенко О.А., 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».