Articolo di ricerca

Un nomogramma dinamico basato sul web per la previsione della polmonite da Mycoplasma pneumoniae refrattaria nei bambini

22 visualizzazioni

⸱

DOI:

10.3791/71588

⸱

31 luglio 2026

 , 
1Department of Pediatrics, Jinhua Women's and Children's Hospital, 2Department of Orthopedics, Jinhua Municipal Central Hospital

In questo articolo

Sommario

Il presente studio ha valutato in modo completo manifestazioni cliniche, indici di laboratorio e caratteristiche di imaging nei bambini con MPP per identificare fattori di rischio indipendenti per RMPP e stabilire un nomogramma dinamico online per una previsione precoce.

Abstract

La polmonite da Mycoplasma pneumoniae (RMPP) refrattaria nei bambini è associata a risposte infiammatorie più forti, una gestione più complessa e un rischio più elevato di complicazioni polmonari. L'identificazione precoce dei bambini ad alto rischio può favorire un adattamento tempestivo del trattamento. Questo studio retrospettivo ha incluso 500 bambini ricoverati con polmonite da Mycoplasma pneumoniae da novembre 2022 a novembre 2023. La coorte è stata divisa casualmente in un set di addestramento (n = 375) e un set di validazione (n = 125). Le analisi di regressione logistica univariata e multivariabile hanno identificato sei predittori indipendenti della RMPP: durata della febbre prima dell'ammissione, temperatura corporea picco, livello di lattato deidrogenasi, tappi dell'expectorato o versamento pleurico, consolidamento polmonare e ipossemia. Un nomogramma dinamico basato sul web veniva costruito utilizzando queste variabili. Il modello ha mostrato una buona discriminazione, con un'area sotto la curva caratteristica operativa del ricevitore/indice C di 0,840 (IC 95%, 0,785–0,892) nel set di addestramento e 0,831 (IC 95%, 0,743–0,906) nel set di validazione. Le curve di calibrazione hanno mostrato una buona concordanza tra rischi previsti e osservati, e l'analisi della curva decisionale ha suggerito un beneficio netto clinico nella maggior parte delle probabilità soglia. I bambini con febbre prolungata, temperatura di picco elevata, lattato deidrogenasi elevata, iposemia e segni di consolidamento polmonare o tappi di espetto/versamento pleurale dovrebbero essere considerati a maggior rischio di RMPP e potrebbero richiedere un monitoraggio più stretto e un aggiustamento tempestivo del trattamento.

Introduzione

Mycoplasma pneumoniae (MP) è un patogeno importante della polmonite acquisita nella comunità nei bambini, specialmente nelle popolazioni in età prescolare escolare 1. La polmonite da Mycoplasma pneumoniae (MPP) è responsabile di una parte considerevole della polmonite pediatrica e la sua incidenza è aumentata negli ultimianni 2. La maggior parte dei bambini segue un percorso favorevole dopo un trattamento adeguato; tuttavia, alcuni sviluppano febbre persistente, peggioramento dei sintomi respiratori o anomalie radiografiche progressive dopo almeno 7 giorni di terapia standard con macrolidi, un fenomeno potenzialmente attribuibile alla resistenza ai macrolidi e/o a un trattamento ritardato. Questa condizione è generalmente definita come polmonite refrattaria da Mycoplasma pneumoniae (RMPP). La RMPP è associata a una progressione più rapida, trattamenti più complessi e a un rischio più elevato di complicanze polmonari ed extrapolmonari, rendendo l'identificazione precoce del rischio clinicamente importante.

Diversi indicatori clinici, di laboratorio e di imaging sono stati associati alla RMPP. I predittori riportati includono lattato deidrogenasi (LDH), D-dimero, interleucina (IL)-6, IL-10, versamento pleurico, ostruzione del muco, consolidamento polmonare, febbre prolungata, temperatura massima elevata, età avanzata e ipossia 3,4,5,6,7,8,9 . Queste variabili riflettono diversi aspetti dell'attività della malattia, tra cui la risposta infiammatoria, il danno tissutale, l'attivazione della coagulazione, l'ostruzione delle vie aeree e la compromessa dell'ossigenazione. Tuttavia, la RMPP è solitamente guidata da molteplici fattori interagenti e la valutazione a variabile singola può fornire una stima del rischio individualizzata limitata.

La previsione clinica attuale si basa principalmente sul giudizio dei medici, sull'interpretazione di laboratorio basata su soglia, sulla valutazione delle immagini o sui modelli di punteggio statico. Il giudizio clinico è flessibile ma soggettivo, mentre le soglie a singolo indicatore sono semplici ma possono non considerare l'effetto combinato della gravità clinica, dell'infiammazione e della progressione radiografica. Un nomogramma integra molteplici predittori indipendenti in una stima di probabilità individualizzata e fornisce una valutazione del rischio più intuitiva rispetto alle variabili isolate. Un nomogramma dinamico basato sul web consente inoltre l'input diretto dei dati del paziente e un calcolo rapido al paziente, che può supportare il monitoraggio precoce e l'adattamento del trattamento.

I modelli previsionali rimangono strumenti di supporto decisionale e non possono sostituire il giudizio clinico. Le loro prestazioni dipendono dalla qualità dei dati, dalle definizioni delle variabili e dalla validazione in popolazioni indipendenti. Sono stati riportati studi esistenti basati su nomogrammi per RMPP 6,7; tuttavia, sono ancora necessari strumenti dinamici convalidati esternamente e confronti sistematici tra modelli. Il nomogramma basato sul web sviluppato in questo studio è destinato all'uso nei reparti pediatrici e nei contesti di emergenza dove sono disponibili normalmente TAC toracica, misurazione LDH e monitoraggio della saturazione di ossigeno. I clinici dovrebbero interpretare le previsioni con cautela quando applicate a popolazioni con profili epidemiologici marcatamente diversi, contesti sanitari con risorse di imaging limitate o pazienti che ricevono corticosteroidi o antibiotici di seconda linea pre-ammissione, che possono alterare i marcatori infiammatori.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Questo studio è stato approvato dal Comitato Etico dell'Ospedale Femminile e Pediatrico di Jinhua (n. 2024KY099). Il consenso informato è stato ottenuto dai tutori legali dei minori.

Dati dei pazienti

Questo studio retrospettivo ha incluso bambini con polmonite da Mycoplasma pneumoniae (MPP) ricoverati presso l'Ospedale Pediatrico Affiliato al Jinhua Women and Children's Hospital da novembre 2022 a novembre 2023. La MPP è stata diagnosticata sulla base di sintomi respiratori, riscontri di imaging toracico e test positivo per Mycoplasma pneumoniae DNA o RNA. La MPP generale (GMPP) si riferisce ai bambini che hanno risposto adeguatamente alla terapia standard con macrolidi, mentre la RMPP è stata definita come febbre persistente, sintomi aggravati o anomalie progressive per immagini dopo almeno 7 giorni di terapia standard conmacrolidi 10. I criteri di inclusione erano età <14 anni, infezione confermata da Mycoplasma pneumoniae , sintomi respiratori e riscontri di imaging compatibili con polmonite. I criteri di esclusione erano infezione mista entro 10 giorni dall'insorgenza della malattia, leucemia, malattia polmonare cronica, immunodeficienza, terapia immunosoppressiva precedente, ricovero durante la fase di recupero o cartelle incomplete. La terapia standard si riferiva a azitromicina 10 mg/kg una volta al giorno, per via orale o endovenosa, con una dose massima di 500 mg/giorno. I bambini che non soddisfacevano i criteri RMPP sono stati classificati come MPP generale (GMPP). Un totale di 500 bambini idonei sono stati divisi casualmente in una coorte di addestramento (n = 375) e una coorte di validazione (n = 125) utilizzando la versione software R 4.1.2 (funzione: campione(), set.seed = 42). La coorte di validazione era riservata esclusivamente alla valutazione esterna del modello e non veniva utilizzata in nessuna fase della costruzione del modello. I dati delle cartelle cliniche elettroniche venivano estratti utilizzando un modello di estrazione standardizzato sviluppato a priori. I campi dati includevano dati demografici, presentazione clinica, valori di laboratorio, risultati di imaging e referenze dei trattamenti. Due ricercatori addestrati hanno estratto i dati in modo indipendente e le discrepanze sono state risolte per consenso. I risultati della TAC toracica sono stati valutati da radiologi ciechi rispetto ai raggruppamenti clinici e ai risultati di laboratorio. L'affidabilità inter-valutatore per l'interpretazione delle immagini CT è stata valutata utilizzando la statistica kappa di Cohen per i risultati di imaging binario (tappi dell'espettorato o versamento pleurico: sì/no; consolidamento polmonare: sì/no). Infine, 129 bambini furono classificati come RMPP e 371 come MPP generale.

Variabili

Variabili demografiche, cliniche, di laboratorio e di imaging sono state estratte dalle cartelle cliniche elettroniche utilizzando un modulo predefinito. Le variabili cliniche includevano età, sesso, durata della febbre prima del ricovero, temperatura corporea di picco e ipossemia. La durata della febbre è stata definita come l'intervallo dall'insorgenza della febbre all'ammissione. La temperatura corporea massima è stata la più alta registrata prima o entro 24 ore dall'ammissione. L'ipossia è stata definita come saturazione periferica di ossigeno arterioso <92% nell'aria ambiente o la necessità di ossigeno supplementare. Le variabili di laboratorio includevano WBC, HB, PLT, CRP, ALB, ALT, CK-MB, LDH, D-dimer, IL-6, IL-8, IL-10, IL-17, PCT e NE%. I campioni di sangue venoso a digiuno sono stati raccolti entro 24 ore dall'ammissione, e il tempo di campionamento relativo all'insorgenza della febbre e all'inizio dell'antibiotico è stato registrato quando disponibile. Mycoplasma pneumoniae Per conferma eziologica venivano utilizzati test del DNA o dell'RNA. Il tampone in tempo reale per test quantitativo PCR per Mycoplasma pneumoniae DNA o RNA è risultato positivo. Il carico quantitativo di DNA/RNA non è stato incluso perché i dati standardizzati del carico non erano disponibili per tutti i pazienti. La TAC toracica eseguita entro 3 giorni prima o dopo il ricovero è stata esaminata per tappi di spettoro, versamento pleurale e consolidamento polmonare. "Tappi dell'espettorato o versamento pleurico" sono stati registrati come positivi quando erano presenti uno dei due rischi. La consolidazione polmonare è stata definita come opacità parenchimosa segmentaria o lobare, durante la TAC. Fu utilizzato uno scanner CT a 256 slice. I bambini sono stati posti in posizione supina e una scansione assiale toracica a basso dosaggio è stata eseguita con un rilevatore di larghezza appropriata durante la trattenuta del respiro o mentre i bambini dormivano. La copertura della scansione si estendeva dall'apice polmonare alla base polmonare per coprire l'intero parenchima polmonare. I parametri di scansione erano impostati come segue: tensione della valvola 100 kVp, spessore della sezione 5 mm, spessore della fetta di ricostruzione 1,25 mm, matrice 512 × 512, tempo di rotazione della passerella 0,28 s, indice di rumore 12. Le immagini venivano ricostruite utilizzando algoritmi ASIR-V e DLIR. Ogni gruppo conteneva immagini ricostruite con pesi ASIR-V del 20%, 50% e 80%, oltre a immagini DLIR-L, DLIR-M e DLIR-H. I dati delle immagini acquisite venivano importati nella workstation. Tutte le immagini sono state esaminate indipendentemente in modo doppio cieco da due radiologi con oltre cinque anni di esperienza clinica. Hanno valutato la presenza di segni polmonari anomali e riassunto le principali caratteristiche di imaging. Per i casi con interpretazioni discrepanti, si raggiunse un consenso attraverso una discussione reciproca.

Analisi statistica

Le analisi statistiche sono state effettuate utilizzando la versione 4.1.2 del software R. Le variabili categoriche sono presentate come n (%) e confrontate utilizzando il test del chi-quadrato o il test esatto di Fisher. Le variabili continue sono espresse come media ± deviazione standard o mediana (intervallo interquartile), a seconda della distribuzione. La normalità è stata misurata utilizzando il test di Shapiro-Wilk. Le variabili normalmente distribuite venivano confrontate usando il test t a campioni indipendenti, e le variabili normalmente distribuite tramite il test U di Mann-Whitney. Prima della costruzione del modello, la comparabilità di base tra le coorti di addestramento e validazione è stata confermata utilizzando test χ2 o Mann-Whitney U per tutti i predittori candidati, senza differenze significative tra le coorti (tutte le P > 0,05). Nella coorte di formazione, variabili con P < 0,05 nella regressione logistica univariata sono state inserite nella regressione logistica multivariabile. La multicollinearità è stata valutata utilizzando fattori di inflazione della varianza (VIF) calcolati con il pacchetto "car"; tutti i predittori selezionati avevano un VIF < 5, indicando che non era una multicollinearità sostanziale. L'assunzione di linearità per la LDH è stata esaminata usando trasformazione logaritmica e spline cubiche limitate (usando il pacchetto "rms" con 3 nodi posizionati al percentile 10, 50 e 90); la forma lineare veniva mantenuta quando l'adattamento del modello non migliorava (test del rapporto di versimiglianza: P > 0,05 per il termine spline non lineare, supportando la specifica lineare). Un nomogramma è stato costruito a partire dal modello multivariabile finale utilizzando il pacchetto "rms" (versione 6.3-0; funzioni: lrm per la regressione logistica, Predict per la previsione dei valori e nomogramma per la rappresentazione grafica). La discriminazione è stata valutata utilizzando curve caratteristiche operative del ricevitore, area sotto la curva e indice C con intervalli di confidenza al 95% (package "pROC"). La calibrazione è stata valutata utilizzando curve di calibrazione con 1.000 ricampionamenti bootstrap. "pacchetto RMS": Calibra funzione). Il cutoff ottimale di previsione è stato determinato indipendentemente all'interno di ciascuna coorte utilizzando l'indice di Youden tramite il pacchetto pROC: 0,222 nella coorte di formazione e 0,247 nella coorte di validazione. Il cutoff derivato dall'addestramento (0,222) è stato applicato anche alla coorte di validazione per il confronto delle prestazioni tra coorti, coerente con la prassi standard di validazione interna. L'intervallo di confidenza del 95% per la probabilità prevista, ad esempio, è stato calcolato utilizzando errori standard basati su modelli sulla scala logit. L'analisi della curva decisionale è stata utilizzata per valutare il beneficio netto tra probabilità soglia (pacchetto "rmda": funzioni decision_curve e plot_decision_curve). Un P a due facce < 0,05 è stato considerato statisticamente significativo. Gli script R completi, inclusi preprocessing dei dati, costruzione del modello, validazione e generazione di nomogrammi, sono disponibili all'autore corrispondente su richiesta.

I dati mancanti erano minimi (tutte le variabili <2% mancanti) e gestiti utilizzando l'imputazione mediana per le variabili continue e l'imputazione modale per le variabili categoriche prima dell'analisi. Tutti i predittori categorici erano codificati come variabili indicatori binarie (0/1). I predittori continui (durata della febbre, temperatura di picco, LDH) sono stati mantenuti nelle loro unità cliniche originali senza categorizzazione. Non è stata effettuata alcuna selezione variabile basata sullo screening univariato prima della modellazione multivariabile; invece, sono stati considerati tutti i candidati clinicamente rilevanti identificati in letteratura, mentre quelli con P < 0,05 nell'analisi univariata della coorte di addestramento sono stati avanzati al modello multivariabile.

Implementazione con calcolatrice web

Il nomogramma dinamico basato sul web è stato distribuito utilizzando il pacchetto "shiny" (versione 1.7.4) in R. L'interfaccia utente è stata costruita con shiny::fluidPage(), shiny::sidebarLayout() e shiny::sliderInput() per variabili continue (durata della febbre, temperatura di picco, LDH) e shiny::selectInput() per variabili binarie (tappi dell'espetto o versamento pleurico, consolidamento polmonare, iposemia). La logica del server invocava la funzione predict() dal modello lrm adattato per calcolare le stime individuali del rischio, con le probabilità risultanti resa tramite renderPlot() e renderText(). L'applicazione era ospitata su ShinyApps.io (https://predictrmpp.shinyapps.io/RMPP/).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

I dati clinici sono stati raccolti retroattivamente e gestiti in conformità con i requisiti di riservatezza istituzionale.

Popolazione dello studio

In totale erano inclusi 500 bambini idonei, tra cui 272 maschi e 228 ragazze. La coorte di formazione comprendeva 375 bambini, di cui 286 avevano GMPP (MPP generale) e 89 avevano RMPP. La coorte di validazione includeva 125 bambini, di cui 85 avevano GMPP e 40 avevano RM...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

La RMPP è associata a infiammazione prolungata, scarsa risposta alla terapia standard con macrolidi e aumento del rischio di complicanze polmonari ed extrapolmonari. L'identificazione precoce dei bambini ad alto rischio è quindi importante per un adattamento tempestivo del trattamento. In questo studio, la durata della febbre prima del ricovero, la temperatura corporea picco, la LDH, tappi dell'espettorato o versamento pleurico, il consolidamento polmonare e l'ipossia erano associati ind...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno conflitti di interesse rilevanti da divulgare riguardo al contenuto di quest'opera.

Ringraziamenti

Questo studio è stato finanziato dal Public Welfare Technology Application Research Project della città di Jinhua (n. 2024-4-147).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Versione del software R 4.1.2R Foundation for Statistical Computing, Vienna, Austriahttp://www.r-project.org
Scanner CT Revolution a 256 sliceGE Healthcare, Stati Unitiwww.gehealthcare.com

Riferimenti

  1. Wang S, et al. Diagnostic value of serum LDH in children with refractory Mycoplasma pneumoniae pneumonia: a systematic review and meta-analysis. Front Pediatr. 2023;11:1094118.
  2. Shi H, Lan L, Lv X, Sun L. Effect of pidotimod combined with azithromycin on children with Mycoplasma pneumoniae pneumonia and the expression levels of IL-10 and G-CSF in serum. Exp Ther Med. 2019;18(3):1800-1806.
  3. Fan F, Lv J, Yang Q, Jiang F. Clinical characteristics and serum inflammatory markers of community-acquired Mycoplasma pneumoniae pneumonia in children. Clin Respir J. 2023;17(5):607-617.
  4. Choi YJ, et al. Clinical characteristics of macrolide-refractory Mycoplasma pneumoniae pneumonia in Korean children: a multicenter retrospective study. J Clin Med. 2022;11(2):306.
  5. Huang L, et al. Independent predictors for longer radiographic resolution in patients with refractory Mycoplasma pneumoniae pneumonia: a prospective cohort study. BMJ Open. 2018;8(12):e023719.
  6. Li M, et al. Recognition of refractory Mycoplasma pneumoniae pneumonia among Mycoplasma pneumoniae pneumonia in hospitalized children: development and validation of a predictive nomogram model. BMC Pulm Med. 2023;23(1):383.
  7. Shen W, Sun X. Construction of a nomogram for early diagnosis of refractory Mycoplasma pneumoniae pneumonia in children. Transl Pediatr. 2024;13(6):1119-1129.
  8. Qian Y, et al. Model based on the automated AI-driven CT quantification is effective for the diagnosis of refractory Mycoplasma pneumoniae pneumonia. Sci Rep. 2024;14:16172.
  9. Zhao J, Ji X, Wang Y, Wang X. Clinical role of serum interleukin-17A in the prediction of refractory Mycoplasma pneumoniae pneumonia in children. Infect Drug Resist. 2020;13:835-843.
  10. Evidence-based guideline for the diagnosis and treatment of Mycoplasma pneumoniae pneumonia in children (2023). Pediatr Investig. 2025;9:1-11.
  11. Waites KB, Xiao L, Liu Y, Balish MF, Atkinson TP. Mycoplasma pneumoniae from the respiratory tract and beyond. Clin Microbiol Rev. 2017;30(3):747-809.
  12. Yang TI, et al. Mycoplasma pneumoniae in pediatric patients: do macrolide resistance and/or delayed treatment matter? J Microbiol Immunol Infect. 2019;52(2):329-335.
  13. Cheng S, et al. Development and validation of a simple-to-use nomogram for predicting refractory Mycoplasma pneumoniae pneumonia in children. Pediatr Pulmonol. 2020;55(4):968-974.
  14. Huang X, et al. Clinical significance of D-dimer levels in refractory Mycoplasma pneumoniae pneumonia. BMC Infect Dis. 2021;21(1):14.
  15. Zhang Y, et al. The clinical characteristics and predictors of refractory Mycoplasma pneumoniae pneumonia in children. PLoS One. 2016;11(6):e0156465.
  16. Liu G, et al. A lung ultrasound-based nomogram for the prediction of refractory Mycoplasma pneumoniae pneumonia in hospitalized children. Infect Drug Resist. 2022;15:6343-6355.
  17. You SY, Jwa HJ, Yang EA, Kil HR, Lee JH. Effects of methylprednisolone pulse therapy on refractory Mycoplasma pneumoniae pneumonia in children. Allergy Asthma Immunol Res. 2014;6(1):22-26.
  18. Bi Y, et al. Development of a scale for early prediction of refractory Mycoplasma pneumoniae pneumonia in hospitalized children. Sci Rep. 2021;11:6595.
  19. Izumikawa K, et al. Clinical features, risk factors and treatment of fulminant Mycoplasma pneumoniae pneumonia: a review of the Japanese literature. J Infect Chemother. 2014;20(3):181-185.
  20. Zar HJ. Hypoxia and signs of increased work of breathing are most strongly associated with radiographic pneumonia in children. BMJ Evid Based Med. 2018;23(2):77-78.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

MedicinaNumero 233Numero 233Valore VuotoNumeroFattori di Rischio

Articoli correlati