Retrospektywny model kliniczny przewidujący współzakażenie Mycoplasma pneumoniae u pacjentów z COVID‑19 oparty na ograniczonych funkcjach sześciennych

Dlaczego ukryte zakażenia płuc są istotne

Dla większości osób COVID-19 jest teraz znaną chorobą, ale u niektórych pacjentów nadal może stać się zagrażająca życiu, zwłaszcza gdy dołącza do niej cichy dodatkowy patogen. Jednym z częstych „partnerów” jest Mycoplasma pneumoniae, niewielka bakteria wywołująca również zapalenie płuc. Ponieważ jej objawy i obraz w badaniach płuc mogą wyglądać bardzo podobnie do COVID-19, dodatkowe zakażenie łatwo przeoczyć. Badanie opisane w tym artykule miało na celu opracowanie praktycznego narzędzia szpitalnego, które na podstawie rutynowych badań krwi pobranych przy przyjęciu wskaże, którzy pacjenci z COVID‑19 prawdopodobnie mają takie ukryte współzakażenie.

Dwa zakażenia, które wyglądają podobnie, ale razem dają gorszy przebieg

Lekarze zauważyli, że gdy COVID-19 i Mycoplasma pneumoniae dotykają tej samej osoby, przebieg choroby jest często cięższy. Tacy pacjenci zwykle przebywają dłużej w szpitalu, częściej wymagają respiratorów i mają większe ryzyko zgonu niż osoby z samym COVID-19. Tymczasem tomografia komputerowa klatki piersiowej i codzienne objawy nie rozróżniają wiarygodnie zakażenia mieszanym patogenem od zakażenia tylko wirusem. Masowe leczenie wszystkich pacjentów „na wszelki wypadek” dodatkowymi antybiotykami nie jest rozwiązaniem, ponieważ napędza oporność na leki i powoduje niepotrzebne działania niepożądane. Klinicy potrzebują metody, która pozwoli wcześnie wyłowić pacjentów najbardziej narażonych na oba patogeny, tak by testowanie i leczenie były celowane, a nie masowe.

Przekształcanie rutynowych badań laboratoryjnych w wczesny wskaźnik ostrzegawczy

Badacze przeanalizowali retrospektywnie 242 dorosłych hospitalizowanych z powodu COVID-19 w jednym chińskim ośrodku podczas pierwszej dużej fali Omikrona pod koniec 2022 i na początku 2023 roku. Wszyscy mieli cechy zapalenia płuc, a we krwi oznaczano przeciwciała przeciw Mycoplasma pneumoniae. Około połowa pacjentów okazała się współzakażona. Z 55 informacji rutynowo zbieranych przy przyjęciu — takich jak wiek, podstawowe morfologie krwi, podstawowe parametry biochemiczne i badania układu krzepnięcia — zastosowano technikę statystyczną LASSO, aby wyselekcjonować kilka najbardziej informatywnych czynników. Wyodrębniono siedem: wiek; globuliny (grupa białek krwi obejmująca także przeciwciała); luka anionowa (wskaźnik związany z równowagą kwasowo‑zasadową organizmu); azot mocznikowy we krwi (produkt przemiany odzwierciedlający funkcję nerek i wątroby oraz stan odżywienia); kwas moczowy (naturalny antyoksydant); oraz dwa parametry krzepnięcia — czas protrombinowy i czas trombinowy.

Wzorce w krwi sygnalizujące dodatkowe problemy

Analiza powiązań tych siedmiu czynników z prawdopodobieństwem współzakażenia wykazała obraz zaburzeń odporności, krzepnięcia i metabolizmu. Wyższe stężenia globulin, większa luka anionowa, wyższy kwas moczowy i wydłużony czas trombinowy wiązały się z większym ryzykiem zakażenia Mycoplasma na tle COVID-19, podczas gdy wyższy azot mocznikowy we krwi zaskakująco korelował z mniejszym ryzykiem. Nie wszystkie zależności były prostoliniowe: na przykład ryzyko gwałtownie rosło po przekroczeniu przez globuliny około 28 g/l, a pacjenci z wyjątkowo krótkim czasem protrombinowym wydawali się być w stanie zwiększonej tendencji do tworzenia skrzepów. Tego rodzaju załamania i progi to właśnie to, czego standardowe modele liniowe często nie uchwycą, a co może mieć znaczenie przy łóżku pacjenta, gdzie przekroczenie pewnej wartości laboratoryjnej może oznaczać przejście od zwykłej choroby do stanu bardziej niebezpiecznego.

Inteligentniejszy sposób na śledzenie krzywoliniowego ryzyka

Aby odwzorować te zakrzywione zależności, autorzy zbudowali model predykcyjny, który pozwala krzywej ryzyka zginać się tam, gdzie dane tego wymagają, stosując podejście zwane ograniczonymi funkcjami sześciennymi (restricted cubic splines) w regresji logistycznej. W praktyce oznacza to, że model może traktować globuliny, czas protrombinowy i czas trombinowy jako mające różny wpływ przy niskich, średnich i wysokich poziomach, zamiast narzucać jedną prostą zależność. W porównaniu z konwencjonalnym modelem liniowym używającym tych samych siedmiu zmiennych, wersja oparta na splinach lepiej rozdzielała pacjentów współzakażonych od niewspółzakażonych i była bardziej użyteczna w podejmowaniu decyzji. Wykazała większą zdolność rozróżniania przypadków, lepsze dopasowanie prognozowanych i obserwowanych ryzyk oraz większy netto‑zysk kliniczny w realistycznym zakresie progów, przy których lekarz mógłby zdecydować o dodatkowych badaniach lub rozpoczęciu antybiotykoterapii.

Z odręcznego wykresu badawczego do narzędzia przy łóżku pacjenta

Aby uczynić to podejście użytecznym na zatłoczonych oddziałach, zespół przekształcił matematykę w wizualny wykres punktowy zwany nomogramem: lekarz może ustawić wiek pacjenta i wyniki badań na prostych skalach, zsumować punkty i odczytać oszacowane prawdopodobieństwo współzakażenia Mycoplasma. Ponieważ wszystkie wymagane pomiary pochodzą z rutynowych badań przy przyjęciu, model mógłby w zasadzie być stosowany bez dodatkowego wyposażenia. Badanie ma ograniczenia — przeprowadzono je w jednym ośrodku w krótkim okresie, bez walidacji zewnętrznej ani odrębnej grupy pacjentów z samą Mycoplasma — ale stanowi ważny dowód koncepcji. Dla lekarzy pierwszego kontaktu stojących przed nowymi falami COVID-19 lub przyszłymi epidemiami dróg oddechowych pokazuje, że subtelne wzorce w zwykłych badaniach krwi można wykorzystać do wczesnego wykrywania ukrytych współzakażeń, pomagając ukierunkować diagnostykę, dostosować antybiotykoterapię i potencjalnie poprawić wyniki, unikając jednocześnie niepotrzebnego leczenia.

Cytowanie: Ye, K., Su, Y., Hu, X. et al. A retrospective clinical risk prediction model for co‑infection with Mycoplasma pneumoniae in patients with COVID‑19 based on restricted cubic splines. Sci Rep 16, 14206 (2026). https://doi.org/10.1038/s41598-026-44539-9

Słowa kluczowe: współzakażenie COVID-19, Mycoplasma pneumoniae, kliniczne prognozowanie ryzyka, zapalenie płuc w szpitalu, biomarkery krwi