Ретроспективная клиническая модель прогноза риска коинфекции Mycoplasma pneumoniae у пациентов с COVID‑19 на основе ограниченных кубических сплайнов

Почему скрытые легочные инфекции важны

Сегодня COVID-19 кажется многим привычной болезнью, но для части пациентов он по‑прежнему может стать угрожающим для жизни, особенно когда незаметно присоединяется другой возбудитель. Одним из частых «партнёров» является Mycoplasma pneumoniae — крошечная бактерия, также вызывающая пневмонию. Поскольку её симптомы и снимки лёгких могут очень походить на COVID-19, эту дополнительную инфекцию легко пропустить. Исследование, лежащее в основе этой статьи, поставило цель создать практичный инструмент для госпиталей, который по результатам рутинных анализов крови при поступлении сможет указать, у каких пациентов с COVID-19 вероятна скрытая коинфекция.

Две инфекции, которые выглядят похоже, но вместе действуют хуже

Клиницисты заметили, что при одновременном инфицировании COVID-19 и Mycoplasma pneumoniae исходы часто хуже. Такие пациенты дольше лежат в стационаре, чаще нуждаются в аппаратах искусственной вентиляции и имеют более высокую смертность по сравнению с теми, у кого только вирус. При этом КТ грудной клетки и обычные симптомы ненадёжно отличают комбинированную инфекцию от чистого COVID-19. Профилактическое «лечить всех на всякий случай» дополнительными антибиотиками тоже не выход: это ускоряет развитие устойчивости к препаратам и вызывает лишние побочные эффекты. Врачам нужен метод раннего отбора тех пациентов, у кого с высокой вероятностью сосуществует вторая инфекция, чтобы направлять тесты и лечение прицельно, а не повсюду.

Преобразование рутинных лабораторных данных в ранний сигнальный балл

Исследователи провели ретроспективный анализ 242 взрослых пациентов с COVID-19, госпитализированных в одном китайском стационаре во время первой крупной волны Омикрона в конце 2022 — начале 2023 года. У всех были признаки пневмонии, и в крови определяли антитела к Mycoplasma pneumoniae. Примерно у половины выявили обе инфекции. Из 55 параметров, обычно собираемых при поступлении — таких как возраст, стандартные показатели крови, базовая биохимия и тесты свёртываемости — применили статистический метод LASSO, чтобы отобрать наиболее информативные факторы. Выделились семь: возраст; глобулин (группа белков крови, включающая антитела); анионная щель (показатель кислотно‑щелочного баланса); азот мочевины в крови (продукт обмена, отражающий функцию почек и печени и состояние питания); мочевая кислота (натуральный антиоксидант); и два показателя свёртываемости — протромбиновое и тромбиновое время.

Шаблоны в крови, указывающие на дополнительную проблему

При анализе взаимосвязей этих семи факторов с вероятностью коинфекции выявилась картина нарушений иммунитета, свёртываемости и обмена веществ. Более высокий уровень глобулина, большая анионная щель, повышенная мочевая кислота и удлинённое тромбиновое время ассоциировались с повышенным риском присоединения Mycoplasma к COVID-19, тогда как более высокий азот мочевины в крови неожиданно связывался с более низким рискoм. Некоторые зависимости были нелинейными: например, риск резко возрастал, когда глобулин превышал примерно 28 г/л, а пациенты с особенно коротким протромбиновым временем, по-видимому, находились в состоянии повышенной тромбообразующей активности. Именно такие изгибы и пороговые значения стандартные линейные модели часто упускают, но они могут иметь значение у постели больного, где переход через определённое значение анализа может означать смену от обычного течения к более серьёзному.

Более точный способ учесть кривые риска

Чтобы отразить эти искривлённые зависимости, авторы построили модель прогноза, позволяющую кривой риска сгибаться там, где этого требует набор данных, используя подход ограниченных кубических сплайнов в логистической регрессии. На практике это значит, что модель может учитывать разные эффекты глобулина, протромбинового и тромбинового времени на низких, средних и высоких уровнях, вместо того чтобы навязывать одно линейное правило. По сравнению с обычной линейной моделью на тех же семи переменных версия на сплайнах лучше разделяла пациентов с коинфекцией и без неё и давала более полезную для клинических решений информацию. Она показала более высокую дискриминацию случаев, лучшее соответствие между предсказанными и наблюдаемыми рисками и больший чистый клинический выигрыш в реалистичном диапазоне порогов, при которых врач мог бы решить назначить дополнительные исследования или начать антибиотикотерапию.

От исследовательского графика к инструменту у постели больного

Чтобы сделать подход удобным для работы в загруженных отделениях, команда перевела математику в наглядную шкалу — номограмму: врач может совместить возраст и лабораторные значения пациента по простым шкалам, суммировать баллы и прочитать оценочную вероятность коинфекции Mycoplasma. Поскольку все требуемые измерения получают в рамках рутинных тестов при поступлении, модель теоретически может применяться без дополнительного оборудования. Исследование имеет ограничения — оно проведено в одном центре за короткий период, без внешней валидации и без отдельной когорты пациентов с изолированной Mycoplasma — но оно даёт важное доказательство концепции. Для клиницистов на передовой, столкнувшихся с новыми волнами COVID-19 или будущими респираторными вспышками, это показывает: тонкие закономерности в обычных анализах крови можно использовать, чтобы на ранней стадии выявлять скрытые коинфекции, направлять обследования, точнее подбирать антибиотики и, возможно, улучшать исходы, избегая при этом ненужного лечения.

Цитирование: 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

Ключевые слова: Коинфекция при COVID-19, Mycoplasma pneumoniae, клинический прогноз риска, внутрибольничная пневмония, биомаркеры в крови