Öz
Giriş: Şiddetli ve şiddetli olmayan Koronavirüs hastalığı-2019’u (COVID-19), hastalığın erken evrelerinde ayırt etmek için güvenilir bir tahmin modeli oluşturmak amacıyla az sayıda çalışma yapılmıştır. Bu makalenin temel amacı, tek bir laboratuvar verileri setini, nötrofil/lenfosit oranını (NLR) ve sistemik immün enflamasyon indeksini (SII) kullanarak COVID-19 hastalarındaki hastalık şiddetini ve hafif klinik seyri tahmin etmede; iki ampirik bağıntı analiz yöntemi olan doğrusal ayrım analizinin (LDA) ve lojistik regresyonun (LR) doğruluğunu karşılaştırmaktır.
Gereç ve Yöntem: Doğrulanmış COVID-19 pnömonisi olan 109 hastayı inceledik. Epidemiyolojik, demografik, klinik, laboratuvar ve sonlanım verileri elde edildi ve hastalar hafif grup (42 hasta) ve şiddetli grup (67 hasta) olmak üzere iki gruba ayrıldı. Şiddetli ve şiddetli olmayan gruplardaki klinik verilerin karşılaştırılması, SpO2 ve solunum hızında önemli farklılıklar gösterdi.
Bulgular: Şiddetli ve şiddetli olmayan gruplar arasında NLR, SII, beyaz kan hücresi sayısı, nötrofil sayısı, lenfosit sayısı, ortalama korpüsküler hacmi, ortalama korpüsküler hemoglobin, eritrosit sedimantasyon hızı, laktat dehidrogenaz ve kan üre azotu değerleri açısından önemli farklılıklar olduğunu bulduk. Ek olarak, LDA’nın daha küçük bir örneklem büyüklüğü için daha uygun olması şeklinde LDA ve LR modelleri arasında küçük bir farklılık saptadık.
Sonuç: Sonuç olarak, tahmin modellerimiz klinisyenlerin COVID-19’un şiddetli seyredeceği hastaları erken belirlemelerine yardımcı olabilir. Bu tahmin yalnızca basit bir kan testi kullanılarak elde edilebilir. LDA ve LR, normallik varsayımı ihlal edilse bile şiddetli ve şiddetli olmayan COVID-19 hastalarını sınıflandırmak için etkin bir şekilde kullanılabilir.
Anahtar Kelimeler: Şiddetli COVID-19, lineer diskriminant analizi, ikili lojistik regresyon, kan testi verileri
Kaynakça
World Health Organization. Naming the coronavirus disease (COVID-19) and the virus that causes it WHO: World Health Organizer; 2020. Available from: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/technical-guidance/naming-the-coronavirus-disease-(covid-2019)-and-the-virus-that-causes-it
National Institutes of Health. Overview of COVID-19: Epidemiology, Clinical, Presentation, and Transmission. 2020. In: COVID-19 Treatment Guidelines [Internet]. Available from: https://www.covid19treatmentguidelines.nih. gov
Ikuyama Y, Wada Y, Tateishi K, Kitaguchi Y, Yasuo M, Ushiki A, Urushihata K, Yamamoto H, Kamijo H, Mita A, Imamura H, Hanaoka M. Successful recovery from critical COVID-19 pneumonia with extracorporeal membrane oxygenation: A case report. Respir Med Case Rep. 2020;30:101113.
Gao Y, Li T, Han M, Li X, Wu D, Xu Y, Zhu Y, Liu Y, Wang X, Wang L. Diagnostic utility of clinical laboratory data determinations for patients with the severe COVID‐19. J Med Virol 2020;92:791-6.
Gong J, Ou J, Qiu X, Jie Y, Chen Y, Yuan L, Cao J, Tan M, Xu W, Zheng F, Shi Y, Hu B. A Tool to Early Predict Severe Corona Virus Disease 2019 (COVID-19): A Multicenter Study using the Risk Nomogram in Wuhan and Guangdong, China. medRxiv 2020. Available from: https://www.medrxiv. org/content/10.1101/2020.03.17.20037515v2
Liu Y, Du X, Chen J, Jin Y, Peng L, Wang HHX, Luo M, Chen L, Zhao Y. Neutrophil-to-lymphocyte ratio as an independent risk factor for mortality in hospitalized patients with COVID-19. J Infect. 2020;81:6-12.
Li H, Huang JB, Pan W, Zhang CT, Chang XY, Yang B. Systemic Immune- Inflammatory Index predicts prognosis of patients with COVID-19: a retrospective study. 2020:1-30.
Qin C, Zhou L, Hu Z, Zhang S, Yang S, Tao Y, Xie C, Ma K, Shang K, Wang W, Tian DS. Dysregulation of immune response in patients with COVID-19 (COVID-19) in Wuhan, China. Clin Infect Dis 2020;71:762-8.
Tang JN, Goyal H, Yu S, Luo H. Prognostic value of systemic immune-inflammation index (SII) in cancers: a systematic review and meta-analysis. J Lab Precis Med 2018;3:29.
Fu H, Zheng J, Cai J, Zeng K, Yao J, Chen L, Li H, Zhang J, Zhang Y, Zhao H, Yang Y. Systemic immune-inflammation index (SII) is useful to predict survival outcomes in patients after liver transplantation for hepatocellular carcinoma within Hangzhou criteria. Cell Physiol Biochem. 2018;47:293-301.
Velavan TP, Meyer CG. Mild versus severe COVID-19: laboratory markers. Int J Infect Dis. 2020;95:304-7.
Dayarathna S, Jeewandara C, Gomes L, Somathilaka G, Jayathilaka D, Vimalachandran V, Wijewickrama A, Narangoda E, Idampitiya D, Ogg GS, Malavige GN. Similarities and differences between the ‘cytokine storms’ in acute dengue and COVID-19. Sci Rep. 2020;10:19839.
Lu Y, Huang Z, Wang M, Tang K, Wang S, Gao P, Xie J, Wang T, Zhao J. Clinical Characteristics and Predictors of Mortality for Young Adults with Severe COVID-19: A Retrospective Study. 2021;20:3.
Kumar A, Arora A, Sharma P, Anikhindi SA, Bansal N, Singla V, Khare S, Srivastava A. Clinical features of COVID-19 and factors associated with severe clinical course: a systematic review and meta-analysis. SSRN. 2020:3536166.
Ji M, Yuan L, Shen W, Lv J, Li Y, Chen J, Zhu C, Liu B, Liang Z, Lin Q, Xie W, Li M, Chen Z, Lu X, Ding Y, An P, Zhu S, Gao M, Ni H, Hu L, Shi G, Shi L, Dong W. A predictive model for disease progression in non-severely ill patients with coronavirus disease 2019. Eur Respir J. 2020;56:2001234.
Musa AB, Alsir Alkhidir Abedalraheem A, T. Ibrahim M, Hamad H, Mohamed Ahmed Shaheen S. Divergence and Similarity of the Binary Logistic Regression and Linear Discriminant Analysis Models in Evaluating Factors Associated with Bluetongue Virus in Cattle, International Journal of Statistics and Applications. 2019;9:180-5.
Pohar M, Blas M, Turk S. Comparison of logistic regression and linear discriminant analysis: a simulation study. Metodoloski Zvezki. 2004;1:143-61.
Li X, Xu S, Yu M, Wang K, Tao Y, Zhou Y, Shi J, Zhou M, Wu B, Yang Z, Zhang C, Yue J, Zhang Z, Renz H, Liu X, Xie J, Xie M, Zhao J. Risk factors for severity and mortality in adult COVID-19 inpatients in Wuhan. J Allergy Clin Immunol. 2020;146:110-8.
Wang B, Li R, Lu Z, Huang Y. Does comorbidity increase the risk of patients with COVID-19: evidence from meta-analysis. Aging (Albany NY). 2020;12:6049-57.
Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020;395:1054-62.
Wu F, Zhao S, Yu B, Chen YM, Wang W, Song ZG, Hu Y, Tao ZW, Tian JH, Pei YY, Yuan ML, Zhang YL, Dai FH, Liu Y, Wang QM, Zheng JJ, Xu L, Holmes EC, Zhang YZ. A new coronavirus associated with human respiratory disease in China. Nature. 2020;579:265-9.
Zhou P, Yang XL, Wang XG, Hu B, Zhang L, Zhang W, Si HR, Zhu Y, Li B, Huang CL, Chen HD, Chen J, Luo Y, Guo H, Jiang RD, Liu MQ, Chen Y, Shen XR, Wang X, Zheng XS, Zhao K, Chen QJ, Deng F, Liu LL, Yan B, Zhan FX, Wang YY, Xiao GF, Shi ZL. A pneumonia outbreak associated with a new coronavirus of probable bat origin. Nature. 2020;579:270-3.
Shayan Z, Mohammad Gholi Mezerji N, Shayan L, Naseri P. Prediction of depression in cancer patients with different classification criteria, linear discriminant analysis versus logistic regression. Global J Health Sci 2015;8:41-6.
