提前发布 – 埃博拉疫情期间患者分诊的快速决策算法 – 第 30 卷，第 11 期 – 2024 年 11 月 – 新发传染病杂志
考虑到非特异性症状，仅根据临床理由怀疑埃博拉病毒病（EVD）对医护人员构成了挑战，特别是在早期阶段，这可能与其他急性感染有关。1）。因此，降低传播给医护人员、患者或看护人员的风险（2,3）要求对埃博拉病毒病怀疑使用广泛的案例定义（4–8）并使用系统的隔离和检测，即使只有一小部分可能的病例可能被感染。这种诊断方法需要分子诊断（逆转录PCR [RT-PCR]）对于大量样本。这种策略的缺点包括成本高和隔离病房过度拥挤（9,10），延迟考虑其他严重疾病（11），以及对应对措施的不满和不遵守（12），所有这些都可能导致社区传播。 根据患者获得埃博拉病毒病确诊的概率快速可靠地对其进行分类的能力可能会提高响应效率和接受度。这种分类可能会为标准隔离措施提供信息，并重新确定疑似病例 RT-PCR 检测的优先顺序，将重点转移到较小的高风险患者类别，减少卫生中心和埃博拉隔离单位的院内传播。13）。这种分类方法不仅可以加快诊断速度，最终改善埃博拉病毒病阳性患者的治疗和结果（14），还可以通过更快地识别病例患者和下游接触者来帮助控制疫情。通过这种分类方法识别早期埃博拉病毒病病例还可以在宣布疫情暴发之前在医疗机构中更快地发现疾病。 研究总体、数据集和变量 分诊算法的开发 预测变量的诊断性能是根据多元逻辑回归诊断从训练数据集中报告的（22），从而能够首先选择主要预测变量。预测因子与感染的关联可以是正相关，也可以是负相关，并且可能因就诊时间而异。我们在算法中纳入了 2 个组成部分：高度预测感染的变量的优先级规则，以及基于与感染具有强烈正向或负向关联的其他变量的 EVD 预测分数，同时还考虑了出现时间。对于第二个组成部分，我们根据 β 系数计算回归诊断的个体得分。我们使用变量选择过程来评估具有不同范围的个体分数的不同预测变量组的性能。我们在训练数据集的 30 个自举样本上评估了该算法的各个版本，并比较了分类性能（接收器操作特征下的面积） [AUROC] 曲线）。在性能足够的算法版本中，我们选择使用简单性作为选择最终版本的标准。 分类算法的外部验证 对于测试数据集中的每位患者，无论是否存在优先变量，我们都通过对存在的变量的各个分数求和来计算 EVD 预测分数。当评分预测因子的是/否值缺失时（20.2% 的患者缺失 >1 个评分变量），假设所述预测因子可能不存在，我们将个体评分为零（针对该变量）。我们从此次外部验证中排除了错过就诊时间的患者（589 名患者，4.1%）。 我们通过使用敏感性、特异性、阳性预测值 (PPV)、阴性预测值 (NPV)、阳性似然比 (LR+) 测试、阴性似然比 (LR–) 测试和 AUROC 来评估分类性能，以预测 EVD- RT-PCR 阳性诊断（参考标准）。由于测试数据集中 4 个优先变量中缺少数据，我们考虑了 3 类患者：如果存在 4 个优先变量中的任何一个（“是”），则优先（高风险）；如果这 4 个变量全部不存在，则不优先考虑（“否”）；当 4 个变量中没有一个为“是”但缺失 >1 时，未知。 前瞻性评估 一项前瞻性研究在现实生活条件下评估了这种分类工具。它是作为连续的子研究实施的，目标样本量为 65 名 EVD […]