下肢蜂窝织炎诊断的一个预测模型:一项横断面研究

Adam B. Raff, MD, PhD,Qing Yu Weng, MD, Jeffrey M. Cohen, MD, NicoleGunasekera, BS,Jean-Phillip Okhovat, MD, MPH， PriyankaVedak, MD, Cara Joyce, PhD, Daniela Kroshinsky, MD, MPH,and Arash Mostaghimi, MD, MPA, MPH Boston, Massachusetts; and Chicago,Illinois

主题负责人：程波；       审校：程少为；        翻译：刘排

背景：蜂窝织炎有许多临床模仿者（假性蜂窝织炎），导致该病经常误诊。

目的：本研究旨在创建一个临床模型来预测下肢蜂窝织炎的可能性。

方法：我们对2010至2012年期间在一个大型医院急诊科诊断为下肢蜂窝织炎的所有患者进行了回顾性的横断面研究。出院诊断为蜂窝织炎的患者被归类为蜂窝织炎,而出院时获另一种诊断的患者被认为是假性蜂窝织炎。用预测变量和最终诊断之间的双变量相关性分析来评估我们开发的四变量模型。

结果：在259例入组患者中，79例(30.5%)被误诊为下肢蜂窝织炎。与真正的蜂窝织炎相关的变量中，最终模型中的4个变量为不对称性(单侧受累)，白细胞增多(白细胞计数≥10000 /uL)，心动过速(心率≥90 bpm)，年龄≥70岁。我们将这些变量转换为一个评分系统来创建ALT-70蜂窝织炎评分体系：不对称性(3分)，白细胞增多(1分)，心动过速(1分)，年龄≥70岁(2分)。根据这个评分体系，0-2分提示诊断假性蜂窝织炎的可能性≥83.3%,而≥5分提示诊断真正蜂窝织炎的可能性≥82.2%。

局限性：本模型在广泛应用于临床之前需要进行前瞻性验证研究。

结论：不对称性,白细胞增多,心动过速, 年龄≥70岁是下肢蜂窝织炎的预测因素。这个模型可能会提高诊断的准确性，改善患者的护理。

关键词: 蜂窝织炎；诊断；诊断模型；下肢蜂窝织炎；误诊；预测模型；假性蜂窝织炎

缩略语

ALT-70：不对称性、白细胞增多、心动过速、年龄≥70岁

ED：急诊室

RPDR：研究患者数据登记表

SSTI：皮肤和软组织感染

内容提要

• 蜂窝织炎的误诊是一个常见的而且花费昂贵的问题

• 我们提出一个四变量预测模型用来评估急诊室就诊患者确诊蜂窝织炎的可能性

• 对于易误诊为蜂窝织炎的患者，该模型可能有助于其早期诊断，，早期治疗、降低医疗成本

蜂窝织炎是最常见的皮肤和软组织感染(SSTI),在美国因感染性疾病住院患者中10%为蜂窝织炎患者¹。 2010年,美国SSTI的发病率是48.46/千人•年,是肺炎发病率的十倍²。每年大约有230万人因蜂窝织炎至急诊科(ED)就诊³，其中有13.9%-17%的患者最终被收入院^3-5。

蜂窝组织炎的典型临床表现包括有红斑、水肿、皮温升高、压痛等，但这些体征和症状并无特异性，可见于多种皮肤疾病。70%-80%的患者累及下肢,且多为单侧受累^6,7。目前关于蜂窝织炎诊断尚缺乏准确或可靠的研究，因此目前诊断的金标准仍需结合病史及体格检查。令人遗憾的是,研究已经证实，超过30%的诊断为蜂窝织炎的患者实际上是另一种称为假性蜂窝织炎的疾病，它可以模仿蜂窝组织炎的临床表现^8,9。既往研究表明，这种误诊可导致有效治疗的延误,抗生素滥用和不合理住院,从而造成难辨梭菌性结肠炎、过敏反应和院内感染等的风险^9-12。

2006年美国蜂窝织炎门诊医疗费用为37亿美元¹³,而每年因下肢蜂窝织炎误诊而造成的住院费用估计为1.95-5.15亿美元⁹。早期鉴别出具有蜂窝织炎误诊风险的患者，可能有助于临床医生考虑其它诊断,从而提高诊断的准确性,降低医疗费用。本研究的目的旨在创建一个模型，对通过急诊室入院的拟诊为蜂窝织炎的患者诊断蜂窝织炎与假性蜂窝织炎的可能性进行预测，从而减少误诊。

方法

纳入标准

本研究采用与我们既往研究相同的患者队列，我们对2010年6月至2012年12月期间在一个大型城市医院急诊科诊断为下肢蜂窝织炎并收入院的所有患者进行了回顾性的横断面研究⁹。我们从研究患者数据登记表(RPDR)中筛选患者，它是合伙人医疗系统内的一个包含所有病人临床资料的登记系统。存储在RPDR的信息包括病人的人口统计学资料,用药史,实验室检查报告和就诊记录。我们使用国际疾病分类法（第九次修订版）中下肢蜂窝织炎的编码(681.10,682.6,682.7,682.8,682.9),就诊地点 (ED),年龄(≥18岁)，在RPDR中查询符合条件的患者。本研究得到了合伙人医疗机构伦理审查委员会的批准。

本研究的纳入标准为直接到急诊室就诊的、被急诊室医师或住院团队诊断为蜂窝织炎进而获得收治的、年龄≥18岁的患者。排除标准包括非下肢部位的蜂窝织炎、在急诊室就诊前48小时内曾接受抗生素静注治疗、就诊前30日内有手术史、脓肿、穿透伤、烧伤、已知的骨髓炎病史、糖尿病性溃疡、或发病部位存在留置物的患者。出院诊断为蜂窝织炎的患者被认为真正的蜂窝织炎。那些在医院过程中、出院时或在出院后30日内得到另一种诊断的患者被认为是假性蜂窝织炎。对于30日内修正的诊断,只有那些明确修正了最初的蜂窝织炎诊断的住院患者才被认为是假性蜂窝织炎。

数据收集和病历审核流程

逐一审核每份患者病历以记录其病史、临床表现和就诊过程。如果患者在特定的时期内因蜂窝织炎多次入院,选取其达到所有纳入标准的最早的一次记录。每例患者既往病史和皮肤病史均有记录。

急诊室初诊时收集的变量包括生命体征(体温和心率)、一般情况、疼痛评分、皮损的主观特征(疼痛、瘙痒或灼热感)和皮损的体格检查(颜色、皮温、质地、下肢单侧或双侧受累、淋巴结病变或水肿情况以及皮损的边界)。急诊室就诊时用于鉴别诊断的白细胞计数也记录下来。

住院期间收集的数据可能还包括创面或皮肤培养、血培养和皮肤活检。这些研究的结果也记录在相关的病历中。

首先设计一个正式的病历审核流程, 按照前文中描述的纳入和排除标准筛选符合条件的患者。运用研究数据电子采集系统（REDcap）进行数据记录¹⁴。每个审核者均在培训期间接受ABR和QYW的培训，并在这里对所有病历进行审核。对于发现的所有有争议的和模棱两可的因素，所有人员进行讨论直到达成一致意见。同时选择一组病历由不同审核人员进行审核，以确保审核人员内部审核结果的一致性。此外,计算每个审核人员所审核患者队列中的假性蜂窝织炎的发病率以验证审核人员内部审核结果的一致性。

统计学方法

候选项目根据情况被分为线性、有序或分类预测变量。预测变量与诊断结果（蜂窝织炎或假性蜂窝织炎）之间的双变量相关性分析采用单一插补和完整病例分析方法。p ≤0.25的变量被视为logistic回归中的最佳子集¹⁵。根据简单性、客观变量及临床相关性，在具有相似拟合统计量（Akaike信息标准，Schwarz标准）和一致性（c-statistic）的模型中选择了一个最终模型。c-statistic法用于模型中蜂窝织炎和假蜂窝织炎的鉴别诊断。基于10000个引导模拟获得95%可信区间。

由最终模型的β系数获得一个风险预测评分系统¹⁶。更高的β系数（预示蜂窝织炎的可能性更高）具有更高的评分。模型的截距（即无危险因素）被用作一个参考回归单位，每个变量的评分均作为参考单位。总分值由0到7，分值越高即蜂窝织炎的可能性越大。根据诊断蜂窝织炎的可能性所给出治疗、会诊及再评估的建议是基于风险预测截点的敏感性、特异性、阳性及阴性预测值。

结果

受试者特征

共计有840例拟诊为蜂窝织炎的患者，其中259例达到纳入标准（图1）；581例患者被排除出该项研究：164例患者发生下肢以外部位的皮损；115例患者未直接到急诊室就诊(他们由急诊室外科室或外院转入)；110例患者皮损与脓肿、穿透伤、烧伤、骨髓炎、糖尿病性溃疡或留置物相关；108例患者在急诊室就诊时无蜂窝织炎，并未进行鉴别诊断；69例患者在急诊室就诊前30日内有手术史；15例患者在入院前48小时内接受过静脉注射抗生素治疗。

在259例入组患者中，79例(30.5%)在住院期间或出院后30日内修正诊断(如假性蜂窝织炎),180例(69.5%)出院诊断为蜂窝组织炎。蜂窝织炎与假性蜂窝织炎患者在平均年龄和性别方面没有明显差异(表I)。64例患者(24.7%)进行了创面或皮肤培养，153例患者(59.1%)进行了血培养,12例患者(4.6%)进行了皮肤活检。116例确诊的蜂窝织炎患者进行的血培养中，17例(14.7%)结果阳性。其中7例(6.0%)来自临床相关的病原体(即化脓性链球菌和铜绿假单胞菌)，10例(8.6%)来自污染的正常菌群。

风险预测模型

我们评估了多个候选模型变量与蜂窝织炎的相关性(表I)。通过对蜂窝织炎患者和假性蜂窝织炎患者的比较，我们发现两者之间平均年龄(p =0.823)、性别(p=0.278)、既往病史、免疫抑制药物使用史(p=0.882)、活动的或恶性肿瘤史(p=0.567)、既往皮肤病诊断等因素在统计上没有显著差异(表I) 。

我们的风险预测模型包括与蜂窝织炎诊断相关的4个变量:年龄≥70岁(OR 2.71,95%CI 2.71-1.39),单侧下肢受累(OR8.65,95%CI 3.88-19.26),在急诊室测得心率≥90次/分钟(OR 1.94,95%CI 1.02-3.67),在急诊室测得白细胞计数≥104 /uL(OR 2.43,95%CI 1.31-4.52)(表II)。本模型的c-statistic为0.752(95%CI0.692-0.817)。

我们将模型系数转换为评分系统来创建一个不对称性,白细胞增多,心动过速,年龄≥70岁(ALT-70)的蜂窝织炎评分体系(补充表I;详见http://www.jaad.org)。协变量的得分范围从0到7:不对称性(单侧下肢受累)(3分),白细胞增多(1分),心动过速(1分),年龄≥70岁(2分)。本模型的受试者工作特征曲线的曲线下的面积为0.752(补充图1;详见http://www.jaad.org)。所有可能的分值对应的敏感性、特异性、阳性预测值和阴性预测值均呈现出来(表III)。

使用80%的阳性或阴性预测值作为阈值,我们对分值进行分段并做临床解释：0-2分表示诊断蜂窝织炎的可能性很小, 应该重新评估患者诊断；3-4分表示诊断蜂窝织炎是不充分的，应该补充额外的信息(如会诊)；≥5分提示诊断蜂窝织炎的可能性大,病人可以接受经验性治疗(图2)。

讨论

我们的研究发现，不对称性(单侧下肢受累),白细胞增多,心动过速, 年龄≥70岁是下肢蜂窝织炎的预测因素。根据这四个标准,我们开发的ALT-70蜂窝织炎评分系统作为一种快速、简单的工具能够帮助鉴别真正的蜂窝织炎患者(c-statistic=0.752)。在我们的研究群体中, ALT-70蜂窝织炎评分低于3分的患者诊断为假性蜂窝织炎的可能性≥83.3%，需要对蜂窝织炎的诊断进行重新评估。评分高于4分的患者发生真正蜂窝织炎的可能性≥82.2%，我们建议对这些患者进行经验性抗生素治疗。评分在3-4分范围内的患者处于一个中间地带,请皮肤科会诊对诊断会有帮助^17,18。

此外,我们的研究表明,既往病史和皮肤病史对于鉴别下肢假性蜂窝织炎和蜂窝组织炎并无帮助。与假性蜂窝织炎相比，既往研究中明确的蜂窝织炎的危险因素,如年龄、蜂窝织炎病史、皮肤屏障破坏(溃疡),足癣,淋巴水肿,静脉功能不全,皮炎,恶性肿瘤等，与蜂窝织炎并无显著相关性^19-21。因此,在鉴别蜂窝织炎和其模仿者的时候，应该警惕不要过分强调这些危险因素。

目前已有部分研究运用客观手段来诊断严重的SSTIs。本研究结果支持并扩展了上述研究结果^22-24。此外,已有研究提出一些模型用于识别患者发生复发性蜂窝织炎的风险,因此,其可能需要修正风险因素或预防性应用抗生素^20,25。我们在这些数据的基础上建立了一个评分系统,用于鉴别急症室就诊者中被误诊为蜂窝织炎的患者。

ALT-70蜂窝织炎评分系统提供了一个简单、客观和快速的工具来帮助鉴别蜂窝织炎和其模仿者,减少因误诊产生的医疗费用。我们希望这个模型能够改进蜂窝组织炎的诊断，帮助指导处理在急诊室就诊的潜在的下肢蜂窝组织炎患者。目前尚无用于蜂窝织炎诊断的实验室检测金标准,识别出一个高度误诊可能性的病例可能需要早期接受专家会诊或使用远程皮肤科会诊²⁶。在住院部和门诊进行皮肤科会诊已被证明能够提高蜂窝织炎诊断的准确性^8,17,18,而且结合运用客观的诊断手段可能会减少患者住院费用。

需要解释的是，我们的研究结果是在本研究设计的背景下得出的。本研究是在一个单一的机构中急诊室就诊入院的患者中进行的,尽管研究对象包括了广泛的年龄和种族,仍然需要更多的研究来评价我们的研究结果的普遍性。我们应用严格的纳入和排除标准(例如只有下肢受累、入组前30日内未做手术、没有需要外科处理的伤口)来确定研究人群,从而在有更多的研究之前限制了该模型在所有拟诊蜂窝组织炎患者中的应用。我们的研究设计允许皮肤科专业外的专家诊断蜂窝织炎,这可能限制了假性蜂窝织炎的鉴别。最近一项综述表明,出院诊断的平均诊断准确率为80.3%,因此作者的结论足以支持该结论应用于研究和治疗决策²⁷。ALT-70模型尚需在多个场合进行前瞻性研究验证。最后,未来的研究应该关注对高误诊风险病例最恰当的反应,从而确定最具成本效益的和可扩展的反应。

蜂窝织炎误诊导致患者和卫生保健系统的成本显著增加⁹。尽管它是多个专业的门诊和住院患者经常遇到的一个情况，但是该病既没有明确的诊断标准，也没有明确的生物标志物。在改进的诊断工具出现之前，临床决策支持和基于证据的指南是减少这一类具有挑战性的疾病的诊断错误率发生的关键。我们希望我们的模型将会是建立蜂窝组织炎早期评估客观标准的一个重要步骤，其应用将会改善病人的管理,降低医疗成本。

参考文献

1.Christensen KLY, Holman RC, Steiner CA, Sejvar JJ, Stoll BJ, Schonberger LB.Infectious disease hospitalizations in the United States. Clin Infect Dis OffPubl Infect Dis Soc Am. 2009; 49(7):1025-1035.

2.Miller LG, Eisenberg DF, Liu H, et al. Incidence of skin and soft tissueinfections in ambulatory and inpatient settings, 2005-2010. BMC Infect Dis.2015;15:362.

3.Khachatryan A, Patel D, Stephens J, Johnson K, Patel A, Talan D. Skin and skinstructure infections (SSSIs) in the emergency department (ED): who getsadmitted? Poster presented at: Society for Academic Emergency Medicine. May13-17, 2014; Dallas, TX.

4.Talan DA, Salhi BA, Moran GJ, et al. Factors associated with decision tohospitalize emergency department patients with skin and soft tissue infection.West J Emerg Med. 2015;16(1):89.

5.Venkatesh AK, Dai Y, Ross JS, Schuur JD, Capp R, Krumholz HM. Variation in UShospital emergency department admission rates by clinical condition. Med Care.2015;53(3):237-244.

6.Hirschmann JV, Raugi GJ. Lower limb cellulitis and its mimics: part I. lowerlimb cellulitis. J Am Acad Dermatol. 2012;67(2): 163.e1-163.e12.

7.Dupuy A, Benchikhi H, Roujeau JC, et al. Risk factors for erysipelas of the leg(cellulitis): case-control study. BMJ. 1999; 318(7198):1591-1594.

8.Levell NJ, Wingfield CG, Garioch JJ. Severe lower limb cellulitis is bestdiagnosed by dermatologists and managed with shared care between primary andsecondary care. Br J Dermatol.2011;164(6):1326-1328.

9. Weng QY, Raff AB, Cohen JM, et al. Costs and consequences associated with misdiagnosed lowerextremity cellulitis. JAMA Dermatol.http://dx.doi.org/10.1001/jamadermatol.2016.3816, published online November 2,2016.

10.Thomas C, Stevenson M, Riley TV. Antibiotics and hospital-acquired Clostridiumdifficile-associated diarrhoea: a systematic review. J Antimicrob Chemother.2003;51(6): 1339-1350.

11.Weiss ME, Adkinson NF. Immediate hypersensitivity reactions to penicillin andrelated antibiotics. Clin Allergy. 1988;18(6): 515-540.

12.Magill SS, Edwards JR, Bamberg W, et al. Multistate point-prevalence survey ofhealth care-associated infections. N Engl J Med. 2014;370(13):1198-1208.

13.The DRG handbook: comparative clinical and financial benchmarks. Evanston, IL:Solucient; 2006.

14.Harris PA, Taylor R, Thielke R, Payne J, Gonzalez N, Conde JG. Researchelectronic data capture (REDCap)-a metadata-driven methodology and workflowprocess for providing translational research informatics support. J BiomedInform. 2009;42(2):377-381.

15.Hosmer DW, Jovanovic B, Lemeshow S. Best subsets logistic regression.Biometrics. 1989;45(4):1265-1270.

16.Sullivan LM, Massaro JM, D’Agostino RB. Presentation of multivariate data forclinical use: the Framingham study risk score functions. Stat Med.2004;23(10):1631-1660.

17.Arakaki RY, Strazzula L, Woo E, Kroshinsky D. The impact of dermatology consultationon diagnostic accuracy and antibiotic use among patients with suspectedcellulitis seen at outpatient internal medicine offices: a randomized clinicaltrial. JAMA Dermatol. 2014;150(10):1056-1061.

18.Strazzula L, Cotliar J, Fox LP, et al. Inpatient dermatology consultation aidsdiagnosis of cellulitis among hospitalized patients: a multi-institutionalanalysis. J Am Acad Dermatol. 2015;73(1):70-75.

19.Bjornsdottir S, Gottfredsson M, Th orisd ottir AS, et al. Risk factors foracute cellulitis of the lower limb: a prospective case-control study. ClinInfect Dis Off Publ Infect Dis Soc Am. 2005;41(10):1416-1422.

20.McNamara DR, Tleyjeh IM, Berbari EF, et al. A predictive model of recurrentlower extremity cellulitis in a population-based cohort. Arch Intern Med.2007;167(7):709-715.

21.Halpern J, Holder R, Langford NJ. Ethnicity and other risk factors for acutelower limb cellulitis: a UK-based prospective case-control study. Br JDermatol. 2008;158(6): 1288-1292.

22.Wong C-H, Khin L-W, Heng K-S, Tan K-C, Low C-O. The LRINEC (Laboratory RiskIndicator for Necrotizing Fasciitis) score: a tool for distinguishingnecrotizing fasciitis from other soft tissue infections*. Crit Care Med.2004;32(7):1535-1541.

23.Wall DB, Klein SR, Black S, de Virgilio C. A simple model to help distinguishnecrotizing fasciitis from nonnecrotizing soft tissue infection. J Am CollSurg. 2000;191(3):227-231.

24.Murphy G, Markeson D, Choa R, Armstrong A. Raised serum lactate: a marker ofnecrotizing fasciitis? J Plast Reconstr Aesthet Surg. 2013;66(12):1712-1716.

25.Tay EY, Fook-Chong S, Oh CC, Thirumoorthy T, Pang SM, Lee HY. Cellulitisrecurrence score: a tool for predicting recurrence of lower limb cellulitis. JAm Acad Dermatol. 2015;72(1):140-145.

26.Barbieri JS, Nelson CA, James WD, et al. The reliability of teledermatology totriage inpatient dermatology consultations. JAMA Dermatol. 2014;150(4):419-424.

27. Burns EM, Rigby E, Mamidanna R, et al. Systematic review of discharge codingaccuracy. J Public Health. 2012;34: fdr054.

JAm AcadDermatol 2017;76:618-25.©2017 by the American Academy of Dermatology,Inc.

http://dx.doi.org/10.1016/j.jaad.2016.12.044