Imaging and Clinical Characteristics of SARS-CoV-2 Omicron Variants in Elderly Patients with Underlying Diseases
-
摘要:
目的：探讨合并基础病的老年患者感染新型冠状病毒Omicron变异株的胸部CT和临床特征。方法：回顾性收集首都医科大学附属北京地坛医院确诊的140例新型冠状病毒Omicron变异株感染合并基础病的老年患者，根据临床分型分为中型组和重型/危重型组，分析两组患者的临床特征、实验室检查和胸部CT影像特征（肺内病灶分布、病灶形态、CT影像征象及肺叶评分）。结果：合并基础疾病的老年新冠病毒Omicron变异株感染者中高血压/高脂血症的发病率最高，胸部CT表现为磨玻璃密度影为主，分布以多肺叶混合分布为主，临床表现主要为发热、咳嗽/咳痰等。重型/危重型组患者发热比例高于中型组。中型组的淋巴细胞计数值高于重型/危重型组，而重型/危重型组的降钙素原值高于中型组。重型/危重型组胸膜增厚的比例高于中型组。中型组和重型/危重型组的右肺下叶肺叶评分均最高（2（1，3）和3（2，4））（M(Q)）；重型/危重型组的总评分和各肺叶评分均高于中型组。结论：对于合并基础病的新型冠状病毒Omicron变异株老年感染患者，胸部CT对肺内病变的临床分型、病情进展评估有重要价值，对临床治疗有一定指导意义。
Abstract:Objective: This study aimed to investigate the chest computed tomography (CT) findings of SARS-CoV-2 Omicron variants in elderly patients with underlying diseases. Methods: We retrospectively analyzed data from 140 elderly patients with underlying diseases who were infected with SARS-CoV-2 Omicron variants. The patients were divided into a moderate group and a severe/critical group based on their clinical classifications. Clinical data, laboratory results, and chest CT data (including lesion distribution, morphology, image signs, and lung lobe score) were collected and analyzed for all patients. Results: Hypertension and hyperlipidemia were the most prevalent underlying diseases among elderly patients with the Omicron variant of SARS-CoV-2. Ground-glass density opacity was the main chest CT manifestation, typically presenting as a mixed distribution across multiple lung lobes. Common clinical symptoms include fever, cough, and sputum production. The proportion of patients with fever was significantly higher in the severe/critical group compared to the moderate group. Additionally, the lymphocyte count was higher in the moderate group compared to the severe/critical group, while the procalcitonin level was significantly higher in the severe/critical group. Pleural thickening was also more prevalent in the severe/critical group. The right inferior lobe score was the highest in both groups (2 (1,3) and 3 (2,4) for moderate and severe/critical groups, respectively), with the total score and individual lobe scores being significantly higher in the severe/critical group. Conclusions: Chest CT scans play a crucial role in classifying disease severity and evaluating disease progression in elderly patients with underlying diseases infected with the Omicron variant of the novel coronavirus. These findings can also guide clinical treatment decisions.
-
肺癌（lung cancer）是全球癌症相关死亡的主要原因之一，也是中国最常见的恶性肿瘤之一，其死亡率约18.0％[1]，居恶性肿瘤首位，5年总生存率仅约15％[2]。非小细胞肺癌（non-small cell lung cancer，NSCLC）为肺癌最常见的类型[3]。NSCLC早期的预后预测有助于提供额外治疗、密切随访，实现精准个体化治疗，以改善NSCLC患者的预后。
目前，NSCLC预后的评估主要依靠肿瘤淋巴结转移（tumor node metastasis，TNM）分期系统，但肿瘤具有时空异质性，传统TNM分期系统以及组织病理学等有创检测并不能全面准确预测非小细胞肺癌患者的预后[4]。影像组学（radiomics）技术通过从医学图像中提取并分析高通量影像组学特征，能够将图像信息转换为反映肿瘤内部异质性的信息并进行深层预测，具有安全、无创、全面等优点[5]。近年来，不断有学者探索影像组学技术在非小细胞肺癌预后预测中的应用价值，且取得了长足的进展。
本文就影像组学技术的基本研究流程及其在预测NSCLC预后应用方面的研究现状作综述。
1. 影像组学概述
影像组学是指从医学影像图像中高通量提取大量特征并进行筛选降维，利用数据分析方法将数字图像信息转化为可挖掘的高维信息，构建预测模型，对肿瘤的深层信息进行描述，分析临床问题并提供决策指导[6]。影像组学的概念由荷兰学者Lambin等[7]在2012年提出，影像组学技术的出现使肺癌患者的早期诊断和个体化治疗成为可能，因此越来越受到科学家及临床工作者的重视。
影像组学的研究流程主要分为图像采集、图像分割、特征提取、特征选择及模型建立5步[8]。目前NSCLC影像组学研究多回顾性收集图像数据，由于不同平台和不同参数下采集的图像存在差异，一般需预先对图像进行标准化及归一化处理[9-10]。由于尚无十分理想的全自动分割工具，目前多采用人工分割或半自动分割方法[11]。通过特定的计算机算法从图像感兴趣区域中自动提取大量的定量化影像组学特征，主要包括强度特征、纹理特征、形状特征及小波特征等[12]。对提取出的影像组学特征进行选择，以筛选出稳定且有效的特征。最后基于最终选择的特征建立影像组学模型对病灶进行预测。
2. 影像组学技术在非小细胞肺癌预后中的应用
肺癌的预后与患者年龄、性别、吸烟状况、TNM分期、病理亚型等许多因素相关[13]，但其大多属于定性因素，具有评估不准确等局限性。影像组学技术可以运用影像组学特征及临床信息对NSCLC预后进行量化分析以及预测。
2.1 预测生存期
NSCLC的总生存期（overall survival，OS）、无病生存期（disease-free survival，DFS）、无进展生存期（progression-free survival，PFS）都反映了患者预后，但目前难以实现对NSCLC患者DFS、OS、PFS的准确预测。
因此研究者试图寻找一种新的预测工具以更加准确全面地预测NSCLC的预后。
2.1.1 总生存期（OS）
Yang等[14]通过从239例NSCLC患者的CT图像中提取二维及三维影像组学特征并与临床预测指标相结合，构建影像组学列线图评估NSCLC患者的总生存期，研究显示影像组学特征与NSCLC患者总生存期具有明显的相关性，二维和三维联合影像组学特征比单一特征预测预后的效能更好，且影像组学特征与临床预测指标联合能更好地评估NSCLC患者的预后。Wang等[15]提取并分析局部晚期NSCLC患者的CT影像组学特征以及临床特征，建立联合影像组学、临床特征的预后预测模型以及多模态列线图，研究显示联合模型对总生存期的预测效能较单一模型更优，预测值与实际值的一致性更高。Yang等[16]从 315名NSCLC患者的CT和正电子发射计算机断层显像（positionemission tomography，PET）图像中提取影像组学特征，基于CT、PET和PET/CT影像组学特征，使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）Cox回归算法计算影像组学评分，联合影像组学评分及临床病理因素进行多变量Cox回归分析确定独立的危险因素，并构建列线图，结果表明影像组学评分及临床联合模型具有最佳的一致性指数（concordance index，C-index），该研究认为基于18F-FDG PET/CT影像组学列线图能较好地预测NSCLC患者的预后。Yoo等[17]纳入了300例 Ⅲ期NSCLC患者，分别提取原发肿瘤初始检查和新辅助同步放化疗后的影像组学特征，通过LASSO回归分析筛选有用特征，通过Cox比例风险回归分析评估LASSO评分和常规PET参数预后预测价值，研究表明LASSO评分显示出更好的OS预测效能。PET/CT的影像组学特征是评估 Ⅲ期 NSCLC总生存期的独立预后因素，基于影像组学特征建立的LASSO评分显示了比传统PET参数更好的个体化OS估计预后能力。
前述研究显示影像组学在预测NSCLC患者总生存期中具有良好的效能，但均为回顾性研究，可能存在选择偏倚，且均未考虑基因组特征，而肿瘤的基因表型有可能影响患者的生存预后，相关研究有待进一步探索。
2.1.2 无病生存期（DFS）
Choe等[18]回顾性分析接受肺腺癌根治手术的患者，通过单变量和多变量Cox比例风险回归分析评估基于增强CT影像组学特征与患者无病生存期（DFS）和总生存期（OS）之间的相关性，结果显示影像组学特征与患者DFS和OS独立相关，影像组学与临床病理因素联合建立的模型对预后预测的效能更优，该研究表明CT影像组学可有效预测肺腺癌患者的预后，并能提供除临床病理危险因素之外的额外信息。Liu等[19]探索了基于不同感兴趣体积（region of volume，VOI）的影像组学对肺腺癌患者DFS预测准确性的影响，该研究分别基于大体肿瘤体积（gross tumor volume，GTV）、肿瘤边界外3 mm、跨越肿瘤边界6 mm、肿瘤边界外6 mm提取影像组学特征构建模型并比较模型的效能，研究发现基于跨越肿瘤边界6 mm VOI的影像组学模型预测肺腺癌患者DFS的效能最优。Park等[4]通过在不同层厚的CT图像中提取影像组学特征分别建立模型预测非小细胞肺癌患者DFS，模型训练集的一致性指数分别为0.68、0.70和0.68，其研究结果显示基于不同层厚建立的模型效能并没有明显差异，因此认为CT层厚对肺腺癌患者DFS的预测没有显著影响。Xiu等[20]分析146例非小细胞肺癌患者的CT影像组学、临床及肿瘤免疫特征分别构建模型，并联合组织病理学及免疫组化特征构建多模态列线图，比较各模型的准确性和差异。列线图模型在训练集和验证集的C-index分别为0.8766和0.8426，优于临床病理-影像组学模型、影像组学模型和临床病理模型。
这些研究探索了影像组学在预测NSCLC患者无病生存期中的应用价值，但仍存在随访间隔及扫描参数不统一等问题，一定程度上影响了研究的可靠性和可重复性。
2.1.3 无进展生存期（PFS）
He等[21]联合CT影像组学特征、临床病理风险因素构建个体化预后评分系统，预测接受铂类化疗的 Ⅳ期非小细胞肺癌患者的无进展生存期（PFS），研究发现该模型对患者PFS具有良好的预测效能，在95％ 置信区间内其C-index为0.772，内部及外部验证集的C-index分别为0.738和0.750，且该联合模型在临床实用性方面显著优于基于临床病理学建立的模型，该研究显示基于CT影像组学特征和临床病理学风险因素的预后模型可用于IV期NSCLC铂类化疗患者PFS的个体化预测，以指导IV期NSCLC个体化预治疗。Li等[22]回顾性分析368例治疗前接受18F-FDG PET/CT检查的NSCLC患者，利用LIFEx软件提取PET和CT图像影像组学特征构建临床及联合模型，预测PFS临床模型训练集C-index为0.748、AUC值为0.758，联合模型C-index及AUC值分别为0.775和0.780，验证集临床模型C-index及AUC值分别为0.729和0.776，联合模型分别为0.755和0.791。该研究显示基于治疗前 18F-FDG PET/CT影像组学模型能够较好地预测NSCLC患者PFS，在结合临床因素后预测效能进一步提高。
目前关于影像组学在预测NSCLC患者无进展生存期中的应用研究相对较少，前述研究的样本量都相对较小，仍需进行大样本研究证实。
2.2 预测淋巴结转移
淋巴结转移是影响患者预后及治疗决策选择的重要因素之一。Cong等[23]回顾性研究 649例IA期非小细胞肺癌患者，通过随机森林（random forest，RF）方法建立临床模型、增强CT影像组学模型和联合模型预测早期NSCLC癌患者淋巴结转移，影像组学模型和联合模型对淋巴结转移的预测效能较佳，均优于临床模型，研究表明基于增强CT影像组学模型可以术前预测IA期NSCLC患者的淋巴结转移。Ran等[24]提取300名肺腺癌患者的CT影像组学特征以及深度学习特征，使用多变量逻辑回归分析构建淋巴结转移预测模型以及列线图，多变量逻辑回归分析显示影像组学特征、深度学习特征是淋巴结转移的独立预测因子。预测模型训练集一致性指数为0.820，外部验证集一致性指数为0.861，均具有较好的预测效能，可用于预测肺腺癌患者淋巴结转移。Wang等[25]探究基于肿瘤内和肿瘤周围肺实质CT影像组学模型在术前预测临床T1期周围型肺腺癌患者淋巴结转移的价值，分别提取T1期周围型肺腺癌患者大体肿瘤体积（GTV）和肿瘤周围体积（（peritumoral volume，PTV），肿瘤周围1.5 cm）的影像组学特征，通过逻辑回归分析构建包含影像组学特征和临床参数的影像组学模型并建立列线图，结果显示基于GTV和PTV的影像组学特征具有良好的预测效能，其接受者操作特性曲线下面积（area under curve，AUC）分别为0.829和0.825，基于大体肿瘤体积和肿瘤周围体积的联合影像组学特征的AUC为0.843，影像组学列线图的AUC为0.869，该研究表明基于大体肿瘤体积和肿瘤周围体积的影像组学特征均可以较好地预测淋巴结转移。
研究显示影像组学对于NSCLC患者淋巴结转移具有良好的预测效能，但目前相关研究的样本量相对较小且涉及临床因素较为有限，仍需进一步探究及完善。
2.3 预测远处转移
晚期NSCLC患者常出现远处转移，远处转移多提示预后不佳。NSCLC远处转移常见于脑转移及骨转移。
Chen等[26]从89例T1期肺腺癌患者的平扫CT图像中提取共影像组学特征建立模型，联合模型和影像组学模型的预测效能显著优于临床模型，该研究显示基于CT影像组学对T1期肺腺癌患者脑转移具有良好的预测性能和巨大潜力。Ding等[27]基于平扫CT图像影像组学特征构建影像组学、临床和联合模型预测同步脑转移（synchronous brain metastasis，SBM），比较不同模型的预测效能，并研究3种模型对SBM、异时脑转移（metachronous brain metastasis，MBM）和全部脑转移中寡转移（1～3个病灶）或多发（>3个病灶）转移的预测效能。影像组学模型和联合模型对同步脑转移的预测能力较临床模型更优，此外影像组学模型还可预测同步脑转移、异时脑转移和全部脑转移中寡转移或多发转移。该研究表明影像组学模型及联合模型可作为预测肺癌同步脑转移高危患者的有效影像标志物，且影像组学模型还可以识别寡转移或多发脑转移。Chen等[28]回顾性分析195例NSCLC患者，采用t检验、秩和检验、
$\chi^2 $ 检验分析患者临床影像学特征与骨转移的关系，同时提取影像组学特征构建模型，并根据最佳预测模型提取的影像组学参数结合临床影像特征建立多因素logistic回归预测模型，模型训练集和验证集的AUC为0.82和0.73，研究显示性别、细胞角蛋白19的可溶性片段（Cyfra21-1）升高、血铁含量、CT征象（如病灶同质性、胸膜凹陷征）及影像组学特征Glszm_Small Area高灰度强调是骨转移的独立危险因素，该研究认为基于影像组学和临床影像特征建立的预测模型对NSCLC患者骨转移具有较好的预测能力。上述研究表明影像组学能够预测NSCLC的远处转移，但目前现有相关研究相对较少，且上述研究具有样本量小、单中心等局限，仍需进一步大样本、多中心研究。
3. 小结与展望
影像组学技术在预测NSCLC预后方面展现出较大的潜力，但其作为影像学领域中的新兴交叉学科，仍存在研究多为回顾性、小样本、单中心等不足，缺乏前瞻性、大样本、多中心的研究验证及综合评估，缺乏标准化数据库的建立、标准化研究流程、图像重建算法、预处理方式以及特征提取算法，研究的稳定性及可重复性尚待进一步提高，从而导致临床广泛应用受到一定限制。
目前影像组学技术仍在不断快速发展，相信在日益发展的人工智能技术的推动下，影像组学技术能够在NSCLC预后预测方面中发挥更大的价值，并在指导NSCLC精准个性化治疗中发挥更大优势及作用。
-
![]()
图 1 新冠Omicron变异株感染者胸部CT影像特征
注：（a）女性，86岁，双肺多发混合分布的不规则形GGO伴部分实变。（b）男性，66岁，双肺多发混合分布的类圆形GGO。（c）男性，68岁，双肺多发扇形GGO合并铺路石征，混合分布，病变内可见支气管充气征，邻近肋胸膜增厚。（d）女性，81岁，双肺胸膜下分布的类圆形实变影，边缘可见少许索条。
Figure 1. Computed tomography imaging features of patients with the Omicron variant of COVID-19
表 1 新冠Omicron变异株感染合并基础病的老年患者一般资料和临床表现（例（％））
Table 1 General data and clinical manifestations of elderly patients infected with COVID-19 Omicron variant with underlying disease (case (%))
项目 临床分型 统计检验 总体（％） 中型（％） 重型/危重型（％） $\chi^2 $ P 人数 140 91 49 性别 男 88（62.86） 51（56.04） 37（75.51） 5.169 0.023 女 52（37.14） 40（43.96） 12（24.49） 临床表现 发热 123（87.86） 76（83.52） 47（95.92） 4.592 0.032 咳嗽/咳痰 114（81.43） 76（83.52） 38（77.55） 0.750 0.387 咽痛 41（29.29） 31（34.07） 10（20.41） 2.869 0.090 乏力 49（35.00） 31（34.07） 18（36.73） 0.100 0.752 肌肉酸痛 36（25.71） 26（28.57） 10（20.41） 1.111 0.292 畏寒/寒战 34（24.29） 23（25.27） 11（22.45） 0.138 0.710 鼻塞、流涕 25（17.86） 19（20.88） 6（12.24） 1.619 0.203 头痛 10（7.14） 6（6.59） 4（8.16） 0.001 1.000 呼吸困难/喘憋 28（20.00） 20（21.98） 8（16.33） 0.636 0.425 恶心/呕吐 8（5.71） 7（7.69） 1（2.04） 0.985 0.321 腹泻 11（7.86） 6（6.59） 5（10.20） 0.183 0.669 嗅觉异常 6（4.29） 5（5.49） 1（2.04） 0.276 0.600 味觉异常 8（5.71） 6（6.59） 2（4.08） 0.052 0.819 合并基础疾病 高血压/高脂血症 95（67.86） 58（63.74） 37（75.51） 2.024 0.155 糖尿病 65（46.43） 45（49.45） 20（40.82） 0.955 0.329 心血管疾病（冠心病/房颤/心律失常） 44（31.43） 31（34.07） 13（26.53） 0.839 0.360 呼吸系统疾病（肺癌/慢性支气管炎/肺间质病变） 17（12.14） 12（13.19） 5（10.20） 0.266 0.606 慢性肾脏疾病（糖尿病肾病/肾功能不全） 15（10.71） 11（12.09） 4（8.16） 0.513 0.474 肝病（肝炎/肝硬化/肝功能不全） 8（5.71） 3（3.30） 5（10.20） 1.684 0.194 脑梗死 7（5.00） 5（5.49） 2（4.08） 0.001 1.000 消化道恶性肿瘤 5（3.57） 4（4.40） 1（2.04） 0.057 0.811 泌尿系恶性肿瘤 4（2.86） 2（2.20） 2（4.08） 0.011 0.915 血液病 3（2.14） 3（3.30） 0（0.00） 0.453 0.501 乳腺癌 2（1.43） 2（2.20） 0（0.00） 0.089 0.542 
下载: 导出CSV
表 2 感染新型冠状病毒Omicron变异株的合并基础病老年患者组间实验室指标比较（M（P 25，P 75））
Table 2 Comparison of laboratory indicators among groups of elderly patients with underlying disease infected with Omicron variant strains of the novel coronavirus (M(P 25, P 75))
项目 临床分型 统计检验 中型 重型/危重型 Z/t P CRP/（mg/L） 47.70（24.20，84.33） 48.85（20.55，145.60） -0.601 0.548 WBC/×109/L 5.77（4.19，7.87） 5.54（4.26，7.57） -0.125 0.901 LYMPH/×109/L 0.92（0.57，1.18） 0.69（0.50，1.01） -2.084 0.037 ESR/（mm/h） 38.39±21.22* 46.19±24.13* -1.621 0.108 IL-6/（pg/mL） 32.06（16.38，62.75） 28.82（10.54，75.87） -0.025 0.980 PCT/（ng/mL） 0.05（0.05，0.14） 0.13（0.06，0.19） -3.505 0.001 ORFlab基因 29.75±5.21* 30.42（26.10，35.92） -0.800 0.424 N基因 28.93±5.10* 30.70（25.30，35.00） -0.976 0.329 注：*为中型、重型/危重型组的红细胞沉降率值、中型组的ORF1 ab基因Ct值和N基因Ct值为正态分布资料，其余均为非正态分布资料。CRP为C-反应蛋白；WBC为白细胞；LYMPH为淋巴细胞；ESR为血沉；IL-6为白介素-6；PCT为降钙素原。
下载: 导出CSV
表 3 感染新型冠状病毒Omicron变异株的合并基础病老年患者胸部CT病变分布
Table 3 Distribution of chest computed tomography lesions in elderly patients with underlying diseases infected with the Omicron variant of SARS-CoV-2
病灶分布 临床分型 统计检验 中型/例（％） 重型/危重型/例（％） $t/\chi^2 $ P 胸膜下分布 18（20.93） 6（12.50） 1.489 0.222 中央型分布 0（0.00） 0（0.00） 混合分布 68（79.07） 42（87.50） 病灶累及总肺叶数量 4.24±1.448 4.61±1.096 -1.565 0.120 右肺上叶 78（90.70） 44（91.67） 0.001 1.000 右肺中叶 70（81.40） 42（87.50） 0.837 0.360 右肺下叶 81（94.19） 47（97.92） 0.320 0.572 左肺上叶 75（87.21） 47（97.92） 3.118 0.077 左肺下叶 81（94.19） 47（97.92） 0.320 0.572
下载: 导出CSV
表 4 感染新型冠状病毒Omicron变异株的合并基础病老年患者CT影像特征
Table 4 Computed tomography lesions in elderly patients with underlying diseases infected with the Omicron variant of SARS-CoV-2
CT影像特征/例（％） 临床分型 统计检验 总体 中型 重型/危重型 $\chi^2 $ P 病变形态 类圆形 34（24.29） 22（24.18） 12（24.49） 0.002 0.967 扇形 35（25.00） 19（20.88） 16（32.65） 2.355 0.125 不规则形 65（46.43） 45（49.45） 20（40.82） 0.955 0.329 CT影像征象 GGO* 130（92.86） 84（92.31） 46（93.88） 0.001 1.000 铺路石征 123（87.86） 79（86.81） 44（89.80） 0.266 0.606 GGO伴实变/实变 68（48.57） 41（45.05） 27（55.10） 1.287 0.257 支气管充气征 117（83.57） 73（80.22） 44（89.80） 2.127 0.145 GGO内支气管充气征 110（78.57） 71（78.02） 39（79.59） 0.047 0.829 实变内支气管充气征 61（43.57） 36（39.56） 25（51.02） 1.701 0.192 索条 41（29.29） 30（32.97） 11（22.45） 1.701 0.192 胸膜增厚 86（61.43） 49（53.85） 37（75.51） 6.309 0.012 胸腔积液 45（32.14） 30（32.97） 15（30.61） 0.081 0.776 注：GGO表示磨玻璃密度影。
下载: 导出CSV
表 5 感染新型冠状病毒Omicron变异株的合并基础病老年患者胸部CT病变肺叶评分（M(Q)）
Table 5 Chest computed tomography scores of diseased lung lobes in elderly patients with underlying diseases infected with the Omicron variant
肺叶评分/分 临床分型 统计检验 中型 重型/危重型 Z P 总评分 8（5，11） 11.160±4.488* -3.562 0.001 右肺上叶 1（1，2） 2（1，3） -2.180 0.029 右肺中叶 1（1，2） 2（1，3） -2.241 0.025 右肺下叶 2（1，3） 3（2，4） -3.199 0.001 左肺上叶 1（1，2） 2（1，3） -2.663 0.008 左肺下叶 1（1，2） 2（1，3） -3.404 0.001 注：*重型/危重型总评分为正态分布资料，其余均为非正态分布资料。
下载: 导出CSV
-
[1] FERGUSON N, GHANI A, HINSLEY W, et al. Report 50: Hospitalisation risk for Omicron cases in England[J]. 2021. https://api.semanticscholar.org/CorpusID:245474800
[2] SHEIKH A, KERR S, WOOLHOUSE M, et al. Severity of Omicron variant of concern and effectiveness of vaccine boosters against symptomatic disease in Scotland (EAVE II): A national cohort study with nested test-negative design[J]. The Lancet Infectious Diseases, 2022, 22(7): 959−966. DOI: 10.1016/S1473-3099(22)00141-4.
[3] 中华人民共和国国家卫生健康委员会. 新型冠状病毒感染诊疗方案(试行第十版)[J]. 中华临床感染病杂志, 2023, 16(1): 1−9. DOI: 10.3760/cma.j.issn.1674-2397.2023.01.001. [4] 陈辉, 张紫欣, 陈七一, 等. 新型冠状病毒奥密克戎变异株感染者胸部CT表现及动态变化[J]. CT理论与应用研究, 2023, 32(3): 313−322. DOI: 10.15953/j.ctta.2023.051. CHEN H, ZHANG Z X, CHEN Q Y, et al. Imaging features and dynamic changes of chest computed tomography in patients infected with SARS-CoV-2 Omicron variants[J]. CT Theory and Applications, 2023, 32(3): 313−322. DOI: 10.15953/j.ctta.2023.051. (in Chinese).
[5] The government of the Hongkong special administrative region[EB/OL]. [2024-05-12]. https://www.aud.gov.hk/pdf_e/e39ch05.
[6] GRIGORAS M L, CITU I M, CITU C, et al. Evaluation of FIB-4, NFS, APRI and liver function tests as predictors for SARS-CoV-2 infection in the elderly population: A matched case-control analysis[J]. Journal of Clinical Medicine, 2022, 11(17): 5149. DOI: 10.3390/jcm11175149.
[7] FERICEAN R M, CITU C, MANOLESCU D, et al. Characterization and outcomes of SARS-CoV-2 infection in overweight and obese patients: A dynamic comparison of COVID-19 pandemic waves[J]. Journal of Clinical Medicine, 2022, 11(10): 2916. DOI: 10.3390/jcm11102916.
[8] BEYERSTEDT S, CASARO E B, RANGEL É B. COVID-19: Angiotensin-converting enzyme 2 (ACE2) expression and tissue susceptibility to SARS-CoV-2 infection[J]. European Journal of Clinical Microbiology & Infectious Diseases, 2021, 40(5): 905-919. DOI: 10.1007/s10096-020-04138-6
[9] ASAI Y, NOMOTO H, HAYAKAWA K, et al. Comorbidities as risk factors for severe disease in hospitalized elderly COVID-19 patients by different age-groups in Japan[J]. Gerontology, 2022, 68(9): 1027−1037. DOI: 10.1159/000521000.
[10] TSUZUKI S, AKIYAMA T, MATSUNAGA N, et al. Association between physical activity status and severity of COVID-19 in older adults[J]. Epidemiology and Infection, 2022, 150: e189. DOI: 10.1017/S0950268822001686.
[11] 陈波, 费宇, 李玟, 等. 重症新型冠状病毒肺炎患者死亡风险因素研究[J]. 现代预防医学, 2022, 49(15): 2856−2860. DOI: 10.20043/j.cnki.MPM.202201321. CHEN B, FEI Y, LI W, et al. Risk factors for mortality of severely ill patients with COVID-19[J]. Modern Preventive Medicine, 2022, 49(15): 2856−2860. DOI: 10.20043/j.cnki.MPM.202201321. (in Chinese).
[12] TAJMIRRIAHI M, SAMI R, MANSOURIAN M, et al. The clinical manifestation and outcome of COVID-19 in patients with a history of ischemic heart disease; A retrospective case-control study[J]. BMC Cardiovascular Disorders, 2023, 23(1): 241. DOI: 10.1186/s12872-023-03256-1.
[13] AIRG-E, EKPF, ALCER, et al. CKD: The burden of disease invisible to research funders[J]. Nefrologia (Engl Ed), 2022, 42(1): 65−84. DOI: 10.1016/j.nefroe.2021.09.005.
[14] LU G, ZHANG Y, ZHANG H, et al. Geriatric risk and protective factors for serious COVID-19 outcomes among older adults in Shanghai Omicron wave[J]. Emerging Microbes & Infections, 2022, 11(1): 2045−2054. DOI: 10.1080/22221751.2022.2109517.
[15] LIU R, ZHANG Y, MA J, et al. Epidemiological features of SARS-CoV-2 Omicron infection under new control strategy: A cross-sectional study of the outbreak since December 2022 in Sichuan, China[J]. BMC Public Health, 2023, 23(1): 2463. DOI: 10.1186/s12889-023-17361-5.
[16] GUAN W J, NI Z Y, HU Y, et al. Clinical characteristics of coronavirus disease 2019 in China[J]. The New England Journal of Medicine, 2020, 382(18): 1708−1720. DOI: 10.1056/NEJMoa2002032.
[17] ZHANG X, TAN Y, LING Y, et al. Viral and host factors related to the clinical outcome of COVID-19[J]. Nature, 2020, 583(7816): 437−440. DOI: 10.1038/s41586-020-2355-0.
[18] 王江洪, 孙跃玲, 鲁锦国, 等. 外周血淋巴细胞动态变化在新冠肺炎诊治中的意义[J]. 解放军预防医学杂志, 2020, 38(11): 115-118. WANG J H, SUN Y L, LU J G, et al. Significance of dynamic changes of peripheral blood lymphocytes in diagnosis and treatment of COVID-19[J]. Journal of Preventive Medicine of Chinese People's Liberation Army, 2020, 38(11): 115-118. (in Chinese).
[19] 黄颖, 谭明凯, 陈星, 等. 血清降钙素原在新型冠状病毒肺炎患者中的应用价值[J]. 中华临床实验室管理电子杂志, 2020, 8(3): 150−152. DOI: 10.3877/cma.j.issn.2095-5820.2020.03.005. HUANG Y, TAN M K, CHEN X, et al. Clinical value of procalcitonin in patients with COVID-19[J]. Chinese Journal of Clinical Laboratory Management (Electronic Editon), 2020, 8(3): 150−152. DOI: 10.3877/cma.j.issn.2095-5820.2020.03.005. (in Chinese).
[20] 降钙素原在成人下呼吸道感染性疾病分级管理中的应用专家共识组. 降钙素原在成人下呼吸道感染性疾病分级管理中的应用专家共识[J]. 中华急诊医学杂志, 2021, 30(4): 393-401. DOI: 10.3760/cma.j.issn.1671-0282.2021.04.004. [21] ACEDERA M L, SIRICHOKCHATCHAWAN W, BRIMSON S, et al. Age, comorbidities, C-reactive protein and procalcitonin as predictors of severity in confirmed COVID-19 patients in the Philippines[J]. Heliyon, 2023, 9(4): e15233. DOI: 10.1016/j.heliyon.2023.e15233.
[22] ITO N, KITAHARA Y, MIWATA K, et al. Comparison of COVID-19 pneumonia during the SARS-CoV-2 Omicron wave and the previous non-Omicron wave in a single facility[J]. Respiratory Investigation, 2022, 60(6): 772−778. DOI: 10.1016/j.resinv.2022.08.001.
[23] 张志平, 张烈光, 黄德扬, 等. 老年新型冠状病毒Delta变异株感染者的胸部CT表现[J]. 广东医学, 2021, 42(12): 1421−1425. DOI: 10.13820/j.cnki.gdyx.20211973. ZHANG Z P, ZHANG L G, HUANG D Y, et al. Chest CT manifestations of the elderly population infected with SARS-CoV-2 variant Delta in Guangzhou[J]. Guangdong Medical Journal, 2021, 42(12): 1421−1425. DOI: 10.13820/j.cnki.gdyx.20211973. (in Chinese).
[24] CHUNG M, BERNHEIM A, MEI X, et al. CT imaging features of 2019 novel coronavirus (2019-nCoV)[J]. Radiology, 2020, 295(1): 202−207. DOI: 10.1148/radiol.2020200230.
[25] HAN R, HUANG L, JIANG H, et a1. Early clinical and CT manifestations of coronavirus disease 2019 (COVID-19) pneumonia[J]. American Journal of Roentgenology, 2020, 215(2): 338−343. DOI: 10.2214/AJR.20.22961.
[26] 胡天丽, 甘清鑫, 黄德杨, 等. 新型冠状病毒Delta变异株感染患者的首次CT表现[J]. 广东医学, 2021, 42(12): 1411−1415. DOI: 10.13820/j.cnki.gdyx.20211768. HU T L, GAN Q X, HUANG D Y, et al. The initial CT findings of novel of coronavirus mutant strain Delta[J]. Guangdong Medical Journal, 2021, 42(12): 1411−1415. DOI: 10.13820/j.cnki.gdyx.20211768. (in Chinese).
[27] 刘瑞, 武婷婷, 勾少波, 等. 新型冠状病毒感染不同毒株的CT表现演变与临床转归的相关性分析[J]. CT理论与应用研究, 2023, 32(5): 627−635. DOI: 10.15953/j.ctta.2023.059. LIU R, WU T T, GOU S B, et al. Correlation analysis between dynamic changes in computed tomography findings and clinical outcomes in cases infected with different strains of coronavirus disease 2019[J]. CT Theory and Applications, 2023, 32(5): 627−635. DOI: 10.15953/j.ctta.2023.059. (in Chinese).
[28] 李琚, 项尖尖, 王宝华, 等. 超声检查胸膜增厚对胸腔积液良恶性鉴别诊断的意义[J]. 影像研究与医学应用, 2019, 3(22): 209−210. DOI: CNKI:SUN:YXYY.0.2019-22-138. [29] 杨国英, 赵殿辉, 刘靖, 等. 新冠病毒变异株Omicron老年感染者的肺部CT人工智能量化分析[J]. 中国医学计算机成像杂志, 2023, 29(1): 14−18. DOI: 10.3969/j.issn.1006-5741.2023.01.006. YANG G Y, ZHAO D H, LIU J, et al. Artificial intelligence quantitative analysis of lung CT in elderly patients infected with the SARS-CoV-2 Omicron variant[J]. Chinese Computed Medical Imaging, 2023, 29(1): 14−18. DOI: 10.3969/j.issn.1006-5741.2023.01.006. (in Chinese).
-
期刊类型引用(1)
1. 杨庆东，彭泱泱，李绿洲. 腹壁侵袭性纤维瘤误诊为子宫肌瘤1例及文献复习. 中国当代医药. 2025(09): 138-142 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 136
- HTML全文浏览量: 25
- PDF下载量: 8
- 被引次数: 1
