基于组轨迹模型及其研究进展

在医学研究中存在许多随时间推移动态变化的变量。传统数据处理方法通常取变量在某时点的值或某段时间的均值进行研究和比较,但是这种做法存在一些不足,如数据信息利用不充分、结果难以反映动态过程。基于组轨迹模型是近年来提出的研究变量随时间变化的发展轨迹的一种方法,它在处理纵向数据中具有一些独特优势。本文阐述了基于组轨迹模型的基本原理及其具体形式,并介绍了模型的最新进展及其在应用中的一些误区,在此基础上对模型的研究趋势进行探讨。

院内新型冠状病毒肺炎患者IgG滴度的动态变化:一项基于组的轨迹分析

目的研究新型冠状病毒肺炎(COVID-19)患者住院期间定量检测的IgG滴度的动态变化轨迹,揭示感染病毒后机体的免疫过程。方法回顾性分析2020年2月5日至4月15日在武汉市火神山医院和湖北省妇幼保健院光谷院区住院治疗的COVID-19患者的临床资料及不同时间点IgG滴度定量检测数据。应用基于组的轨迹模型从患者抗体的时间序列数据中进行亚组识别,然后对各轨迹组患者的临床特征及结局进行比较。结果共734例符合筛选标准的患者被纳入研究。从其抗体数据中识别出3个轨迹组:组1(持续低抗体组,60例,占8.17%)、组2(中等抗体组,38例,占5.18%)和组3(高抗体组,636例,占86.65%)。3组患者的住院天数和病毒清除时间差异有统计学意义(P均<0.001),组1的住院天数和病毒清除时间均最短;而全因死亡率和病情恶化率在3组间差异无统计学意义(P均>0.05)。结论具有不同IgG发展轨迹的COVID-19患者可能有不同的预后及免疫特征,抗体滴度持续较高的患者可能需要更多的医疗关注。