慢性荨麻疹临床缓解与复发模式的聚类分析：PREDICT-CU 研究成果揭示疾病特征与管理方向

研究人员针对慢性荨麻疹（CU）临床过程差异问题，开展聚类分析研究，区分出四种患者群，助力疾病管理。

　　# 慢性荨麻疹研究新突破：聚类分析揭示疾病特征与管理方向
慢性荨麻疹（Chronic Urticaria，CU）是一种令人困扰的炎症性皮肤疾病，它如同隐藏在皮肤下的 “小恶魔”，持续带来瘙痒的风疹块（hives），有时还伴有血管性水肿，病程超过 6 周。这不仅严重影响患者的日常生活，使其在身体和心理上备受折磨，还会给个人生活、工作带来诸多不便。而且，CU 常常与多种疾病如过敏性鼻炎、哮喘、抑郁症等相伴而生，给患者和社会都带来沉重的负担。

目前，虽然已知 CU 患者的临床病程存在差异，包括活跃期、临床缓解期和复发期，但对于不同患者亚组的详细信息却知之甚少。此前的研究在临床缓解和复发模式方面存在诸多不确定性，比如患者达到临床缓解的比例和复发率各不相同，影响临床缓解和复发的因素也未完全明确，不同患者的临床特征与缓解、复发模式之间的关系也不清晰，这些都使得 CU 的管理面临挑战。

为了解开这些谜团，来自多个机构的研究人员开展了一项重要研究。他们利用 Optum? 去识别化电子健康记录（EHR）数据集（2007 - 2018 年），对大量 CU 患者进行研究。该研究旨在通过聚类分析描述不同 CU 临床缓解和复发模式的代表性患者特征，并进一步分析共病负担、治疗情况和资源利用情况。此研究成果发表在《Dermatology and Therapy》杂志上。

研究人员主要采用了以下关键技术方法：首先，利用 Optum? 去识别化电子健康记录数据集，该数据集包含了美国 2000 多家护理中心超 100 万人的临床信息，为研究提供了丰富的数据资源。其次，采用回顾性队列研究设计，确定成年 CU 患者的样本。然后，运用一种数据驱动的聚类算法 —— 分裂层次聚类方法对患者进行分组，并通过 k - prototype 算法进行聚类分析，同时对变量进行重新缩放，以确保分析结果的准确性，还用留出集进行模型验证。

患者聚类特征

研究共纳入 112,443 名 CU 患者，这些患者被分为四个相互独立的聚类（Cluster）。Cluster 1 患者达到临床缓解的中位时间最短，仅 4.1 个月，且复发率最低，为 38.0%；Cluster 2 患者达到临床缓解的时间稍晚，为 10.0 个月，复发率为 52.3%；Cluster 3 和 Cluster 4 患者达到临床缓解的中位时间较长，分别为 33.8 个月和 44.6 个月，复发率高达 75%。而且，Cluster 4 患者在活跃 CU 期的 CU 诊断和治疗最为频繁。

人口统计学特征和共病情况

四个聚类中女性患者比例相似。Cluster 4 患者首次诊断 CU 时年龄稍大，平均年龄为 50.0 岁，而其他三个聚类患者的平均年龄在 46.3 - 48.4 岁之间。Cluster 4 患者的共病负担更重，Charlson 合并症指数（CCI）均值为 1.0，高于其他聚类（0.5 - 0.8）。在基线期和 CU 诊断后的前 12 个月，Cluster 4 患者中慢性阻塞性肺疾病（CPD）、哮喘、抑郁症、过敏性鼻炎和糖尿病等共病的比例更高。

药物使用情况

在基线期和 CU 诊断后的前 12 个月，系统糖皮质激素是最常报告的 CU 相关药物。Cluster 4 患者接受各类治疗的比例最高，使用的 CU 相关和非 CU 相关药物种类也更多。比如，系统糖皮质激素在 Cluster 4 中的使用频率为 2.7 次 / 人 / 年（PPPY），而在其他聚类中为 0.7 - 1.4 PPPY；非镇静抗组胺药在各聚类中的使用频率均低于镇静抗组胺药。

医疗保健提供者就诊情况

Cluster 4 患者的全因医疗保健提供者就诊次数最多，涉及家庭医学、内科、中级医疗人员、急诊科，以及过敏 / 免疫学和皮肤科专科医生等。与其他聚类相比，Cluster 4 患者中至少有一次 CU 相关就诊的比例更高。

临床缓解和复发时间（KM 分析）

通过 Kaplan - Meier（KM）分析发现，Cluster 3 和 Cluster 4 患者达到首次临床缓解的时间较长；在达到首次临床缓解的患者中，这两个聚类患者首次复发的时间较短；在复发患者中，Cluster 3 和 Cluster 4 患者达到第二次临床缓解的时间更长。

研究通过聚类分析区分出四种具有不同临床缓解和复发模式的患者聚类，明确了不同聚类患者的特征差异。这不仅有助于深入了解 CU 的临床过程，还为开发预测模型提供了依据，帮助临床医生更好地预测高风险患者，实现个性化疾病管理，为 CU 患者的治疗和管理带来了新的希望和方向。同时，研究也指出了自身存在的局限性，如 ICD 编码可能导致误分类、数据受保险覆盖期限制等，为后续研究提供了改进方向。