今天再和大家分享一篇发表在呼吸领域牛刊CHEST上的一篇文章。这篇文章使用了LCA分析，给新冠肺炎进行了表型分组，还是很大的借鉴意义。
背景：自从COVID-19被发现以来，其临床和生物学异质性已被公认。识别COVID-19表型可能有助于指导基础、临床和转化研究工作。
研究设计和方法：我们纳入俄亥俄州和佛罗里达州克利夫兰诊所卫生系统的前瞻性COVID-19登记数据库中实验室证实为SARS-CoV-2阳性的成人患者（≥18岁）。患者被分为训练组和测试组。利用潜在类别分析（LCA），我们首先根据人口统计学、基础疾病和症状来确定COVID-19患者的表型群。然后，我们用入院时测量的其他血液生物标志物数据确定住院患者的亚表型。研究表型/亚表型与临床结果的关系。建立多变量预测模型来预测LCA定义的表型和亚表型的分配，然后在一个独立的测试集上进行评估。
结果：我们分析了20572例患者的资料。根据表现COVID-19症状和现有共病的不同情况，确定了7种表型，包括年轻无症状组、年轻症状组、中年无症状组、中年症状组、中年共病组、老年无症状组和老年有症状组。不同表型的住院率有显著性差异（p<0.001）。在住院患者亚组中确定了五种亚型，包括年轻、白细胞和血小板计数升高；中年、淋巴细胞减少伴CRP升高；中年、高发炎；老年、白细胞减少伴共病；老年、高发炎伴肾功能不全亚组。住院病死率和从住院到重症监护病房住院时间或到死亡的时间有显著性差异（p<0.001）。预测LCA定义的表型和亚表型的模型显示出很高的辨别力（Cindex，0.92和0.91）。
这个研究的主要创新点就是LCA分析。这个分析我们之前也发过相应的推文。所以随着电子病历的普及，数据的累积，可以使用LCA分析的机会也越来越多。那么LCA到底是什么？
潜在类别分析(latent class analysis, LCA)是通过潜在类别模型(latent class model, LCM), 用潜在的类别变量来解释外显的类别变量之间的关联, 使外显变量之间的关系通过潜在类别变量X 来估计, 进而维持其外显变量之间的局部独立性。
文章来源：DrZZJ，临床科研与meta分析
