BACKGROUND Chest radiographs (CXRs) are frequently used in the diagnosis of community-acquired pneumonia (CAP). We sought to construct a predictive model for radiographic CAP based on clinical features to decrease CXR use. METHODS We performed a single-center prospective study of patients 3 months to 18 years of age with signs of lower respiratory infection who received a CXR for suspicion of CAP. We used penalized multivariable logistic regression to develop a full model and bootstrapped backward selection models to develop a parsimonious reduced model. We evaluated model performance at different thresholds of predicted risk. RESULTS Radiographic CAP was identified in 253 (22.2%) of 1142 patients. In multivariable analysis, increasing age, prolonged fever duration, tachypnea, and focal decreased breath sounds were positively associated with CAP. Rhinorrhea and wheezing were negatively associated with CAP. The bootstrapped reduced model retained 3 variables: age, fever duration, and decreased breath sounds. The area under the receiver operating characteristic for the reduced model was 0.80 (95% confidence interval: 0.77-0.84). Of 229 children with a predicted risk of <4%, 13 (5.7%) had radiographic CAP (sensitivity of 94.9% at a 4% risk threshold). Conversely, of 229 children with a predicted risk of >39%, 140 (61.1%) had CAP (specificity of 90% at a 39% risk threshold). CONCLUSIONS A predictive model including age, fever duration, and decreased breath sounds has excellent discrimination for radiographic CAP. After external validation, this model may facilitate decisions around CXR or antibiotic use in CAP.

中文翻译：

---

小儿放射肺炎的预测模型。

背景技术胸片 (CXR) 经常用于社区获得性肺炎 (CAP) 的诊断。我们试图根据临床特征构建放射学 CAP 的预测模型，以减少 CXR 的使用。方法 我们对年龄在 3 个月至 18 岁之间、有下呼吸道感染迹象、因怀疑 CAP 而接受 CXR 检查的患者进行了一项单中心前瞻性研究。我们使用惩罚性多变量逻辑回归来开发一个完整的模型，并使用引导向后选择模型来开发一个简约的简化模型。我们评估了不同预测风险阈值下的模型性能。结果 1142 名患者中有 253 名 (22.2%) 确诊为放射学 CAP。在多变量分析中，年龄增加、发热持续时间延长、呼吸急促和局灶性呼吸音减弱与 CAP 呈正相关。鼻漏和喘息与 CAP 呈负相关。自举简化模型保留了 3 个变量：年龄、发烧持续时间和呼吸音减弱。简化模型的接受者操作特征下的面积为 0.80（95% 置信区间：0.77-0.84）。在预测风险 <4% 的 229 名儿童中，13 名 (5.7%) 患有影像学 CAP（4% 风险阈值的敏感性为 94.9%）。相反，在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。自举简化模型保留了 3 个变量：年龄、发烧持续时间和呼吸音减弱。简化模型的接受者操作特征下的面积为 0.80（95% 置信区间：0.77-0.84）。在预测风险 <4% 的 229 名儿童中，13 名 (5.7%) 患有影像学 CAP（4% 风险阈值的敏感性为 94.9%）。相反，在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。自举简化模型保留了 3 个变量：年龄、发烧持续时间和呼吸音减弱。简化模型的接受者操作特征下的面积为 0.80（95% 置信区间：0.77-0.84）。在预测风险 <4% 的 229 名儿童中，13 名 (5.7%) 患有影像学 CAP（4% 风险阈值的敏感性为 94.9%）。相反，在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。简化模型的接受者操作特征下的面积为 0.80（95% 置信区间：0.77-0.84）。在预测风险 <4% 的 229 名儿童中，13 名 (5.7%) 患有影像学 CAP（4% 风险阈值的敏感性为 94.9%）。相反，在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。简化模型的接受者操作特征下的面积为 0.80（95% 置信区间：0.77-0.84）。在预测风险 <4% 的 229 名儿童中，13 名 (5.7%) 患有影像学 CAP（4% 风险阈值的敏感性为 94.9%）。相反，在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。在预测风险 >39% 的 229 名儿童中，140 名 (61.1%) 患有 CAP（在 39% 的风险阈值下特异性为 90%）。结论 包括年龄、发热持续时间和呼吸音减弱的预测模型对影像学 CAP 具有很好的鉴别力。经过外部验证后，该模型可能有助于围绕 CXR 或 CAP 中抗生素使用的决策。