BACKGROUND Febrile neutropenia (FN) is an early indicator of infection in oncology patients post-chemotherapy. We aimed to determine clinical predictors of septic shock and/or bacteremia in pediatric cancer patients experiencing FN and to create a model that classifies patients as low-risk for these outcomes. METHODS This is a retrospective analysis with clinical data of a cohort of pediatric oncology patients admitted during July 2015 to September 2017 with FN. One FN episode per patient was randomly selected. Statistical analyses include distribution analysis, hypothesis testing, and multivariate logistic regression to determine clinical feature association with outcomes. RESULTS A total of 865 episodes of FN occurred in 429 subjects. In the 404 sampled episodes that were analyzed, 20.8% experienced outcomes of septic shock and/or bacteremia. Gram-negative bacteria count for 70% of bacteremias. Features with statistically significant influence in predicting these outcomes were hematological malignancy (P < .001), cancer relapse (P = .011), platelet count (P = .004), and age (P = .023). The multivariate logistic regression model achieves AUROC = 0.66 (95% CI 0.56-0.76). The optimal classification threshold achieves sensitivity = 0.96, specificity = 0.33, PPV = 0.40, and NPV = 0.95. CONCLUSIONS This model, based on simple clinical variables, can be used to identify patients at low-risk of septic shock and/or bacteremia. The model's NPV of 95% satisfies the priority to avoid discharging patients at high-risk for adverse infection outcomes. The model will require further validation on a prospective population.

中文翻译：

---

化疗后出现发热性中性粒细胞减少症的儿童感染性休克或菌血症的预测因子。

背景技术发热性中性粒细胞减少症 (FN) 是肿瘤患者化疗后感染的早期指标。我们的目的是确定患有 FN 的儿科癌症患者感染性休克和/或菌血症的临床预测因子，并创建一个模型，将患者归类为发生这些结果的低风险患者。方法 这是对 2015 年 7 月至 2017 年 9 月期间因 FN 入院的一组儿科肿瘤患者的临床数据的回顾性分析。每位患者随机选择一次 FN 发作。统计分析包括分布分析、假设检验和多变量逻辑回归以确定临床特征与结果的关联。结果 429 名受试者共发生 865 次 FN 发作。在分析的 404 次抽样事件中，20.8% 的人经历了感染性休克和/或菌血症的结局。革兰氏阴性菌占菌血症的 70%。对预测这些结果具有统计学显着影响的特征是血液恶性肿瘤 (P < .001)、癌症复发 (P = .011)、血小板计数 (P = .004) 和年龄 (P = .023)。多元逻辑回归模型达到 AUROC = 0.66 (95% CI 0.56-0.76)。最佳分类阈值达到灵敏度 = 0.96、特异性 = 0.33、PPV = 0.40 和 NPV = 0.95。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。对预测这些结果具有统计学显着影响的特征是血液恶性肿瘤 (P < .001)、癌症复发 (P = .011)、血小板计数 (P = .004) 和年龄 (P = .023)。多元逻辑回归模型达到 AUROC = 0.66 (95% CI 0.56-0.76)。最佳分类阈值达到灵敏度 = 0.96、特异性 = 0.33、PPV = 0.40 和 NPV = 0.95。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。对预测这些结果具有统计学显着影响的特征是血液恶性肿瘤 (P < .001)、癌症复发 (P = .011)、血小板计数 (P = .004) 和年龄 (P = .023)。多元逻辑回归模型达到 AUROC = 0.66 (95% CI 0.56-0.76)。最佳分类阈值达到灵敏度 = 0.96、特异性 = 0.33、PPV = 0.40 和 NPV = 0.95。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。011)、血小板计数 (P = .004) 和年龄 (P = .023)。多元逻辑回归模型达到 AUROC = 0.66 (95% CI 0.56-0.76)。最佳分类阈值达到灵敏度 = 0.96、特异性 = 0.33、PPV = 0.40 和 NPV = 0.95。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。011)、血小板计数 (P = .004) 和年龄 (P = .023)。多元逻辑回归模型达到 AUROC = 0.66 (95% CI 0.56-0.76)。最佳分类阈值达到灵敏度 = 0.96、特异性 = 0.33、PPV = 0.40 和 NPV = 0.95。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。结论 该模型基于简单的临床变量，可用于识别感染性休克和/或菌血症风险较低的患者。该模型的 NPV 为 95%，满足避免让处于不良感染结果高风险的患者出院的优先级。该模型将需要对预期人群进行进一步验证。