基于自报告症状的复合症状严重程度评分（S3）预测SARS-CoV-2感染及病毒载量的研究

　　本研究针对如何利用患者自我报告的症状信息早期预测SARS-CoV-2感染及病毒载量（VL）这一临床难题，研究人员通过一项前瞻性家庭传播队列研究，开发了一种复合症状严重程度评分（S3）。结果显示，S3及其分类版本（S3C）与症状数量（NoS）高度相关，且严重症状者感染 odds ratio（OR）达6.5，病毒载量也显著升高。该研究为临床风险分层和资源有限条件下的患者分流提供了重要依据。

　　

在全球COVID-19大流行的背景下，早期识别SARS-CoV-2感染者和预测疾病严重程度成为临床和公共卫生的关键挑战。病毒载量（Viral Load, VL）是衡量感染程度和传染性的重要指标，但定量检测需要专门的实验室设备和时间，在资源有限或大规模筛查场景中难以快速实施。相比之下，患者自我报告的症状信息易于获取、成本低、可快速完成，如果能够建立症状与感染状态及病毒水平之间的可靠关联，将极大提升临床决策和疫情控制的效率。

尽管已有研究提示症状与感染存在一定联系，但缺乏系统性的量化工具和基于前瞻性设计的数据验证。特别是在家庭聚集性传播场景中，密切接触者的动态症状变化与病毒复制水平的关联尚未被充分阐明。为此，研究团队在《BMC Infectious Diseases》上发表了一项创新性研究，旨在开发并验证一种基于患者自报告症状的复合症状严重程度评分（Symptom Severity Score, S3），并评估其预测SARS-CoV-2感染和病毒载量的能力。

该研究采用前瞻性家庭传播队列设计，样本来源于德国法兰克福大学医院招募的家庭单位，包括SARS-CoV-2核酸检测（RT-PCR）阳性的指示病例（IP）及其家庭密切接触者（HHC）。研究团队设计了一套计算机辅助自访谈问卷（CASI），涵盖12种常见COVID-19症状，每项症状按严重程度或频率进行分级并赋值。主要技术方法包括：基于问卷的S3评分系统构建、RT-PCR定性及定量检测（以E基因为主要靶标）、广义估计方程（GEE）建模以处理重复测量数据、内部一致性信度分析（Cronbach's α）以及多种相关性分析（Pearson与Spearman相关系数）。

S3 construct assessment

研究人员首先评估了S3量表的信度和结构效度。通过计算Cronbach's α（值为0.70），表明12个症状项目具有中等程度的内部一致性。因子分析验证了这些症状负荷于同一维度，支持S3作为单一构念的有效性。

Correlation between symptoms severity score and number of symptoms

分析显示，S3与症状总数（NoS）高度相关：连续变量间Pearson相关系数达0.963（p<0.0001），分类变量（S3C与NoSC）的Spearman相关系数为0.988（p<0.0001）。这表明在缺乏详细症状强度记录时，简单计算症状数量可作为S3的有效替代。

Association between S3/S3C and nos/nosc with viral positivity

交叉表分析显示，症状严重程度与感染阳性率呈明显梯度关系：无症状者阳性率为12.5%，轻度至中度症状者为28.6%，重度症状者达48.3%。类似地，症状数量分类（NoSC）也呈现一致趋势：无症状者12.5%，1-2个症状者27.5%，3个以上症状者55.7%。

Modelling

采用GEE模型进一步量化症状与感染状态和病毒载量的关系。针对感染状态（阳性/阴性）的模型显示，与无症状者相比，重度症状者感染 odds ratio（OR）为6.5（95% CI: 3.5–12.4, p<0.0001），轻度至中度症状者的OR为2.8（p=0.003）。在病毒载量分析中，S3和NoS（包括对数转换版本）均与log₁₀ VL呈显著正相关（相关系数0.26–0.30, p<0.05），表明症状越重，病毒载量越高。

Discussion

本研究首次在家庭传播队列中系统验证了自报告症状评分S3和症状数量NoS对SARS-CoV-2感染及病毒载量的预测价值。结果表明，这两种指标均与感染概率和病毒水平显著相关，且操作简便、易于推广，尤其适用于资源有限或快速筛查场景。此外，研究发现即使未记录症状严重程度，仅统计症状数量也可作为有效代理指标，这扩大了该工具在回顾性数据或电子健康记录中的应用潜力。

然而，研究也存在若干局限。样本量较小（仅9名HHC，89次阳性访问），且所有数据来自单一德国队列，可能限制结果外推。病毒载量检测基于标准曲线推算而非国际标准品，可能影响精确度。此外，症状数据为自报告，可能存在回忆偏倚，且未考虑疫苗接种、既往感染、合并症等混杂因素。症状与病毒载量的关系可能随时间动态变化，尽管周别交互作用检验不显著，但更密集的时程数据或有助揭示更细致的变化模式。

尽管存在这些限制，该研究通过严谨的前瞻性设计和稳健的统计模型，为利用症状信息辅助感染预测和患者分层提供了有力证据。未来研究可在更大规模、多中心队列中验证S3量表的有效性，并探索将症状按类型（如呼吸道、全身性）分簇是否可进一步提高预测精度。

Conclusions

本研究证实，患者自报告的症状严重程度和症状数量是预测SARS-CoV-2感染和病毒载量的可靠指标，与实验室检测互补，有助于临床风险分层、治疗优先级的确定以及感染控制策略的优化。随着病毒变异株的不断出现，后续研究需验证该工具在新毒株背景下的适用性，并推动其在真实临床场景中的应用。