住院患兒醫院感染發生率ARIMA時間序列模型

劉海鵬，金玉蓮，劉光輝，倪 虹，張秀平，崔 偉

(安徽省兒童醫院，安徽 合肥 230051)

·論著·

住院患兒醫院感染發生率ARIMA時間序列模型

劉海鵬，金玉蓮，劉光輝，倪 虹，張秀平，崔 偉

(安徽省兒童醫院，安徽 合肥 230051)

目的 初步探索和評價兒童患者醫院感染發生率的自回歸滑動平均混合模型(ARIMA)預測模型。方法 以某院2011年1月—2014年12月4年醫院感染發生率數據建立ARIMA模型，依據信息量準則，確定最優模型；以2015年醫院感染發生率數據作為驗證樣本，評價模型的可行性。結果 ARIMA(0,1,1)為醫院感染率最優預測模型，其最小信息量準則(AIC)、貝葉斯信息準則(BIC)值分別為66.61、70.76，模型殘差序列的Ljung-Box統計量Q=14.14，差異無統計學意義(P=0.658)，提示殘差為白噪聲序列，模型擬合良好。醫院感染率實際值與預測值的平均絕對百分誤差值(MAPE)為22.4，實際值均在預測值95%可信區間內，未見超出點。結論 ARIMA時間序列模型擬合醫院感染率效果良好，具有預測住院患兒醫院感染發生情況的實際價值。

兒童； 醫院感染； ARIMA模型； 預測

[Chin J Infect Control，2017，16(3)：243-246]

世界范圍內，醫院感染都是威脅患者安全的最常見不良事件。患者在接受住院醫療服務時發生感染，導致患者病情加重，住院時間延長，死亡風險相應增加，此種情況在發展中國家更明顯[1]。兒童由于各系統和器官發育尚未成熟，各種生理功能尚未完善，免疫機制尚不健全，對大多數致病病原體抵抗力弱，特別是呼吸道病原體，獲得醫院感染的機會更大[2]。了解兒童患者醫院感染發生發展規律，并在此基礎上采取可能的預防措施尤為重要。有學者采用時間序列等方法進行分析，預測成人綜合性醫院醫院感染現患率發生發展規律[3-4]；也有學者通過橫斷面調查方法描述兒童專科醫院的醫院感染發生情況[5-6]，但是尚未見住院患兒醫院感染情況的預測研究。本研究回顧分析一所省級兒童醫院近4年醫院感染月度現患率數據，應用自回歸滑動平均混合模型(autoregressive integrated moving average model，ARIMA)時間序列模型方法進行分析，試圖探索一種醫院感染發生率新預測模型，為住院患兒醫院感染預防關口前移提供新的思路和方法。

1 對象與方法

1.1 資料來源 收集2011年1月—2015年12月安徽省兒童醫院相關臨床科室上報并經感染管理科專職人員確認的住院患兒實際發生醫院感染例次數據，以及匯總形成的月度醫院感染發生率數據。

1.2 診斷標準 以衛生部2001年頒布的《醫院感染診斷標準(試行)》為醫院感染診斷依據。

1.3 ARIMA模型構建 ARIMA是Box-Jenkins方法中的重要時間序列分析預測模型[7]。該模型試圖應用相應的數學模型，將預測對象隨時間推移形成的數據序列描述出來，并在該基礎上選擇合適的模型進行預測。實際運用中，首先通過平穩性和純隨機性檢驗進行序列預處理，然后確定ARIMA(p、d、q)模型中的3個參數，其中p為自回歸的階，d為差分次數的階，q為滑動平均的階，最后通過殘差序列檢驗擬合模型是否有效，并可通過最小信息量準則(Akaike information criterion，AIC)和貝葉斯信準則(Bayesian information criterion，BIC)判斷多個模型中最優模型。

1.4 建模分析方法 應用SPSS16軟件ARIMA 模塊進行建模和分析，以2011—2014年月度醫院感染發生率數據作為訓練樣本，以2015年數據作為驗證樣本。

2 結果

2.1 醫院感染情況 2011—2015年分月統計醫院感染發生率，范圍為0.58%～2.6%，結果見圖1。

圖1 2011—2015年月度醫院感染發生率(%)

2.2 模型定階 應用ARIMA方法的前提條件是作為預測對象的時間序列是零均值的平穩隨機序列。對原序列作線圖，發現2011—2014年數據變異較大，因此首先對數據采取差分，以平穩序列的方差。對原序列進行一階差分經過差分后得到的相關圖及偏相關圖見圖2。同時依據信息量準則判斷模型的優劣，見表1。比較各模型信息量準則，最終確定ARIMA(0，1，1)為最優模型。

圖2 醫院感染差分后序列自相關圖與偏相關圖

Table 1 Comparison of goodness of fit among different ARIMA models

備選模型AICBICSELogLikelihoodARIMA(0，1，1)66．6170．760．15-31．3ARIMA(0，1，2)67．3373．560．15-30．7ARIMA(1，1，1)66．8673．090．17-30．4ARIMA(2，1，0)68．8275．050．13-31．4

2.3 模型診斷 對模型進行檢驗，對完整模型的殘差再次做ACF (autocorrelation factor)和PACF (partial autocorrelation factor) 分析。模型擬合統計量R2=0.77，殘差序列的Ljung-Box統計量Q=14.14，差異無統計學意義(P=0.658)，顯示殘差是白噪聲序列，模型擬合較好。2011—2014年醫院感染發生率實際值與擬合值的平均絕對百分誤差值(Mean Absolute Percent Error，MAPE)為22.4，對應的擬合圖見圖3，可見擬合值和實際值匹配較好，實際值均在擬合值95%可信區間內，未見超出點，模型效果比較理想。

圖3 醫院感染發生率實際值與ARIMA模型擬合值匹配圖

2.4 模型預測 2015年月度醫院感染發生率實際值與模型預測值比較，結果見表2。模型預測值的動態趨勢與實際情況基本一致，各月實測值均位于預測值95%可信區間范圍。

表2 2015年1—12月醫院感染發生率實際值與預測值比較

Table 2 Comparison of the incidence of HAI between actual value and predictive value in January-December, 2015

月份實際值預測值CL下限CL上限差率1月0．850．950．251．650．122月1．441．050．351．750．273月1．121．210．511．910．084月0．981．070．371．770．095月0．750．850．151．550．136月0．760．960．261．660．267月0．580．710．011．410．228月0．931．030．331．730．119月1．050．950．251．650．1010月0．700．710．011．410．0111月1．331．200．51．900．1012月0．990．890．191．590．10

差率=(|實際值-預測值|)/實際值

3 討論

醫院感染的發生會給患兒和家庭，以及醫院帶來額外的負擔。衛生部于2006年頒布《醫院感染管理辦法》，明確要求開展醫院感染監測，為醫院感染控制提供科學依據。近年來，針對醫院感染發病情況進行前瞻性預測也成為了一個重要的研究方向，核心目的是主動監測，發現和干預醫院感染危險因素，進一步降低患者醫院感染風險。時間序列線性模型、人工神經網絡模型、灰色模型等方法均已逐漸應用于醫院感染危險度的預測研究中，并取得了一定的成果[8-9]。

ARIMA時間序列模型[ARIMA(p, d, q)]是Box-Jenkins方法中的重要時間序列分析預測模型，也稱為自回歸滑動平均混合模型。通過分析時間序列的隨機性、平穩性，可以識別出最適宜模型，并可以利用時間序列的過去值、現在值，預測未來值。

本研究應用ARIMA時間序列模型分析醫院感染發生率，綜合考慮了序列的隨機性、平穩性、周期性等因素的影響，依據不同模型信息量準則的比較篩選，基于4年的數據優選出適宜的預測模型ARIMA(0，1，1)。使用當前模型對2015年數據進行預測，發現實際值與預測值重合較好，實際值均在預測值95%可信區間內，預測擬合效果較可靠。而且，對當前模型進行擬合優度檢驗，殘差序列的Ljung-Box統計量Q=14.14，殘差值達到白噪聲序列，也顯示預測擬合結果較好。

本研究的結果亦需要更多的醫院感染發生率實際數據進一步驗證。同時，為增強模型預測的穩定性和準確性，未來也需要更多的數據積累，進一步修正和優化，直至擬合出更加穩定的ARIMA預測模型。由于醫院感染的發生是諸多因素綜合影響的結果，我們也會嘗試將其他影響因素的作用融入建模過程，并結合多種預測方法進行綜合分析，以期為實現醫院感染控制“零級預防”目標提供可量化、更可靠的管理工具。

[1] Allegranzi B, Bagheri Nejad S, Combescure C, et al. Burden of endemic health-care-associated infection in developing countries: systematic review and meta-analysis[J]. Lancet, 2011, 377(9761): 228-241.

[2] 蔣最明,彭俊,顧敏,等.1 410例兒童呼吸道感染病原體分析[J].中國感染控制雜志, 2013, 12(2): 129-131.

[3] 李紅,梁沛楓,潘東峰,等.自回歸滑動平均混合模型在醫院感染發病率預測中的應用研究[J].中華醫院感染學雜志,2013,23(11):2693-2695.

[4] 管利華.ARIMA模型預測醫院感染發病狀況研究[J].實用預防醫學, 2013,20(10):1247-1249.

[5] 印愛珍,馬樂龍,鄧莉,等.兒童醫院醫院感染橫斷面調查[J].中國感染控制雜志, 2015, 14(11):769-771.

[6] 張艷麗,周新歌,孫琳,等.2014年某兒童醫院醫院感染現患率調查[J].中國感染控制雜志,2015,14(9):629-632.

[7] 孫振球.醫學統計學[M].3版.北京：人民衛生出版社，2005: 390-393.

[8] 陳立兵,劉運喜,杜明梅,等.BP神經網絡在預測血液病患者醫院感染中的應用[J].中華醫院感染學雜志, 2014,24(6):1542-1544.

[9] 李紅,潘東峰,郭忠琴,等.灰色GM(1, 1)模型在醫院感染發病率預測中的應用[J].寧夏醫學雜志, 2013, 35(3): 221-223.

(本文編輯：付陳超)

Construction of ARIMA time series model for healthcare-associated infection in hospitalized children

LIUHai-peng,JINYu-lian,LIUGuang-hui,NIHong,ZHANGXiu-ping,CUIWei

(AnhuiProvincialChildren’sHospital,Hefei230051,China)

Objective To investigate the applicability of autoregressive integrated moving average (ARIMA) model in predicting healthcare-associated infection(HAI) in children. Methods The ARIMA model was constructed according to the incidence of HAI in a hospital from January 2011 to December 2014. With the use of information criterion, optimal model was determined; HAI data in 2015 was as test samples, the feasibility of the model was evaluated. Results ARIMA (0,1,1) was the optimal prediction model for HAI rate, the Akaike Information Criterion(AIC)and Bayesian Information Criterion(BIC)of the ARIMA(0,1,1) were 66.61 and 70.76, respectively. The Ljung-Box statistics valueQ= 14.14 was not significantly different (P= 0.658), suggesting a white noise sequence of residuals with a good model fitting. The mean absolute percent error(MAPE) between actual and fitting value of HAI was 22.4, the actual values were within the 95% confidence interval. Conclusion ARIMA model fits the time series data, and can achieve satisfactory effect on predicting the incidence of HAI in hospitalized children.

child; healthcare-associated infection; ARIMA model; predict

2016-05-30

安徽省2016年軟科學研究專項(1607a0202055)；北京兒童醫院集團2015年度科研課題(北兒集團學字[2015]33號(01))

劉海鵬(1970-)，男(漢族)，安徽省合肥市人，主治醫師，副研究員，主要從事兒科與醫院感染管理研究。

金玉蓮 E-mail：etyykejiaoke@126.com

10.3969/j.issn.1671-9638.2017.03.014

R181.3+2

A

1671-9638(2017)03-0243-04