神經內科患者醫院感染概率預測模型及評價

□ 謝曉梅 XIE Xiao-mei 楊潔 YANG Jie 張英 ZHANG Ying

神經內科住院患者具有年齡大、病程長、急危重癥多、基礎疾病多、侵入性操作多、臥床時間長等特點[1]，是醫院感染發生的高危人群，如果發生醫院感染，會導致病情進一步惡化，給患者帶來身心痛苦及額外經濟負擔[2]，因此，神經內科也成為院感部門重點監測的科室。在醫院感染日常監控的基礎上，構建醫院感染發生的概率預測模型，確定醫院感染高危人群，采取針對性的干預措施，有助于降低住院患者的醫院感染率，改善患者的預后[3]。本研究選取神經內科近三年收治的13529例住院患者進行回顧性調查，篩選醫院感染的高危因素，構建Logistic回歸概率預測模型。

資料與方法

1.研究資料。選取2017年1月—2020年7月在浙江省臺州醫院神經內科收治的13529例患者作為調查對象，其中男性7316例，女性6213例；年齡30~94歲，平均67.2±11.9歲；原發性疾病：腦梗死7409例、腦血管疾病1894例、腦內出血1748例、神經性障礙479例、顱內和椎管內膿腫及肉芽腫239例、其他疾病1760例等。

2.研究方法。檢索病案系統和醫院感染系統，回顧性收集13529例神經內科住院患者的病例資料，主要收集的資料包括年齡、性別、體質指數(BMI)、飲酒史、吸煙史、原發疾病(腦梗死、腦血管疾病、腦內出血、神經性障礙、顱內和椎管內膿腫及肉芽腫等)、合并基礎疾病、侵入性操作、意識障礙、機械通氣、聯合使用抗菌藥物、三代及以上頭孢、糖皮質激素、住院時間、感染部位(呼吸道、泌尿道、腹部和消化、血液、皮膚軟組織、其他)、醫院感染情況等。根據《醫院感染診斷標準》[4]，將13529例神經內科住院患者分為感染組(477例)、非感染組(13052例)。

3.統計學方法。應用SPSS21.0進行數據處理，單因素比較分析采用χ2檢驗，多因素篩選采用逐步Logistic回歸法并構建Logistic回歸概率預測模型，模型評價采用受試者工作曲線(ROC)；p＜0.05為分析有統計學意義。

結果

1.神經內科患者醫院感染率及感染分布分析。對13529例神經內科住院患者進行回顧性調查，發現有477例發生了醫院感染，其感染率為3.53%；477例感染病例中，呼吸道感染369例(77.36%)、泌尿道感染58例(12.16%)、腹部和消化感染11例(2.31%)、血液感染9例(1.89%)、皮膚軟組織感染6例(1.26%)、其他感染24例(5.02%)。

2.影響神經內科患者醫院感染的單因素分析。兩組間的年齡、BMI、原發疾病、合并基礎疾病、意識障礙、侵入性操作、機械通氣、聯合使用抗菌藥物、三代及以上頭孢、糖皮質激素、住院時間等因素分布差異有統計學意義(p＜0.05)，見表1。

表1 神經內科患者醫院感染的單因素分析[n(%)]

3.影響神經內科患者醫院感染的多因素分析。以神經內科住院患者是發生醫院感染為因變量(非感染組=0，感染組=1)，將單因素比較有意義的11個因素作為自變量，進行多因素逐步Logistic回歸，模型納入、提出標準分別為0.05、0.10。由表2可知，影響神經內科患者醫院感染的危險因素包括高齡、合并基礎疾病、侵入性操作、機械通氣、聯合使用抗菌藥物、三代及以上頭孢、住院時間等。

表2 神經內科患者醫院感染的多因素Logistic回歸分析

4.影響神經內科患者醫院感染的多因素模型構建及評價分析。根據多因素Logistic回歸模型篩選的危險因素來構建Logistic回歸概率預測模 型：應用ROC曲線來評價Logistic回歸概率預測模型的效果，根據Youden指數的最大值作為該模型的最佳臨界值，得到曲線下面積為0.892(95%CI：0.864～0.920)，由此可見，Logistic回歸概率預測模型預測準確率可高達89.2%，見圖1。

討論

圖1 Logistic回歸概率預測模型的ROC曲線圖

1.神經內科患者醫院感染特點及其危險因素分析。本研究顯示，通過大樣本回顧性調查發現，神經內科患者的醫院感染率高達3.53%，呼吸道感染占77.36%，這與李中美等人[5]報道的神經內科醫院感染率為3.46%、呼吸道感染占64%較為接近，由此可見，神經內科患者醫院感染應引起科室和院感防控部門的重視。多因素分析結果顯示：(1)高齡和基礎疾病：神經內科患者以60歲以上的老年人為主，老年人本身組織器官發生衰退、營養不良、機體免疫力下降等[6]。而基礎疾病較多的患者，容易發生機體代謝紊亂，如高血壓、高血脂、高尿酸等，從而進一步降低了患者的自身免疫力，由此可見，基礎疾病較多的老年患者成為了醫院感染的高危人群。(2)侵入性操作：如氣管插管、動靜脈置管、留置尿管、侵入性檢查等，這些侵入性操作會增加將外部病原菌帶入患者體內的風險，需要嚴格把握各種侵入性操作的適應證，減少不必要的侵入性操作，實施無菌操作，縮短侵入性操作時間及次數[7]。(3)機械通氣：神經內科急危重癥的老年患者較多，使用呼吸機進行機械通氣的患者比例較大，而機械通氣本身也一種侵入性操作，如果未嚴格實施無菌操作和氣道管理，機械通氣容易引起呼吸機相關性肺炎[8]，這也是引起神經內科患者發生呼吸道感染的重要原因。(4)聯合使用抗菌藥物和三代及以上頭孢：濫用廣譜抗生素、聯合使用抗生素，會誘導體內耐藥基因發生突變，而耐藥基因通過轉移耐藥基因中的元件形成耐藥基因復合體，從而產生多重耐藥性[9]；使用三代及以上頭孢會誘發病原菌的選擇性壓力，導致多重耐藥菌株的產生增多。(5)住院時間：由于神經內科多為危重癥患者，如腦卒中患者，一般住院時間較長，住院時間越長，患者病情較為危重，接觸侵入性操作越多，使用較多的抗生素，且交叉感染的幾率也增加[10]，因此，住院時間長的患者容易發生醫院感染。

2.神經內科患者醫院感染的危險因素概率預測模型及其評價。在醫院感染防控過程中，由于不同科室、不同治療和護理水平、不同院感防控側重點等，使科室醫院感染防控工作難度較大[11]。隨著臨床流行病學、生物統計學的發展，大數據分析的興起，臨床醫護人員嘗試借助一些概率預測模型來實現患者發病或醫院感染的預測[12]，這有助于推動院感防控工作朝向精細化管理推進。因此，本研究對我院神經內科13529例住院患者進行了大樣本回顧性調查，采用多因素逐步Logistic回歸法篩出了可能影響醫院感染的高危因素，包括高齡、合并基礎疾病、侵入性操作、機械通氣、聯合使用抗菌藥物、三代及以上頭孢、住院時間等。左麗麗等人[13]分別采用Logistic回歸模型和傾向評分模型來建模，但對比這兩個模型，Logistic回歸模型的預測效果更好些，故本研究也選擇了Logistic回歸法建模。根據以上高危因素建立起了Logistic回歸概率預測模型，并采用ROC曲線法對該模型進行了評價，模型預測準確率可高達89.2%，說明所建立的概率預測模型效果較好，能夠較好地預測神經內科患者醫院感染概率和風險。

3.本研究存在的局限性。(1)盡管本研究的樣本量較大，但所選擇的樣本為同一家醫院，存在選擇性偏倚；(2)本研究是一項回顧性調查研究，存在回憶偏倚和信息偏倚；(3)影響醫院感染的因素較多且混雜，容易存在混雜偏倚；(4)所構建的概率預測模型，還需進一步驗證模型預測的有效性。