基于實驗室指標構建血流感染鑒別診斷的機器學習模型

[摘要]"目的"采用諾莫圖模型、隨機森林模型、決策樹模型分別構建血流感染（bloodstream"infection，BSI）的鑒別診斷模型。方法"回顧性分析2022年1月至2024年1月于浦江縣人民醫院診斷治療的BSI患者225例，按照7∶3的比例將患者分為訓練集和驗證集，運用諾莫圖模型、隨機森林模型、決策樹模型建立革蘭陰性菌BSI（Gram"negative"BSI，GN-BSI）、革蘭陽性菌BSI（Gram"positive"BSI，GP-BSI）的鑒別診斷模型，并分析不同模型的鑒別效能。結果"二元Logistic回歸分析顯示，中性粒細胞與淋巴細胞比值（neutrophil"to"lymphocyte"ratio，NLR）、C反應蛋白（C-reactive"protein，CRP）、白細胞介素-6（interleukin-6，IL-6）、紅細胞體積分布寬度與血小板比值（red"cell"volume"distribution"width"to"platelet"ratio，RPR）、降鈣素原（procalcitonin，PCT）均為GN-BSI和GP-BSI的鑒別診斷變量（Plt;0.05）。在訓練集中，諾莫圖模型、隨機森林模型、決策樹模型鑒別GN-BSI和GP-BSI的曲線下面積（area"under"the"curve，AUC）分別為0.900、0.911、0.884，其中隨機森林模型的預測AUC顯著高于決策樹模型（Z=3.521，P=0.038）。在驗證集中，諾莫圖模型、隨機森林模型、決策樹模型鑒別GN-BSI和GP-BSI的AUC分別為0.908、0.916、0.893，其中隨機森林模型的預測AUC顯著高于決策樹模型（Z=3.412，P=0.042）。結論"3種模型對GN-BSI和GP-BSI均有較好的鑒別價值，其中隨機森林模型和諾莫圖模型的鑒別性能較高。

[關鍵詞]"血流感染；諾莫圖模型；決策樹模型；隨機森林模型

[中圖分類號]"R446.5""""""[文獻標識碼]"A""""[DOI]"10.3969/j.issn.1673-9701.2024.31.013

Construct"a"machine"learning"model"for"differential"diagnosis"of"bloodstream"infection"based"on"laboratory"indicators

ZHANG"Mei1，"JIN"Miaoling1，"LI"Cui2

1.Department"of"Laboratory，"Pujiang"Branch"of"the"First"Affiliated"Hospital，"Zhejiang"University"School"of"Medicine"（Pujiang"County"People’s"Hospital），"Pujiang"322200，"Zhejiang，"China;"2.Department"of"General"Surgery，"Pujiang"Branch"of"the"First"Affiliated"Hospital，"Zhejiang"University"School"of"Medicine"（Pujiang"County"People’s"Hospital），"Pujiang"322200，"Zhejiang，"China

[Abstract]"Objective"To"construct"a"diagnosis"models"for"differential"diagnosis"of"bloodstream"infection"（BSI）"using"nomogram"model，"random"forest"model，"and"decision"tree"model，"respectively."Methods"A"retrospective"analysis"was"performed"on"225"BSI"patients"diagnosed"and"treated"innbsp;Pujiang"County"People’s"Hospital"from"January"2022"to"January"2024，"and"the"patients"were"divided"into"a"training"set"and"a"validation"set"according"to"a"ratio"of"7"："3."The"differential"diagnostic"models"for"Gram"negative"BSI"（GN-BSI）"and"Gram"positive"BSI"（GP-BSI）"were"established"by"nomogram"model，"random"forest"model，"and"decision"tree"model，"and"the"differential"diagnostic"efficacy"of"different"models"were"analyzed."Results"Binary"Logistic"regression"analysis"showed"that"neutrophil"to"lymphocyte"ratio"（NLR），"C-reactive"protein"（CRP），"interleukin-6"（IL-6），"red"cell"volume"distribution"width"to"platelet"ratio"（RPR），"procalcitonin"（PCT）"were"diagnostic"variable"between"GN-BSI"and"GP-BSI"（Plt;0.05）."In"training"set，"area"under"the"curve"（AUC）"of"nomogram"model，"random"forest"model"and"decision"tree"model"to"identify"GN-BSI"and"GP-BSI"were"0.900，"0.911"and"0.884，"respectively，"and"AUC"of"random"forest"model"was"significantly"higher"than"that"of"decision"tree"model"（Z=3.521，"P=0.038）."In"verification"set，"AUC"of"nomogram"model，"random"forest"model"and"decision"tree"model"for"identifying"GN-BSI"and"GP-BSI"were"0.908，"0.916"and"0.893，"respectively，"and"AUC"of"random"forest"model"was"significantly"higher"than"that"of"decision"tree"model"（Z=3.412，"P=0.042）."Conclusion"The"three"models"have"good"identification"value"for"GN-BSI"and"GP-BSI，"among"which"the"random"forest"model"and"nomogram"model"have"better"identification"performance.

[Key"words]"Bloodstream"infection;"Nomogram"model;"Decision"tree"model;"Random"forest"model

血培養是診斷血流感染（bloodstream"infection，BSI）和鑒別病原菌的金標準，但其培養周期長[1]。在診斷BSI后，臨床常采用廣譜抗生素進行經驗性抗菌治療，導致耐藥菌和藥物不良反應的風險增加。不同病原菌對抗生素的敏感性不同，因此及早明確BSI患者的病原菌對臨床合理使用抗生素有重要意義。目前關于革蘭陰性菌BSI（Gram"negative"BSI，GN-BSI）、革蘭陽性菌BSI（Gram"positive"BSI，GP-BSI）的鑒別報道較多，Wang等[2]報道降鈣素原（procalcitonin，PCT）鑒別GN-BSI的曲線下面積（area"under"the"curve，AUC）為0.818；Gao等[3]報道PCT結合血小板參數對鑒別GN-BSI和GP-BSI有一定價值。本研究基于實驗室常規檢測指標，通過3種模型構建GN-BSI和GP-BSI的鑒別診斷模型，并對模型效能進行驗證和比較，現將結果報道如下。

1""資料與方法

1.1""研究對象

回顧性分析2022年1月至2024年1月于浦江縣人民醫院診治的BSI患者225例，其中男124例，女101例，平均年齡（56.79±12.37）歲。納入標準：①BSI的診斷標準符合《醫院感染診斷標準（試行）》[4]；②體溫gt;38℃或lt;36℃，伴寒戰或低血壓；③一次或多次從血培養中分離出病原菌；④年齡gt;18歲。排除標準：①真菌性BSI；②伴惡性血液系統疾病；③多種細菌感染；④脾功能亢進；⑤臨床資料不完整。根據血培養中病原菌革蘭染色結果將其分為GN-BSI組和GP-BSI組。本研究經浦江縣人民醫院倫理委員會批準，所有患者均簽署知情同意書。

1.2"nbsp;方法

通過電子病歷系統收集所有研究對象的年齡、

性別、病原菌種類、中性粒細胞（neutrophil，N）、淋巴細胞（lymphocyte，L）、紅細胞體積分布寬度（red"cell"volume"distribution"width，RDW）、血小板（platelet，PLT）、C反應蛋白（C-reactive"protein，CRP）、PCT、白細胞介素-6（interleukin-6，IL-6），并計算N與L比值（neutrophil"to"lymphocyte"ratio，NLR）、RDW與PLT比值（RDW"to"ratio，RPR）。"""""按照7∶3的比例將所有研究對象分為訓練集和驗證集；訓練集用于構建鑒別模型，驗證集用于模型性能驗證。

1.3""統計學方法

采用SPSS"22.0軟件對數據進行統計分析。計數資料以例數（百分率）[n（%）]表示，組間比較采用χ2檢驗；正態分布的計量資料以均數±標準差（）表示，組間比較采用獨立樣本t檢驗，非正態分布的計量資料以中位數（四分位數間距）"""[M（Q1，Q3）]表示，組間比較采用Mann-Whitney"U檢驗。采用二元Logistic回歸逐步篩選影響因素，將Plt;0.05的變量納入模型分析，先后通過諾莫圖模型、隨機森林模型、決策樹模型構建BSI鑒別模型，通過受試者操作特征曲線（receiver"operating"characteristic"curve，ROC曲線）在訓練集和驗證集對模型的鑒別效能進行分析，Plt;0.05為差異有統計學意義。

2""結果

2.1""訓練集兩組患者的臨床資料比較

訓練集包含GN-BSI患者92例，GP-BSI患者65例。GN-BSI組患者的NLR、RDW、RPR、CRP、PCT、IL-6均顯著高于GP-BSI組（Plt;0.05），見表1。

2.2""二元Logistic回歸分析

二元Logistic回歸分析中，變量方差膨脹因子均lt;10，說明變量間不存在嚴重共線性。結果顯示NLR、CRP、IL-6、RPR、PCT均為GN-BSI和GP-BSI的鑒別因素（Plt;0.05），見表2。

2.3""諾莫圖模型

將二元Logstic回歸分析中有統計學意義的指標納入諾莫圖模型中，將危險因素分值相加后的總分對應風險讀數即為GN-BSI的概率，見圖1。

2.4""隨機森林模型

采用重復5次十折交叉驗證對自變量進行取舍，當變量為6時口袋外數據最小，因此本研究選取前6項變量對模型進行優化，重要性評分居前6位的依次為PCT、NLR、IL-6、CRP、RPR、RDW。

2.5""決策樹模型

以基尼系數為基礎進行樹的生長，以最小代價復雜度減枝法對決策樹進行減枝，結果顯示決策樹分為3層，見圖2。與GN-BSI相關的影響因素依次為PCT、IL-6、CRP、NLR、RPR、RDW。

2.6""訓練集3種模型的鑒別價值比較

訓練集中，諾莫圖模型、隨機森林模型、決策樹模型鑒別GN-BSI和GP-BSI的AUC分別為0.900、0.911、0.884，見圖3。隨機森林模型的預測AUC顯著高于決策樹模型（Z=3.521，P=0.038）。

2.7""驗證集3種模型的鑒別價值比較

驗證集包含GN-BSI患者40例，GP-BSI患者28例。諾莫圖模型、隨機森林模型、決策樹模型鑒別GN-BSI和GP-BSI的AUC分別為0.908、0.916、0.893，見圖4。隨機森林模型的預測AUC顯著高于決策樹模型（Z=3.412，P=0.042）。

3""討論

根據《拯救膿毒癥運動：膿毒癥與感染性休克治療國際指南2021版》[5]要求，對疑似BSI患者，在留取血培養標本后，應盡早開始抗菌治療，并根據當地病原菌藥敏情況決定經驗性治療是否需要覆蓋革蘭陽性菌和革蘭陰性菌，待血培養和藥敏結果報告后，再進行調整。因此，盡早判斷GP-BSI、GN-BSI對臨床治療、抗生素選擇、預后把控有一定價值。諾莫圖模型、隨機森林模型、決策樹模型是機器學習算法中重要的分類器，已被廣泛應用于鑒別和預測模型中。由于3種模型運算方法不同，其鑒別效能有所差異。本研究通過3種運算方式構建鑒別模型，以期為臨床快速判斷GP-BSI和GN-BSI，進而為指導臨床用藥提供依據。

PCT既是診斷BSI的可靠指標，同時也對鑒別GP-BSI、GN-BSI有一定價值。Luo等[6]研究顯示GN-BSI患者的PCT高于GP-BSI患者，其鑒別AUC為0.752。本研究發現PCT在諾莫圖模型、隨機森林模型、決策樹模型中均為GP-BSI、GN-BSI的鑒別診斷變量。PCT鑒別診斷GP-BSI、GN-BSI的確切機制暫未明確，有研究認為與革蘭陽性菌和革蘭陰性菌激活炎癥反應的信號通路不同有關[7]。CRP是一種由肝臟合成的急性時相反應蛋白，可反映機體炎癥水平的高低。Sfetsiori等[8]發現惡性血液病患兒中，GN-BSI患兒的CRP高于GP-BSI，是GN-BSI的獨立影響因素。本研究發現CRP在3種分析模型中均為鑒別診斷變量，但在不同模型中的重要性稍有不同，可能與模型的運算方式有關。Yang等[9]研究報道GN-BSI患者的IL-6明顯高于GP-BSI，其鑒別AUC為0.735，且對碳青霉烯腸桿菌同樣有一定的鑒別能力。本研究發現IL-6為3種模型共有鑒別變量，在二元Logistic回歸中OR值為1.009，在決策樹處于第2層，在隨機森林模型中處于第3重要因子。NLR結合與細胞免疫有關的中性粒細胞及與體液免疫相關的淋巴細胞，可穩定反映機體炎癥狀態。錢樹坤等[10]研究顯示GN-BSI患者的NLR高于GP-BSI，是鑒別診斷GN-BSI、GP-BSI的潛在指標。Li等[11]則比較9種炎癥標志物對GN-BSI、GP-BSI的鑒別價值，發現NLR鑒別AUC為0.728，在9種炎癥標志物中鑒別能力最高。本研究發現NLR為3種模型共有鑒別變量，在二元Logistic回歸中OR值為1.130，在決策樹模型中處于第2層，在隨機森林模型中處于第2重要變量。既往研究發現RDW不僅反映紅細胞體積的異質性，還可提示感染的類別和嚴重程度[12]。余高平等[13]發現GN-BSI患者的PLT低于GP-BSI患者，是GN-BSI潛在鑒別變量。RPR作為新型炎癥標志物已被證明與自身免疫性疾病、惡性腫瘤臨床分期及不良預后有一定關聯[14]；暫未見其對區分GN-BSI、GP-BSI的報道。本研究發現GN-BSI患者的RDW、RPR高于GP-BSI，RPR在3種模型中均為共同鑒別變量。

諾莫圖模型具有直觀性和可操作性，被廣泛應用于模型分析中，但在模型構建過程中對數據要求較高（如數量、是否共線性），易因數據因素影響模型效能[15]。隨機森林模型對數據要求低，且可自動分析因子間的交互作用和非線性作用，可通過有目的的放飛對數據的利用，提高模型的鑒別效能[16]。決策樹模型可通過樹形圖節點直觀了解變量的分析過程，且對數據缺失、數據類型要求較低，但模型呈現和應用過程較為復雜，易出現泛化和擬合能力偏弱的現象。本研究分析3種模型在訓練集和驗證集的表現，發現3種模型對GN-BSI、GP-BSI均有較高的鑒別效能，其中隨機森林模型鑒別效能最佳，其次為諾莫圖模型，這一結果與既往報道的機器學習模型一致[17]。

綜上所述，本研究通過諾莫圖模型、隨機森林模型、決策樹模型構建GN-BSI、GP-BSI的鑒別模型。模型的構建可規避單一指標鑒別效能低下的局限，有助于及早識別GN-BSI和GP-BSI，提高臨床經驗性抗生素治療的科學性，減少耐藥菌株的產生。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

• 梁欣荃，"唐亦舒，"朱平，"等."不同類型急性白血病患者血流感染流行病學及預后分析——一項長達九年多中心947例患者回顧性研究[J]."臨床血液學雜志，"2023，"36（1）："27–32."
• WANG"Z"H，"WEI"X"B，"LIAO"X"L，"et"al."Pcv-aCO2"and"procalcitonin"levels"for"the"early"diagnosis"of"bloodstream"infections"caused"by"Gram-negative"bacteria[J]."Am"J"Med"Sci，"2022，"364（6）："752–757."
• GAO"Q，"LI"Z，"MO"X，"et"al."Combined"procalcitonin"and"hemogram"parameters"contribute"to"early"differential"diagnosis"of"Gram-negative/Gram-positive"bloodstream"infections[J]."J"Clin"Lab"Anal，"2021，"35（9）："e23927."
• 中華人民共和國衛生部."醫院感染診斷標準（試行）[J]."中華醫學雜志，"2001，"81（5）："314–320."
• 紀文燾，"孟巖，"薄祿龍，"等."《拯救膿毒癥運動：膿毒癥與感染性休克治療國際指南2021版》的解讀[J]."中華麻醉學雜志，"2021，"41（12）："1409–1413."
• LUO"X，"CHEN"S，"ZHANG"J，"et"al."Procalcitonin"as"a"marker"of"Gram-negative"bloodstream"infections"in"hematological"patients"with"febrile"neutropenia[]."Leuk"Lymphoma，"2019，"60（10）："2441–2448."
• MURRI"R，"MASTROROSA"I，"TACCARI"F，"et"al."Procalcitonin"is"useful"in"driving"the"choice"of"early"antibiotic"treatment"in"patients"with"bloodstream"infections[J]."Eur"Rev"Med"Pharmacol"Sci，"2018，"22（10）："3130–3137."
• SFETSIORI"A"E，"DOGANIS"D，"DOUDOULAKAKIS"A，"et"al."Predictive"factors"for"Gram-negative"versus"Gram-positive"bloodstream"infections"in"children"with"cancer[J]."J"Pediatr"Hematol"Oncol，"2022，"44（2）："e368–e373."
• YANG"X"G，"ZENG"J，"YU"X，"et"al."PCT，"IL-6，"and"IL-10"facilitate"early"diagnosis"and"pathogen"classifications"in"bloodstream"infection[J]."Ann"Clin"Microbiol"Antimicrob，"2023，"22（1）："103."
• 錢樹坤，"劉建華，"李銳."血清PCT、CRP、NLR對血流感染患者細菌類型的評估價值及其對預后的影響[J]."標記免疫分析與臨床，"2022，"29（1）："11–14，"18."
• LI"X，"YUAN"X，"WANG"C."The"clinical"value"of"IL-3，"IL-4，"IL-12p70，"IL-17A，"IFN-γ，"MIP-1β，"NLR，"P-selectin，"and"TNF-α"in"differentiating"bloodstream"infections"caused"by"Gram-negative，"Gram-positive"bacteria"and"fungi"in"hospitalized"patients："An"observational"study[J]."Medicine"（Baltimore），"2019，"98（38）："e17315."
• 王萍，"王華彬，"涂瓊."PCT、RDW及內毒素聯合檢測在兒童血流感染中的應用價值研究[J]."中國醫學創新，"2021，"18（18）："172–175."
• 余高平，"胡春財."聯合檢測降鈣素原和血小板相關參數對革蘭陰性菌血流感染的早期診斷價值[J]."標記免疫分析與臨床，"2023，"30（4）："641–646."
• 韓曉艷，"殷衛兵，"魏新平."術前紅細胞分布寬度與血小板計數比值與腎細胞癌預后的關系[J]."實驗與檢驗醫學，"2023，"41（4）："453–457."
• 龔軍."基于機器學習算法的原發性高血壓并發冠心病診斷模型研究[D]."重慶："重慶醫科大學，"2020."
• ZHAO"B，"GABRIEL"R"A，"VAIDA"F，"et"al."Using"machine"learning"to"construct"nomograms"for"patients"with"metastatic"colon"cancer[J]."Colorectal"Dis，"2020，"22（8）："914–922.
• PELLEGRINO"E，"JACQUES"C，"BEAUFILS"N，"et"al."Machine"learning"random"forest"for"predicting"oncosomatic"variant"NGS"analysis[J]."Sci"Rep，"2021，"11（1）："21820."

（收稿日期：2024–05–31）

（修回日期：2024–10–13）