腦卒中患者醫院感染危險因素分析及列線圖預測模型構建

［摘要］ 目的： 探討腦卒中患者發生醫院感染的危險因素，并構建醫院感染風險預測模型。方法： 選擇2020年1月至2023年12月在南通大學附屬醫院神經內科和神經外科住院期間發生醫院感染的300例腦卒中患者（感染組），另選擇同期未發生醫院感染的腦卒中患者300例（對照組），分析醫院感染及病原菌分布情況，比較兩組臨床特征，采用多因素Logistic回歸分析腦卒中患者醫院感染的危險因素，納入R語言建立預測風險的列線圖模型，并評估該模型的預測效果。結果： 腦卒中患者醫院感染部位以呼吸系統為主（62.67%，188/300），醫院感染病原菌以革蘭陰性菌為主（59.90%，121/202），其中多重耐藥菌感染占34.16%（69/202）；與對照組相比，感染組腦出血、糖尿病、高血壓、冠心病、意識障礙、呼吸機輔助呼吸、深靜脈置管、導尿管留置、預防性使用抗菌藥物、體質量指數（body "mass index，BMI）≥24 kg/m2、住院時間≥14 d占比明顯增高（ P ＜0.05）；多因素Logistic回歸分析結果顯示，卒中類型、高血壓、糖尿病、BMI≥24 kg/m 2、意識障礙、呼吸機輔助呼吸、導尿管留置、預防性使用抗菌藥物、住院時間≥14 d是腦卒中患者發生醫院感染的獨立危險因素（ P ＜0.05）。基于回歸結果構建列線圖預測模型，ROC曲線下面積為0.983（95% CI ：0.975～0.991），靈敏度為0.940，特異度為0.937，Hosmer-Lemeshow檢驗（ χ ² =5.454， P = 0.708）提示模型具有較好的擬合度和預測效能。結論： 腦卒中患者發生醫院感染的危險因素包括腦卒中類型、高血壓和糖尿病等，基于此構建的列線圖預測模型可較準確預測腦卒中患者發生醫院感染的風險。

［關鍵詞］ 腦卒中；醫院感染；病原菌；危險因素；預測模型；列線圖

［中圖分類號］ R743.3" ［文獻標志碼］ A" ［文章編號］ 1671-7783（2025）01-0056-06

DOI： 10.13312/j.issn.1671-7783.y240140

［引用格式］顧李琴， 陳肖漪， 章艷菊， 等. 腦卒中患者醫院感染危險因素分析及列線圖預測模型構建［J］. 江蘇大學學報（醫學版）， 2025， 35（1）： 56-61.

［基金項目］南通市科技計劃基金項目（MSZ20157，MSZ2022134）；南通市衛生和計劃生育委員會科研項目（QA2020066，QN2022013）

［作者簡介］顧李琴（1977—），女，主管護師，主要從事醫院感染管理工作；陳曉君（通訊作者），助理研究員，E-mail： xiechenmm@126.com

Risk factors analysis and nomogram prediction model construction of nosocomial infection in stroke patients

GU Liqin¹ ， CHEN Xiaoyi² ， ZHANG Yanju¹ ， CHEN Xiaojun¹

（1. Department of Infection Management， 2. Department of Gastroenterology， Affiliated Hospital of Nantong University， Nantong Jiangsu 226001， China）

［Abstract］ Objective： To investigate the risk factors of hospital infection in stroke patients and construct a risk prediction model of nosocomial infection. Methods： A total of 300 stroke patients with nosocomial infection during hospitalization in the Department of Neurology and Neurosurgery of Affiliated Hospital of Nantong University from January 2020 to December 2023 were also selected （infection group）， and another 300 stroke patients without nosocomial infection during the same period were selected （control group）. The distribution of nosocomial infection and pathogenic bacteria were analyzed， and clinical characteristics of the two groups were compared. Multivariate Logistic regression was used to analyze the risk factors of nosocomial infection in stroke patients， and a nomogram model for predicting risk was established by incorporating R language， and the predictive effect of the model was evaluated. Results： The predominant nosocomial infection site of stroke patients was the respiratory system （62.67%， 188/300）， the predominant pathogenic bacteria of nosocomial infection were Gram-negative bacteria （59.90%， 121/202）， and the multidrug-resistant bacteria infection accouned for 34.16% （69/202）. Compared with the control group， the infection group had higher proportion of cerebral hemorrhage， diabetes， hypertension， coronary heart disease， disturbance of consciousness， central venous catheters， ventilators， urinary catheters， and preventive use of antibiotics， body mass index（BMI）≥24 kg/m2 and hospitalization time≥ 14 d （ P lt;0.05）. Multivariate Logistic regression analysis showed that stroke type， hypertension， diabetes， BMI≥24 kg/m2， disturbance of consciousness， use of ventilator， indwelling urinary catheter， preventive use of antibiotics， and hospitalization time≥14 d were independent risk factors for nosocomial infection in stroke patients （ P lt;0.05）. A nomogram prediction model was constructed based on the regression results， and the area under ROC curve was 0.983 （95% CI ： 0.975-0.991）. The sensitivity and specificity was 0.940 and 0.937， respetictively. The Hosmer-Lemeshow test （ χ ² =5.454 ， "P =0.708 ） indicated that the model had a good fit and predictive performance. Conclusion： The risk factors of nosocomial infection in stroke patients include stroke type， hypertension and diabetes， etc. The prediction model based on the risk factors could accurately predict the risk of nosocomial infection in stroke patients.

［Key words］ stroke; nosocomial infection; pathogenic bacteria; risk factors; prediction model; nomogram

腦卒中是常見的心腦血管疾病，分為出血性和缺血性腦卒中兩種類型，在中老年人群中高發，致殘率和病死率較高^［1］ ；我國因卒中所致的死亡人數約占全球總人口1/5^［2-3］ 。但是，多數腦卒中患者并非死于疾病本身，而是死于肺部感染、血液系統感染等并發癥^［4-5］ 。老年腦卒中患者基礎疾病多，自身抵抗力較差，加之侵入性操作等治療，是發生醫院感染的高危人群^［6］ 。研究發現，腦卒中患者醫院感染率達14%～30%^［7］ 。因此，早預測、早干預腦卒中患者感染高危因素顯得尤為重要^［8］ 。列線圖預測模型可利用臨床收集的信息，直觀地顯示某種疾病或某種結局發生的概率，提供精準預測^［9］ 。研究表明，構建風險預測列線圖模型可個性化預測恢復期腦卒中患者發生認知障礙的概率，有助于改善患者預后^［10］ 。因此，本研究擬通過分析腦卒中患者發生醫院感染的危險因素，構建列線圖預測模型，為臨床早期識別、提前干預提供參考。

1 資料與方法

1.1 病例

選擇2020年1月至2023年12月在南通大學附屬醫院神經內科和神經外科住院期間發生醫院感染的300例腦卒中患者（感染組），其中，男187例，女113例，平均年齡（65.0±14.4）歲。另隨機選擇同期未發生醫院感染的腦卒中患者300例（對照組），其中，男173例，女127例，平均年齡（63.7±12.7）歲。兩組性別和年齡比較，差異無統計學意義（ P ＞0.05），具有可比性。

1.2 方法

1.2.1 資料收集 利用杏林院感實時監控系統及醫院信息管理系統回顧性收集患者資料，包括性別、年齡、身高、體重，糖尿病、高血壓和冠心病病史，入院時血清白蛋白水平，有無意識障礙，有無侵入性操作，是否預防性使用抗菌藥物以及住院時長等。

1.2.2 醫院感染診斷標準 參照中華人民共和國衛生部印發的《醫院感染診斷標準（試行）》進行診斷^［11］ 。

1.2.3 病原菌鑒定及藥敏分析 根據不同的病情，臨床選擇做痰培養、血培養、尿培養、腦脊液培養和分泌物培養等以明確感染病原菌，規范操作取樣后及時送檢，微生物室選取合格標本，采用VITEK2 compat全自動細菌鑒定及藥敏分析系統（法國生物梅里埃公司）鑒定送檢合格的病原菌，采用紙片擴散法和最低抑菌濃度（minimum inhibitory concentration，MIC）法進行藥敏試驗。

1.2.4 列線圖預測模型構建方法 對資料數據進行單因素分析，將單因素分析中有統計學差異的變量納入多因素Logistic回歸分析，運用R語言（R 3.5.3）構建列線圖風險預測模型。

1.2.5 列線圖預測模型驗證 采用Hosmer-Lemeshow評估模型的擬合度，當 P ＞0.05，認為模型擬合度較好，采用受試者工作特征（receiver operating characteristic，ROC）曲線，計算曲線下面積（area under curve，AUC）評估模型的預測效能，AUC值越接近1，模型預測效能越高。

1.3 統計學分析

利用SPSS 23.0軟件對數據做統計學處理，正態分布的計量資料用均數±標準差（ x±s ）表示；計數資料用例數（ n ）或率（%）表示，組間比較采用 χ² "檢驗。采用多因素Logistic線性回歸分析篩選危險因素， P ＜0.05為差異有統計學意義。

2 結果

2.1 醫院感染部位及病原菌分布

300例醫院感染腦卒中患者中，呼吸系統感染188例、顱內感染32例、血液系統感染26例、消化系統感染25例、泌尿系統感染23例以及其他部位感染6例；162例感染診斷不明確，臨床送檢做病原菌鑒定，共檢出病原菌202株，其中，革蘭陰性菌121株，以肺炎克雷伯菌（39株）、鮑曼不動桿菌（33株）為主；革蘭陽性菌共57株，以金黃色葡萄球菌（33株） 為主；真菌24株。

202株醫院感染病原菌中，檢出多重耐藥菌69株（34.16%）；其中，多耐藥鮑曼不動桿菌檢出率為75.76%（25/33），耐甲氧西林的金黃色葡萄球菌檢出率為57.58%（19/33），耐碳氫酶烯類抗菌藥物的腸桿菌檢出率為32.79%（20/61），多耐藥銅綠假單胞菌檢出率為31.25%（5/16）。

2.2 腦卒中患者醫院感染的單因素分析

與對照組相比，感染組腦出血、糖尿病、高血壓、冠心病、意識障礙、呼吸機輔助呼吸、深靜脈置管、導尿管留置、預防性使用抗菌藥物、體質量指數（body mass index，BMI）≥24 kg/m2、住院時間≥14 d占比明顯變高（ P ＜0.05），血清白蛋白差異無統計學意義（ P ＞ 0.05）。見表1。

2.3 腦卒中患者醫院感染多因素Logistic回歸分析

Logistic回歸分析結果顯示，患者腦卒中類型、高血壓、糖尿病、BMI≥24 kg/m2、意識障礙、呼吸機輔助呼吸、導尿管留置、預防性使用抗菌藥物和住院時間≥14 d是腦卒中患者發生醫院感染的獨立危險因素（ P＜ 0.05）。見表2。

2.4 腦卒中患者發生醫院感染風險的列線圖構建及檢驗效能評價

將獨立危險因素構建列線圖風險預測模型，見圖1，此模型先通過各自變量的回歸系數計算對應得分，分別為100分（腦出血）、0分（腦梗死）、58分（高血壓）、38分（有糖尿病）、50分（BMI≥24 kg/m2）、33分（有意識障礙）、31分（呼吸機輔助呼吸）、87分（導尿管留置）、79分（預防性使用抗菌藥物）和84分（住院時間≥14 d），然后將各個變量的單項得分相加獲得總分，總分對應預測該腦卒中患者發生醫院感染的概率。本研究構建的列線圖預測模型采用Hosmer-Lemeshow檢驗（ χ2 =5.454， P =0.708），校準曲線與理想曲線基本重合，說明該模型擬合度較好（ P ＞0.05），見圖2。ROC曲線AUC為0.983，95% CI 為0.975～0.991，靈敏度為0.940，特異度為0.937，約登指數為0.877，提示該模型預測效能良好。見圖3。

3 討論

本研究結果顯示，腦卒中患者呼吸系統感染位居醫院感染部位首位，分析原因，一方面由于腦卒中患者年齡偏高，住院期間長期臥床，自理能力和自主咳嗽、吞咽及呼吸功能減退，且部分患者需要進行侵入性操作，如使用呼吸機輔助呼吸；另一方面老年患者免疫力相對較低，清除病原菌能力弱，不能有效抑制細菌繁殖，致呼吸道感染率增加^［12-14］ 。廣譜抗菌藥物的廣泛使用致醫院感染病原菌不斷發生變化，耐藥現象愈加嚴重^［6，12］ 。本研究醫院感染病原菌中，以革蘭陰性菌為主，又以肺炎克雷伯菌、鮑曼不動桿菌為主，多重耐藥菌感染占34.16%，其中多耐藥的鮑曼不動桿菌檢出率（75.76%）最高。這與黃憶鶴 等^［15］ （80.00%以上）研究結果相似，但高于侯盼飛等^［16］ （54.74%）研究結果，可能由于本研究腦卒中患者高齡，同時伴高血壓、糖尿病等基礎疾病，以及使用呼吸機且住院時間長等，致病原菌入侵機會增加。多耐藥的鮑曼不動桿菌能長時間定植于病房環境中，應加強清潔消毒力度，減少病原菌在院內傳播和交叉感染^［17］ 。同時臨床應提高抗菌藥物使用前病原菌送檢率，根據藥敏結果合理選用抗菌藥物，嚴禁濫用和頻繁更換抗菌藥物，以減少耐藥菌株的形成。

腦卒中患者發生醫院感染受多種因素影響，本研究結果顯示，腦出血（出血性腦卒中）患者感染率較腦梗死（缺血性腦卒中）患者高，考慮與出血性腦卒中患者多伴有意識障礙，吞咽和咳嗽反射減弱，易發生嗆咳、誤吸，引發吸入性肺炎有關^{［13，18］} ，同時出血性腦卒中患者一般起病急、病情重，需行急診手術，手術過程中顱腦屏障受損，發生顱內感染的風險增加^［19］ 。同時，腦卒中患者在長時間接受氣管插管、尿管留置等侵入性操作時，皮膚黏膜保護屏障可能會破壞，機體防御系統進一步降低，感染風險增加^［20-21］ 。研究表明，腦卒中患者意識障礙，其自主神經功能發生紊亂，且分泌大量皮質激素和兒茶酚胺，抑制機體免疫功能，進而明顯增加感染率^［22］ 。本研究結果表明，住院時間≥14 d是發生醫院感染的獨立危險因素，提示醫院感染與住院時間呈正相關，患者住院時間越長，發生感染風險越高，同時感染發生可進一步延長治療和住院時間。此外，本研究結果還顯示高BMI（≥24 kg/m2）易引發醫院感染，可能由于高BMI患者皮下脂肪層相對較厚，手術縫合過程中易遺留無效腔，增加感染風險^［23］ 。本研究提示患有高血壓、糖尿病等基礎疾病患者更容易發生醫院感染，高糖環境易于病原菌入侵和生長，同時，高糖可抑制白細胞的吞噬功能，降低患者抗感染能力^［24］ ，增加感染發生的風險。

王玉霞等^［9］ 建立基于糖尿病綜合管理隊列的卒中風險預測模型，其ROC曲線AUC為0.748，而本研究構建模型的ROC曲線AUC達0.983，說明本研究構建的模型對腦卒中患者發生醫院感染的風險具有較高的預測能力。目前臨床上對于腦卒中入院患者存在感染風險的高危人群的早期識別能力有限^［25］ 。本研究構建的風險預測模型可幫助臨床醫務人員從患者入院開始進行篩查，精準捕獲感染高危人群，促進感染防控關口前移。

綜上所述，腦卒中患者發生醫院感染與腦卒中類型、糖尿病、高血壓、冠心病、意識障礙、呼吸機輔助呼吸、導尿管留置、預防性使用抗菌藥物、BMI水平和住院時間等多種因素有關，通過構建列線圖預測模型能較準確預測發生醫院感染的風險。但是，本研究為單中心回顧性研究，在數據收集和分析上可能存在一定偏倚，模型泛化能力有待驗證。

［參考文獻］

［1］ 石 滬娟， 夏一航， 程怡然， 等. 1990年至2049年全球腦卒中疾病負擔分析及預測［J］. 中國醫學裝備， 2024， 21（11）： 141-150.

［2］ Girotra "T， Lekoubou A， Bishu KG， et al. A contemporary and comprehensive analysis of the costs of stroke in the United States［J］. J Neurol Sci， 2020， 410： 116643.

［3］ 《中 國卒中中心報告 2022》編寫組. 《中國卒中中心報告2022》概要［J］. 中國腦血管病雜志， 2024， 21（8）： "565-576.

［4］ Hernndez-Santos "N， Wiesner DL， Fites JS， et al. Lung epithelial cells coordinate innate lymphocytes and immunity against pulmonary fungal infection［J］. Cell Host Microbe， 2019， 25（4）： 630.

［5］ 連 玉峰， 楊忠闊， 謝永明， 等. 急性腦出血患者外周血Tregs的變化與卒中后肺部感染的關系研究［J］. 中華醫院感染學雜志， 2019， 29（6）： 843-847.

［6］ 王 樹泉， 何鑫， 韓秀明. 缺血性腦卒中患者并發肺部感染的病原菌分布、危險因素及血清因子水平分析［J］. 中國病原生物學雜志， 2020， 15（2）： 214-216， 220.

［7］ 張 慶敏， 耿紀超， 張艷萍. 腦卒中并發院內感染病原菌特點及血清免疫功能指標預警價值分析［J］. 中國病原生物學雜志， 2023， 18（12）： 1466-1469， 1473.

［8］ 嚴 梓予， 肖煌怡， 袁建坤， 等. 信息化管理平臺在腦卒中患者中的應用現狀［J］. 中國臨床研究， 2024， 37（4）： 611-615.

［9］ 王 玉霞， 張振堂. 基于糖尿病綜合管理隊列的卒中風險預測模型的建立與應用［J］. 慢性病學雜志， 2022， 23（1）： 16-19.

［10］ 王 倩雯， 詹樂昌， 歐陽雨婷， 等. 恢復期腦卒中患者發生認知障礙的風險預測模型構建與評價［J］. 中國康復醫學雜志， 2024， 39（12）： 1810-1817.

［11］ 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.

［12］ 周 小燕， 彭舒， 任麗君. 老年腦卒中患者醫院感染病原學及危險因素分析［J］. 中國病原生物學雜志， 2022， 17（4）： 459-462.

［13］ Li "Y， Liu C， Xiao W， et al. Incidence， risk factors， and outcomes of ventilator-associated pneumonia in traumatic brain injury： a meta-analysis［J］. Neurocrit Care， 2020， 32（1）： 272-285.

［14］ 鄭 雨霖， 金雪文， 陳坤倫， 等. 炎癥反應與COPD伴呼吸衰竭住院患者短期再入院的關系［J］. 新醫學， 2024， 55（8）： 631-640.

［15］ 黃 憶鶴， 劉詩語， 廖俊， 等. 某三甲醫院2017—2023年ICU患者病原菌分布及耐藥性分析［J］. 中國抗生素雜志， 2024， 49（11）： 1255-1262.

［16］ 侯 盼飛， 張鑫， 祝麗晶， 等. 2019年我院重癥監護病房病原菌分布及耐藥性監測［J］. 中國實驗診斷學， 2021， 25（12）： 1785-1789.

［17］ 李 中美， 俞周來， 吳力， 等. 神經內科重癥監護室醫院感染病原菌和影響因素分析［J］. 中華醫院感染學雜志， 2020， 30（5）： 685-688.

［18］ 鹿 海龍， 楊麗. 萬古霉素與美羅培南鞘內注射對高血壓腦出血后顱內感染的療效分析［J］. 中國現代醫學雜志， 2021， 31（4）： 92-96.

［19］ 劉 晨霞， 閻田園， 王書會， 等. 腦卒中手術患者醫院感染危險因素分析［J］. 中國消毒學雜志， 2019， 36（2）： 133-135， 138.

［20］ 李 軍， 龔海花. 急性腦卒中患者并發院內感染的臨床特點及危險因素［J］. 中國當代醫藥， 2022， 29（9）： 62-65.

［21］ Ye "A， Li W， Zhou L， et al. Targeting pyroptosis to regulate ischemic stroke injury： Molecular mechanisms and preclinical evidences［J］. Brain Res Bull， 2020， 165： 146-160.

［22］ Astrup "LB， Skovgaard K， Rasmussen RS， et al. Staphylococcus aureus infected embolic stroke upregulates Orm1 and Cxcl2 in a rat model of septic stroke pathology［J］ . Neurol Res， 2019， 41（5）： 399-412.

［23］ 周 小燕， 彭舒， 任麗君. 老年腦卒中患者醫院感染病原學及危險因素分析［J］. 中國病原生物學雜志， 2022， 17（4）： 459-462.

［24］ Kato "M， Toda A， Yamamoto-Honda R， et al. Association between Helicobacter pylori infection， eradication and diabetes mellitus［J］. J Diabetes Investig， 2019， 10（5）： 1341-1346.

［25］ 張 寧. 老年卒中患者醫院獲得性肺炎風險的預測［J］. 臨床與病理雜志， 2022， 42（12）： 2931-2937.

［收稿日期］ 2024-09-22" ［編輯］ 劉星星