将非个体患者特征整合到医院获得性菌血症的机器学习模型中
本研究为预后研究,纳入2021年Barnes-Jewish医院52 442例成人住院患者中住院超过72小时的34 855例(66.5%),其中556例(1.6%)发生医院获得性菌血症和真菌血症(HOB)。研究构建3个梯度提升模型:仅患者特征预测模型、患者+非个体特征预测模型及因果模型。加入非个体特征(如先前同房间 occupant 使用抗假单胞菌β-内酰胺类、HOB前7天每日平均医护人员数)后,模型性能优于仅患者特征模型(AUROC 0.88 vs 0.85,AUPRC 0.20 vs 0.13,P<.001)。因果模型中,先前 occupant 使用抗假单胞菌β-内酰胺类的平均效应差为0.4%(95%CI 0.3%-0.5%),医护人员交互作为二分类变量的平均效应差为0.7%(95%CI 0.3%-0.5%)。作者认为非个体患者特征可能有助于全面分析HOB。
要点
- 在34 855例住院>72小时成人中,556例(1.6%)发生HOB,中位发生时间为住院11.2天(IQR 6.4-20.9)。
- 加入非个体特征后模型预测性能提高:AUROC 0.88(95%CI 0.88-0.89)vs 0.85(95%CI 0.85-0.86),AUPRC 0.20(95%CI 0.20-0.22)vs 0.13(95%CI 0.12-0.14),P<.001。
- 因果模型中,先前同房间 occupant 使用抗假单胞菌β-内酰胺类的平均效应差为0.4%(95%CI 0.3%-0.5%),医护人员交互为0.7%(95%CI 0.3%-0.5%)。
- HOB患者每日接触医护人员平均数7.0(IQR 5.4-8.8)高于无HOB者6.4(IQR 5.5-7.5),P<.001。
- 作者认为应优先保证护理连续性(同一护士和医生照护同一患者)或设立感染患者专用病房,并强调抗菌药物管理以减少不必要的广谱抗生素使用。
适用人群与场景
- 2021年1月1日至12月31日入住Barnes-Jewish医院(密苏里州圣路易斯,1269张床位的学术医院)的所有成人患者。
- 仅住院超过3天的患者被视为HOB风险人群并纳入分析,共34 855例(66.5%)。
- 排除:住院≤3天的患者;未明确排除其他人群。
诊断标准与关键阈值
- HOB定义:住院第3个日历日或之后采集的血培养生长微生物,且入院时不存在。
- 微生物按国家医疗安全网络(NHSN)真病原体与污染菌列表判定。
- 仅纳入每次住院期间首次HOB发作。
研究设计与关键结果
- 研究类型:预后研究,回顾性队列分析,单中心(Barnes-Jewish医院),纳入2021年全年成人住院患者52 442例,其中34 855例(66.5%)住院>72小时纳入分析。
- HOB发生率:556/34 855(1.6%),中位住院时间11.2天(IQR 6.4-20.9);中位年龄60岁(IQR 44-70),女性50.5%,肥胖最常见(25.0%)。
- 主要病原体:金黄色葡萄球菌89例(16.0%,其中70例[78.7%]耐甲氧西林)、肺炎克雷伯菌49例(8.8%,其中16例[32.7%]对头孢曲松耐药)、念珠菌属59例(10.6%);最常见来源:CLABSI 94例(16.9%)、肺部感染53例(9.5%)、尿路感染23例(4.1%)。
- 预测模型性能:患者+非个体特征模型 AUROC 0.88(95%CI 0.88-0.89)、AUPRC 0.20(95%CI 0.20-0.22)vs 仅患者特征模型 AUROC 0.85(95%CI 0.85-0.86)、AUPRC 0.13(95%CI 0.12-0.14),P<.001(AUROC和AUPRC均P<.001)。
- 因果模型平均效应差:先前同房间 occupant 使用抗假单胞菌β-内酰胺类为0.4%(95%CI 0.3%-0.5%);医护人员交互(二分类变量)为0.7%(95%CI 0.3%-0.5%)。
- 敏感性分析:ICU起病HOB 222例(0.64%),MRSA HOB 70例(0.2%);每日医护人员平均数在ICU和非ICU模型、以及MRSA模型中均保持预测性;MRSA模型中 colonization pressure 亦为预测因子。
- HOB患者每日接触医护人员平均数7.0(IQR 5.4-8.8)vs 无HOB者6.4(IQR 5.5-7.5),P<.001。
证据类型、等级与局限
- 证据类型:预后研究,回顾性队列分析,单中心。
- 报告遵循:STROBE报告指南及机器学习预测模型报告建议。
- 局限:仅关注护士和医生,排除了其他提供照护的医院工作人员;接触强度(如患者清洁)和持续时间未在EHR中一致或准确记录;未获取感染控制方案(隔离和环境清洁)执行情况的数据;未纳入所有操作,也未考虑CVC使用时长;未对所有可能抗生素分别分类,未评估使用适当性;病情更重的患者可能被安排在更靠近护士站的房间,形成关联;未发生HOB的患者使用住院最后7天的非个体特征平均值;病例对照设计会大幅减少纳入患者数并限制可分析特征数;因果模型虽尝试纳入所有潜在相关特征,仍可能存在残余混杂;需在基于全基因组测序的微生物特异性研究中验证。
对床旁实践的改变
- 作者认为,非个体患者特征(如先前同房间 occupant 使用抗假单胞菌β-内酰胺类、每日医护人员平均数)可能有助于与个体患者特征整合,全面分析HOB。
- 作者认为,优先保证护理连续性(即确保同一护士和医生照护同一患者)或设立感染患者专用病房,可能改善照护并潜在降低感染风险。
- 作者认为,应重视抗菌药物管理,减少不必要的广谱抗生素使用。
- 作者指出,需在基于全基因组测序的微生物特异性研究中验证上述发现。
提炼说明
- 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译10 节 · 点击展开
引言
医院起病菌血症和真菌血症,统称为HOB,是医院诊疗中常见且通常可预防的并发症,与高死亡率和发病率以及显著的继发费用相关。1,2,3,4,5 HOB包括中心静脉导管相关血流感染(CLABSI)和非CLABSI,其中无中心静脉导管的病例负担高出4倍,导致总体死亡率增加。除改善中心静脉导管(CVC)护理外,研究主要集中在患者相关特征上,如人口学特征和合并症6,7,8,9,10;然而,这些因素是不可改变的,为预防工作提供的机会有限。
HOB发生在复杂的医院环境中。研究非患者变量可提高确定哪些患者将发生HOB的能力,并识别可操作的预防靶点,特别是因为高达三分之二的HOB病例可能是可预防的。1,2 我们将医院设想为一个动态网络,其中患者风险不仅受其个体特征影响,还受其在医院中的位置以及通过医护人员(HCW)和医院环境与其他患者相互作用的影响。近期研究表明,入住先前由某些微生物感染患者居住的病房或暴露于抗生素可增加获得抗生素耐药微生物(ARO)和医院获得性感染(HAI)的风险。11,12,13,14 护理变量也与较高的HAI风险相关。15 在本研究中,我们利用多模态电子健康记录(EHR)数据源作为机器学习算法的输入特征,并进行特征工程。我们在预测模型和因果模型中检查了患者相关和非患者相关特征,以确定与HOB相关的相关特征,研究对象为2021年入住Barnes-Jewish医院(BJH)的大型成人患者队列,该医院是位于圣路易斯的一家拥有1269张床位的三级学术医院。
方法
研究人群和数据来源
在这项预后研究中,在华盛顿大学/BJH进行了回顾性队列分析,按照华盛顿大学机构审查委员会方案进行,由于研究的非干预性、回顾性性质,豁免了知情同意的需要。纳入2021年1月1日至12月31日期间入住BJH的所有成人患者。分析于2023年10月至2024年8月以及2025年4月之间开发。数据直接从Epic EHR(Epic Systems Corporation)中提取并按记录时间戳标记。
结局
HOB定义为住院第三个日历日或之后采集的血培养中微生物生长,且入院时不存在。我们根据国家医疗安全网络的真病原体和污染菌列表对微生物进行标记。16 仅住院超过3天的患者被认为有结局风险。每次住院期间首次HOB发作纳入分析。
特征选择、工程和数据处理
完整特征列表和预处理详情见补充材料1中的eTable 1。所有危险因素必须早于血培养采集至少48小时。
患者风险因素包括人口统计学特征(年龄、性别)、所有合并症(由《疾病和有关健康问题的国际统计分类》第十次修订版代码定义)、操作(气管内插管、中心静脉导管(CVC)置入)、疾病严重程度(机械通气及需要血管升压药或正性肌力药支持的休克)以及HOB事件前使用的抗生素。我们创建了3个独立的二元特征以指示不同抗生素类别的使用:β-内酰胺类、抗假单胞菌β-内酰胺类和其他类。
非患者风险因素被创建用于量化患者与医院环境、医务人员(HCWs)及其他患者之间的交互。我们纳入了在每个房间(重症监护病房(ICU)和病房)的住院时长以及入院前在急诊科(ED)的等待时间。非患者特征包括与不同患者同住一间病房(在双人病房中至少24小时)、与既往患者居住同一病房超过24小时,以及HOB前7天内每天与HCWs的平均交互次数。我们重点关注医生(主治医师及各级受训人员)和护理人员。我们从电子健康记录(EHR)中的临床记录提取HCW信息。在BJH,医生和护士被要求至少每天为每位患者书写记录。对于未发生HOB的患者,我们在出院前7天进行相同的计算。我们选择7天作为HOB的时间窗,因为其暴露与感染之间的时间间隔很可能比用于艰难梭菌感染的14天更短。我们收集了所有患者的培养数据及抗生素使用情况,若既往居住者接受了任何或全部抗生素类别,则归类为间接抗生素暴露。
机器学习模型的训练与测试
我们开发了3个梯度提升模型:2个探索性预测模型(一个仅基于患者特征,第二个模型结合患者和非患者特征来预测HOB的发生)和一个因果模型,用于检验预测模型所识别的相关非患者特征。极端梯度提升(XGBoost)通过随机抽样患者和特征来顺序构建决策树,每次迭代从先前迭代的错误中学习。17 因果XGBoost通过使用基于树的模型并结合基于神经网络的模型中的因果推断技术,估计两组中的平均效应。18 我们纳入了所有患者特征,以及在急诊科和ICU的停留时间及总住院时间。然后我们估计了预测模型中识别的非患者特征的效应差异。差异大于0表明该特征的存在与更高的HOB可能性相关。模型性能使用受试者工作特征曲线下面积(AUROC)和精确率-召回率曲线下面积(AUPRC)进行评估。在高度不平衡的数据集中,AUPRC评估所有灵敏度阈值下的平均阳性预测值,并衡量模型预测阳性病例的能力。虽然AUPRC越高通常被认为越优,但没有明确的截断值。变量重要性使用Shapley加性解释(SHAP)进行排序。19 正的SHAP值表明该特征提高了模型预测所研究结局的能力,而负的SHAP值表明该特征降低了关联性。SHAP值的大小反映了该特征对模型预测性能的贡献。
统计分析
由于阳性HOB病例数量有限,我们采用10折交叉验证来评估预测性能。整个数据集使用分层K折交叉验证分为10折,以保持每折中阳性病例比例相似。在每次迭代中,模型在9折上训练并在剩余的1折上评估。训练数据进一步分为80%用于训练和20%用于测试。测试数据用于超参数调优和模型选择。完成10次迭代后,对所有患者进行评估,计算AUROC和AUPRC以评估模型性能,并使用t检验进行比较。我们呈现了每个性能指标在10次独立10折交叉验证运行中的均值、标准差和95%CI。95%CI通过取曲线下面积值分布的第2.5和第97.5百分位数计算。对于敏感性分析,我们将模型分为ICU发病和非ICU HOB。为探究可能的特定微生物院内传播,我们开发了耐甲氧西林金黄色葡萄球菌(MRSA)特异性预测模型。对于该模型,我们添加了与已知MRSA定植或感染患者的直接接触(同时共享房间)和间接接触(连续占用房间),包括与同一医护人员成员的交互。此外,定植压力,定义为HOB前14天同病房中MRSA患者的比例,也被纳入模型。
梯度提升模型使用XGBoost 1.7.7和C-XGBoost实现,并调整了树深度、学习率和估计器数量。训练和评估的机器学习流程在scikit-learn 1.2.2和Python 3.8.18上实现。我们将预测性机器学习分析和因果性机器学习分析分开,并根据已发表的机器学习预测模型建议和加强流行病学观察性研究报告(STROBE)指南报告我们的结果。20,21,22,23
结果
2021年共有52 442例患者收入BJH,其中34 855例患者(66.46%;中位年龄60岁[IQR,44-70];50.5%为女性,49.5%为男性)住院时间超过72小时,使其处于HOB风险之中。在这些患者中,556例(1.6%)在中位住院时间11.2(IQR,6.4-20.9)天时发生了HOB,其微生物在入院时未被培养出。最常见的分离病原体为金黄色葡萄球菌(89例[16.0%],其中70例[78.7%]对甲氧西林耐药)、肺炎克雷伯菌(49例[8.8%],其中16例[32.7%]对头孢曲松耐药)和念珠菌属(59例[10.6%])。最常见的来源为CLABSI(94例[16.9%])、肺部感染(53例[9.5%)和尿路感染(23例[4.1%])。合并症,包括既往感染和抗生素暴露,在HOB患者中更为常见(表),这些患者病情也更为危重。HOB患者更可能拥有CVC、入住ICU并接受抗假单胞菌β-内酰胺类药物。HOB患者在发生HOB前的住院时间更长,且与无HOB的患者相比,他们与HCWs的每日接触更多(表)。在HOB发作前,HOB患者每日平均由7.0(IQR,5.4-8.8)名医生和护士提供照护,而无HOB患者每日平均由6.4(IQR,5.5-7.5)名医生和护士提供照护(P < .001)。
纳入患者特征和非患者特征的预测模型与仅基于患者特征的模型相比具有更优的性能(AUROC,0.88 [95% CI,0.88-0.89]和AUPRC,0.20 [95% CI,0.20-0.22] vs AUROC,0.85 [95% CI,0.85-0.86]和AUPRC,0.13 [95% CI,0.12-0.14];AUROC的P < .001,AUPRC的P < .001)(图1)。最重要的单个特征为抗假单胞菌β-内酰胺类药物的使用,而在同时纳入患者和非患者风险因素的预测模型中,HOB前ICU住院时间是最相关的特征。抗假单胞菌β-内酰胺类药物的使用、肥胖、钠钾紊乱和脓毒症病史在两个模型中均相关(图2)。其他特征,如ICU住院时间、前一间病房居住者接受抗假单胞菌β-内酰胺类药物、HOB前7天内每日HCWs平均数量以及住院和病房停留时间,在综合模型中具有显著性。在因果模型中,纳入所有患者特征以及ED、ICU和医院住院时间后,前居住者接受抗假单胞菌β-内酰胺类药物的平均效应差异为0.4%(95% CI,0.3%-0.5%)。与HCWs交互作为二分类变量的平均效应差异为0.7%(95% CI,0.3%-0.5%)。
共有222例患者(0.64%)发生了ICU起病的HOB。医护人员平均数量在ICU和非ICU模型中均具有预测价值(图3)。ICU起病HOB模型以ICU特异性特征为特点,如ICU住院时间、中心静脉导管(CVC)的存在以及成人呼吸窘迫综合征的诊断。住院时间对非ICU起病HOB具有预测价值,而在ICU起病HOB中呈负相关。既往入住者接受抗假单胞菌β-内酰胺类药物是病房内发生HOB的预测因素。
70例患者(0.2%)被诊断为MRSA HOB。与无MRSA的患者相比,MRSA HOB患者的定植压力更高(补充材料1中的eTable 2),且定植压力对MRSA HOB具有预测价值(图4)。每日医护人员平均数量以及ICU住院时间均仍具有预测价值。
讨论
我们的研究分析了2021年收入中西部一家学术中心的庞大且多样化患者队列的数据。数据表明,非患者风险特征提高了HOB模型的预测性能,有时甚至超过了个体风险因素。抗假单胞菌抗生素的使用在直接和间接层面都是重要的预测特征。在因果模型中,与HCWs的交互以及既往居住者使用抗假单胞菌β-内酰胺类药物与更高的HOB风险相关。留置装置和CVC护理是菌血症的可改变风险因素,而预防集束化措施的依从性显著改善了CLABSI的发生率。24 住院患者在复杂的网络中接受照护,涉及与其他患者、HCWs和医院环境的直接和间接接触。HOB的风险很可能是与医院环境接触的标志,而非仅由个体患者特征和留置装置暴露所决定。机器学习因其处理大数据和改善预测的能力而被广泛认可,而不一定需要建立因果关系。然而,近期的梯度提升模型,如causal-XGBoost,旨在估计风险因素对结局的影响。我们的分析利用XGBoost的计算能力来探索可能预测HOB并作为其风险因素的非患者特征。潜在风险因素如何影响HOB的确切机制应在未来研究中加以调查。
近期文献通过将患者置于医院环境中,扩展了我们对HAIs的理解。多项研究基于患者与感染或定植室友或既往房间居住者的接触评估了获得AROs的风险。11,12,13,25,26,27 这些研究设计为病例对照或流行病学研究,通过基于菌种鉴定和抗菌药物敏感性试验配对细菌分离株,为MRSA、万古霉素耐药肠球菌和艰难梭菌的传播提供了更强的证据。然而,抗菌药物敏感性试验在评估微生物相关性方面存在局限性,因为遗传相关的细菌可能具有不同的抗菌谱,而不同病原体可能具有相似的抗菌谱。此外,这些研究主要依赖于阳性临床培养,往往忽略了定植患者对传播的较小但可能相关的贡献。Jones等28纳入了在112家退伍军人事务医院开展的MRSA主动监测研究,以估计入院患病率与获得率之间的关联,作为院内传播和阳性院内临床培养的替代指标。他们的分析纳入了来自140万入院患者的290万监测检测,结论是医院MRSA入院患病率每增加10%,与其每周获得率增加9.7%以及每周院内培养率类似增加相关。对于MRSA特异性传播,我们的预测模型还将定植压力确定为相关预测因子。
除耐药菌(AROs)的克隆传播外,种间质粒介导的传播也促进了强耐药菌的播散,如耐碳青霉烯肠杆菌目细菌。29,30,31,32 近期研究探讨了抗生素使用的群体效应,拓展了对个体抗生素使用如何影响艰难梭菌(C difficile)感染率及耐药菌所致感染的认识。Brown等33证实,即使在调整患者和病房特征后,病房层面抗生素处方与住院患者艰难梭菌感染风险出现具有统计学意义和临床相关性的增加相关。在一项纳入超过100 000对患者的研究中,前一位床位占用者接受抗生素与后续患者艰难梭菌感染风险增加相关。14 我们的研究通过将前一位床位占用者接受抗假单胞菌β-内酰胺类药物与后续入住同一房间患者医院发病菌血症(HOB)风险增加相关联,为抗生素群体效应的文献作出了贡献。我们的发现应在微生物特异性研究中加以验证,理想情况下应依赖全基因组测序。
医院获得性感染可能反映医院所提供的医疗质量。护患比和人员配备不足与医疗质量较差相关。34,35,36 《2021年医院患者安全与优质护理护士配备标准法案》制定了保护性标准以解决这些问题。37 由于BJH遵循这些标准,我们队列中的护患比无显著变异。护患比虽然重要,但在衡量工作量方面缺乏敏感性。例如,具有相同医疗 acuity 的患者可能因其独立程度不同而有截然不同的护理需求。这一局限性凸显了需要更细致的指标来评估工作量指标作为HOB潜在危险因素的相关性。38 护理人员职业倦怠39影响高达50%的护理人员,并且在全球85项研究的荟萃分析中与医院获得性感染相关。15 我们研究的关键发现之一是,每日与患者互动的医护人员(HCWs)平均数量在预测模型和因果模型中均成为相关特征。这可能归因于病情较重的患者需要多位会诊医师,但也提示了一个可操作的医护人员组织管理标志。优先保证护理连续性(即确保相同的护士和医师照护相同的患者)或为感染患者设立专门病房,可能改善医疗服务的提供并潜在降低感染风险。
局限性
本研究存在一些局限性。我们主要关注护士和医生,排除了其他同样为患者提供照护的医院工作人员。接触强度(例如患者清洁)和接触时长可能是有价值的特征,但这些信息在电子健康记录(EHR)数据中未被一致或准确记录。在研究进行时,BJH已有感染控制政策,这些政策达到或超过了针对耐药菌(AROs)的隔离和环境清洁方案。然而,我们无法获取这些方案的执行情况数据。此外,我们未纳入所有操作,也未考虑中心静脉导管(CVC)使用时长。由于组合数量庞大,我们未将所有可能的抗生素单独分类,也未评估使用的适当性。病情更重的患者可能被安排在更靠近护士站的房间,从而在他们之间形成连接。鉴于我院的高收治量,大多数床位一经空出即被分配,较少根据病情严重程度进行优先排序。我们纳入了所有住院患者,并对未发生HOB的患者取住院最后7天的非患者特征均值。一项病例对照研究——根据住院时长对发生和未发生HOB的患者进行匹配,以平衡发生HOB的风险时间——将大幅减少纳入的患者数量,从而显著限制可检验特征的数量。尽管我们试图在因果模型中纳入所有与HOB相关的潜在特征,但残余混杂可能被遗漏。
结论
在这项使用52 442名患者数据的预后研究中,我们发现非患者特征改善了HOB预测模型。我们的研究结果表明,每日医护人员(HCWs)平均数量以及前居住者使用抗假单胞菌抗生素与HOB相关,凸显了抗菌药物管理努力的重要性,以遏制不必要时的广谱抗生素使用。
参考来源
- Vazquez Guillamet MC, Zhang J, Bewley A, et al. Integrating Nonindividual Patient Features in Machine Learning Models of Hospital-Onset Bacteremia. JAMA Netw Open. 2025. PMID: 40601316. doi:10.1001/jamanetworkopen.2025.18815
- 全文:PMC12223889(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12223889/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。