使用机器学习方法预测重症监护室入院时的医院感染

小白天使

使用机器学习方法预测重症监护室入院时的医院感染
https://mp.weixin.qq.com/s/FxlFe32B4SW3-bbRiPgDvA
[color=rgba(0, 0, 0, 0.3)]原创章琳 SIFIC感染循证资讯5月13日

撰写：章琳（中山市中医院）

我们知道重症监护病房(ICU)的患者发生医院感染的频率较高，因为他们的临床症状更严重，往往免疫功能低下，比住在医院其他病房的患者更有可能插管和置管。2017年欧洲疾病预防与控制中心(ECDC)的报告，在总共143000名待在ICU的患者中，在1天内至少一例医院感染的这种情形出现几率有8%。因此在重症监护病房中识别出具有医院感染较高风险的患者是一件具有挑战的事情。

其实，在过去的几十年里，一些早期预警评分已经被开发，用来评估疾病严重程度、衡量ICU病人的健康状况、预测ICU住院期间不良结局。也有不少学者已经研究了与医院感染风险相关的个人和临床特征。其中有个工具叫简化急性生理学评分(Simplified Acute Physiology Score ，SAPS II)，根据在ICU入院的第一个小时收集的12个常规生理变量进行计算，常用于预测预后、医院感染风险、败血症、死亡率等，被认为是众多评分工具中应用最广泛且最好用的。

近期，意大利科研团队采用传统的统计方法和机器学习方法，评价简化急性生理学评分(SAPS II)在重症监护室的医院感染风险预测中作用。他们的研究结果表明支持向量机（SVM）算法构建模型可以用于早期预测ICU住院时发生医院感染的高风险患者，此方法优于传统统计方法，值得推广。

该团队使用的是"意大利重症监护病房医院感染监测(SPIN-UTI) "项目的数据，该项目由意大利卫生、预防医学和公共卫生协会(SItI)的意大利医院卫生研究小组(GISIO)于2006年建立，从2006年到2019年SPIN-UTI网络已经收集了大约2万名患者、超过4300例感染病例和5300种微生物的相关数据，而本文分析的数据就是从20060名SPIN-UTI参与者中7827名患者组成的亚样本中进行，我们一起看看他们研究过程。

1、首先，该团队先用传统的统计方法评估SAPS II在ICU中对医院感染风险预测的效果, 发生过至少一次医院感染的患者比没有发生医院感染的患者表现出更高的SAPS II，AUC和准确性都很低，但具有统计学意义。如图1

2、然后，训练和测试了一个机器学习模型。该模型将SAPS II与ICU住院时收集的其他患者特征结合起来。先建立的一个新的训练数据集，由恢复的和合成的数据组成，来调整学习算法。然后建立测试集，由ICU住院患者的真实数据组成。再应用一种有监督的学习算法，支持向量机(SVM)算法来建模以提高模型预测性能，它是根据患者性别、患者来源、急性冠脉疾病非手术治疗、手术干预、入院时SAPS II、有无侵入性设备、创伤、免疫功能受损、ICU入院前48小时内抗生素治疗等对患者进行分类。

最后比较SVM和单独通过SAPS II获得的预测能力，SAPS II对医院感染风险的预测的ROC曲线，其AUC(曲线下面积)为0.612 (p<0.001)，准确率为56%。而SVM分类器的准确率为88%，测试集的AUC为0.90 (p<0.001)，一个优秀的模型的AUC接近于1，这意味着它具有良好的预测性能，SVM算法预测性能的评价比传统统计方法更好，该研究团队模型具有很高的性能，AUC为0.90，如图2。

其他条件相同的SVM模型，如果剔除SAPS II变量则模型的预测能力较低(准确率为78%，AUC为0.66)。

3、创新点

该研究是第一次使用机器学习方法，根据ICU住院患者的个人特征，来识别高风险的医院感染患者，使用的也是患者在ICU住院时容易和常规收集的变量。

机器学习方法在医疗流行病学中的适当应用，可以帮助理解医院感染的风险因素，开发患者风险分层工具和识别感染传播途径，进而可能导致有针对性的预防干预措施。机器学习已被提出用于预测ICU的特定不良事件和风险分层，在许多医学领域得到了发展，包括传染病控制和临床决策支持，在应用于脓毒症患者、预测念珠菌或艰难梭菌感染相关并发症等。应用机器学习算法进行分类和预测问题可能有助于解决许多公共卫生问题，包括那些困扰重症患者的问题。如果应用得当，这些机器学习算法可以克服现有传统工具的局限性。一方面可以较好地利用真实的数据，另一方面也可以在数据不足或不完整的情况下，生成恢复数据来完成预测，对临床医生决策提供帮助。

该模型是在意大利地区基于患者的前瞻性监测获得的大型数据集上进行训练和测试的，不仅可以为未来的预防战略规划建立一个意大利基准，而且可以将调查的结果同其他欧洲国家的调查结果进行比较和验证。

参考文献

1. Barchitta, M.;  Maugeri, A.;  Favara, G.;  Riela, P. M.;  Gallo, G.;  Mura, I.;  Agodi, A.; network, S.-U., A machine learning approach to predict healthcare-associated infections at intensive care unit admission: findings from the SPIN-UTI project. J Hosp Infect 2021.

感控学习一直在路上。。。

梦想阳光

谢谢小白老师，学习了

33168955-w

谢谢小白老师，学习了

小白天使

统一回复：和老师们共同学习，快乐哦。。。