手術部位感染風險預警模型構建

何文英,鄧玉宏,劉 欣，李衛光, 吳安華, 任 南,熊莉娟,丁麗麗,韓 輝，王 忠

(1 石河子大學醫學院第一附屬醫院，新疆 石河子 832008； 2 濱州醫學院附屬醫院，山東 濱州 256603； 3 山東省立醫院，山東 濟南 250021； 4 中南大學湘雅醫院，湖南 長沙 410008； 5 華中科技大學同濟醫學院附屬協和醫院，湖北 武漢 430022； 6 新疆醫科大學第一附屬醫院，新疆 烏魯木齊 830002； 7 山東大學齊魯醫院，山東 濟南 250012； 8 新疆生產建設兵團醫院，新疆 烏魯木齊 830002)

·論著·

手術部位感染風險預警模型構建

何文英1,鄧玉宏1,劉 欣2，李衛光3, 吳安華4, 任 南4,熊莉娟5,丁麗麗6,韓 輝7，王 忠8

(1 石河子大學醫學院第一附屬醫院，新疆 石河子 832008； 2 濱州醫學院附屬醫院，山東 濱州 256603； 3 山東省立醫院，山東 濟南 250021； 4 中南大學湘雅醫院，湖南 長沙 410008； 5 華中科技大學同濟醫學院附屬協和醫院，湖北 武漢 430022； 6 新疆醫科大學第一附屬醫院，新疆 烏魯木齊 830002； 7 山東大學齊魯醫院，山東 濟南 250012； 8 新疆生產建設兵團醫院，新疆 烏魯木齊 830002)

目的 構建手術部位感染風險預警模型，為篩查高危人群、發現疑似感染病例提供幫助。 方法 回顧性收集2013年1月—2015年12月國內6所醫院5 067例腹部外科手術患者病例資料，將所有病例按照6︰4的比例隨機分為建模組和驗證組，采用logistic回歸建立預警模型，以ROC曲線下面積(AUC)評價模型的判別能力，以約登指數最大作為最佳截斷點。結果 高危患者預警模型AUC為0.823，靈敏度為78.81%，特異度為74.33%，陽性預測值為19.67%，陰性預測值為97.78%。疑似感染病例判別模型AUC為0.978，靈敏度93.38%，特異度95.62%，陽性預測值62.95%，陰性預測值為99.45%。結論 此研究建立的預警模型判別能力較好，可以為醫院感染信息系統的預警和判別開發提供參考。

手術部位感染； 風險預測； 風險預警; 醫院感染

[Chin J Infect Control，2017，16(6)：497-501]

隨著整個醫療系統信息化的推進，醫院應用了越來越多的醫院感染管理軟件,極大地提高了醫院感染管理的質量與效率[1]。目前，大多數醫院感染監控軟件預警病例開發的重點以發現疑似感染病例為目標，對于已經存在感染高風險但尚未感染的病例早期識別不足，預警指標大多是適用于各種感染類型的通用指標，通用指標預警范圍廣，但其準確性相對不夠。本研究在前人研究的基礎上[2-3],使用logistic回歸模型建立手術部位感染高危患者預警模型和疑似感染病例判別模型，以期及時發現高危患者，使預警時效提前，防控關口前移，其次篩選出更多特異性的手術部位感染預警指標，期望與通用指標相結合，提高預警的準確性。

1 資料與方法

1.1 資料收集 通過逐份查閱電子病例，回顧性收集山東省立醫院、山東大學齊魯醫院、華中科技大學同濟醫學院附屬協和醫院、中南大學湘雅醫院、新疆醫科大學第一附屬醫院、石河子大學醫學院第一附屬醫院2013年1月—2015年12月接受腹部外科手術患者的病例資料。資料收集內容為患者人口學特征、合并基礎疾病情況、手術相關信息、抗菌藥物使用情況、術后感染情況共五個方面49個變量，其中手術部位感染危險因素38個，術后感染跡象11個。

1.2 概念界定 手術部位感染診斷參照2001年衛生部《醫院感染診斷標準(試行)》[4]。高危患者病例：是指術前或術中存在某種合并癥或致病因素,導致有較大的手術部位感染風險，但尚未感染的患者。疑似感染病例：癥狀、體征提示已存在手術部位感染，但還未最后確診的病例

1.3 數據分組 將所有收集病例按照6∶4的比例隨機分為建模組和驗證組，建模組數據用來建立模型，驗證組數據對建立的模型進行驗證。

1.4 模型構建 對建模組數據先進行單因素分析，單因素分析中有統計學意義的變量納入多元logistic回歸分析，采用Back-LR法建立模型。

1.5 模型驗證 將驗證人群的原始數據代入建立的模型生成預測概率值，用ROC曲線下面積(AUC)反映模型的判別能力[5], 用Hosmer-Lemeshow檢驗反映模型符合程度，以約登指數最大時所對應的概率值為閾值[6],將模型預測的感染情況與驗證組原始數據的感染情況進行比較，計算相應的靈敏度、特異度，陽性預測值、陰性預測值[7]。應用Epidata 3.1軟件錄入系統，SPSS 17.0軟件進行數據分析和建模。

2 結果

2.1 基本情況 共收集腹部手術病例5 067例，其中結直腸切除術1 499例，肝膽切除術1 546例，闌尾切除術1 329例，胃切除術116例，直斜疝切除術324例，脾胰切除術253例。男性2 730例，女性2 337例，平均年齡51歲，平均手術時間130 min，平均住院時間15 d。發生手術部位感染362例，感染率為7.14%，在362例感染病例中，表淺切口感染212例，深部切口感染61例，器官腔隙感染80例，9例未分類。按照6∶4的比例隨機分組，其中建模組3 023例，驗證組2 044例，兩組臨床變量分布經χ2檢驗，49個變量中除了性別、術前住院時間、術前腸梗阻、手術時機、術前7 d使用抗菌藥、吻合口瘺外，其他臨床變量的分布在建模組及驗證組中差異均無統計學意義，證實分組過程基本上做到了隨機分配。

2.2 手術部位感染高危患者預警模型

2.2.1 單因素分析 將收集的38個手術部位感染風險因素變量進行單因素分析，有統計學意義的有22個，糖尿病(OR=3.11)、高血壓(OR=2.97)、冠心病(OR=2.49)、慢性阻塞性肺疾病(OR=2.13)、惡性腫瘤(OR=2.08)、慢性肝腎疾病(OR=2.01)、術前低蛋白血癥(OR=4.53)，貧血(OR=3.54)、術前存在其他部位感染(OR=1.99)、手術切口類型(χ2=70.01)、ASA分級(χ2=162.29)、手術時間(t=6.54)等，腹腔鏡手術與開腹手術相比為保護因素(OR=0.314)。

2.2.2 預警模型建立 將單因素分析中有統計學意義的22個變量，納入多元logistic回歸分析，采用Back—LR法建立預警模型。最終進入模型的變量有8個：糖尿病、低蛋白血癥、高血壓、術前炎癥反應、手術切口分類、ASA分級、手術持續時間、腹腔鏡手術。手術部位感染高危患者風險預警模型：Y=-3.84+0.56 X1+1.47 X2+0.71 X3+0.86 X4+0.79 X5+0.87 X6+1.43 X7-0.91 X8，見表1。

表1 手術部位感染高危患者多元logistic回歸分析結果

Table 1 Multivariate logistic regression analysis on patients with high risk of SSI

變量β(B)S.EWaldPOR95%CI糖尿病(X1)0.560.234.290.041.601.03～2.49低蛋白血癥(X2)1.470.3416.83<0.013.982.06～7.69高血壓(X3)0.710.1915.32<0.012.101.45～3.03術前炎癥反應(X4)0.860.1721.62<0.012.241.59～3.15切口分類>Ⅲ(X5)0.790.1817.48<0.012.091.48～2.96ASA分級>Ⅲ(X6)0.870.1818.56<0.012.151.52～3.04手術持續時間>3h(X7)1.430.1670.05<0.013.882.83～5.34腹腔鏡手術(X8)-0.910.2118.29<0.010.400.26～0.61常數項-3.840.16561.32<0.010.02

2.2.3 模型驗證 利用驗證組數據對模型進行驗證， Hosmer-Lemeshow檢驗P=0.10，ROC的AUC=0.823，與美國醫院感染監測手術風險指數[8](NNIS風險指數)的辨別能力進行比較，NNIS風險指數AUC=0.731。見圖1。高危患者預警模型ROC曲線中約登指數最大為0.503，所對應的概率值為0.073，即閾值取 0.073,將驗證組人群的風險概率值以0.073為界，≥0.073判斷為感染，<0.073判斷為未感染，與驗證組數據原始記錄中是否實際發生了手術部位感染進行比較，靈敏度為78.81%，特異度為74.33%，陽性預測值為19.67%，陰性預測值為97.78%。見表2。

2.3 手術部位感染疑似感染病例判別模型

2.3.1 單因素分析 將收集的11個手術部位感染跡象指標進行單因素分析，發現均有統計學意義，體溫>38.5 ℃(OR=9.47)、白細胞計數>109/L(OR=5.41)、 C反應蛋白>10 mg/L(OR=12.5)、降鈣素原>0.5 μg/L(OR=10.17)、切口膿性分泌物(OR=447.84)、切口分泌物微生物培養陽性(OR=163.29)等。

圖1 手術部位感染高危患者預警模型ROC曲線

Figure 1 ROC curve of the warning model for patients with high risk of SSI

表2 高危患者驗證模型判別與實際感染結果

Table 2 Discriminant model validation and actual infection outcome in high risk patients

模型判別結果實際感染情況感染未感染合計感染(P≥0.073)119486605未感染(P<0.073)3214071439合計15118932044

2.3.2 判別模型建立 將單因素分析中術后感染跡象有統計學意義的11個變量，進行多元logistic回歸分析，采用Back-LR法建立預警模型。最終進入模型的變量有發熱、白細胞計數、C反應蛋白、脂肪液化、切口裂開、切口膿性分泌物、切口分泌物細菌培養陽性等7個變量。手術部位感染疑似預警模型：Y=-5.31+1.19X1+1.05 X2+1.45 X3+3.39 X4+2.97 X5+4.77 X6+3.73 X7。見表3。

2.3.3 模型驗證 利用驗證組數據對模型進行驗證，Hosmer-Lemeshow檢驗P<0.001， ROC AUC=0.978。見圖2。疑似病例判別模型ROC曲線中約登指數最大為0.897，所對應的概率值為0.050，即閾值取 0.050, 將驗證組人群的風險概率值以0.050為界，≥0.050判斷為感染，<0.050判斷為未感染，與驗證組數據原始記錄中是否實際發生了手術部位感染進行比較，靈敏度93.38%，特異度95.62%，陽性預測值62.95%，陰性預測值為99.45%。見表4。

圖2 手術部位感染疑似病例判別模型ROC曲線

Figure 2 ROC curve of discriminant model for patients with suspected SSI

表4 疑似病例驗證模型判別與實際感染結果

Table 4 Discriminant of model validation and actual infection outcome in suspected patients

模型判別結果實際感染情況感染未感染合計感染(P≥0.050)14183224未感染(P<0.050)1018101820合計15118932044

3 討論

醫院感染管理是以監測為基礎，控制為目標，監測和預警是目前醫院感染管理信息系統的兩個重要功能，而將這兩項功能緊密連接的則是預測分析。監測是對事件狀態的監控和描述，預測是對其發展態勢的估計和判斷，預警是根據監測的信息以及預測的結果決定是否發出警報和發出警報的級別[9]。隨著醫學技術的不斷發展，越來越多的高齡及有合并癥的患者開始接受手術治療，外科疾病和內科問題交織在一起，患者的病情越來越復雜，隨著高危人群的增加，由患者自身因素帶來的感染風險因素日益凸顯，如何做到準確的監測，及時的預警，對提高手術部位感染防控能力具有重要意義。

3.1 建模方法及分組 目前建立模型的方法很多，有各自的優勢與不足, logistic回歸建模方法簡單，應用最廣泛，Cox模型需要連續觀測數據,追蹤時間長,成本較高，人工神經網絡預測效能高，但網絡結構確定困難，建模方法復雜[10]。結合本研究的目的及收集資料的情況選擇了logistic 回歸分析，建立模型。一個完整預警模型的建立需要建模及驗證兩個步驟，因此，預測模型的建立需要兩組人群，建模組數據用來建立模型，驗證組數據對建立的模型進行驗證。兩組人群的分配比例，大多數軟件默認的比例是7∶3，經查閱文獻[11-13]，有5∶5、6∶4、7∶3。本研究經反復試驗，選擇了6∶4的樣本分配比例，保證了建模組有足夠的樣本量，以選擇出與手術部位感染相關的指標；同時驗證組人群不至于太少，導致抽樣誤差過大引起驗證的結果不穩定。為證實分組過程是否做到了完全隨機，對建模組和驗證組各臨床變量的分布情況進行了比較，49個變量中除了性別、術前住院時間、術前腸梗阻、手術時機、術前7 d使用抗菌藥、吻合口瘺外，其他臨床變量的分布在建模亞庫及驗證亞庫兩組中差異均無統計學意義，證實分組過程基本上做到了隨機分配，避免因臨床變量分布不均對研究結果造成不良影響。對于個別臨床變量的缺失數據，在風險預警模型建立前應用軟件的多重填補功能予以替換，盡可能減少有效數據的損失。

3.2 模型建立 高危患者風險預警模型開發的重點以發現感染高風險患者為目標，選取的指標主要以手術部位感染的影響因素為主，收集了38個手術部位感染影響因素指標，通過單因素及多因素分析，最終進入模型的變量有8個：糖尿病、低蛋白血癥、高血壓、術前炎癥反應、手術切口分類、ASA分級、手術持續時間、腹腔鏡手術。

疑似感染病例預警模型開發的重點以發現臨床感染病例為目標，選取的指標主要以感染的結果為主，從專業角度分析，發熱、白細胞計數異常、C反應蛋白異常、降鈣素原異常等是術后感染的結果而非感染的原因[14]，術后3 d左右，上述指標異常提示可能存在感染。切口裂開既是感染的原因也是感染的結果，切口膿性分泌物可明確提示感染。收集11個提示感染的跡象指標，通過單因素及多因素分析，最終進入模型的變量有7個：發熱、白細胞計數、C反應蛋白、脂肪液化、切口裂開、切口膿性分泌物、切口分泌物細菌培養陽性。

3.3 預警和判別的指標及閾值 在風險預警的研究中，合理地確定預警指標的權重及預警的閾值是預警成敗的關鍵[15]。本研究以最終進入模型的變量為預警的指標，以模型中β系數的值來確定各指標的權重。高危患者預警模型中，糖尿病0.56、高血壓0.71、術前炎癥反應0.86、手術切口類型0.79、ASA分級0.87，低蛋白血癥1.47、手術持續時間1.43，腹腔鏡手術為-0.91，提示與開腹相比腹腔鏡為保護因素。疑似病例預警模型中，發熱1.09、白細胞計數1.05、C反應蛋白1.45、脂肪液化3.39、切口裂開2.97、切口膿性分泌物4.77、切口分泌物細菌培養陽性3.73。

ROC曲線是以靈敏度為縱坐標， 1-特異度為橫坐標繪制的曲線，AUC越大，診斷準確性越高。本研究中，高危患者預警模型的AUC為0.823，疑似病例判別模型的AUC 為0.978，與美國醫院感染監測NNIS的預測能力進行比較，NNIS風險指數AUC=0.731，提示本研究建立的模型預測能力優于NNIS 風險指數。

ROC曲線可以求得各個坐標點的約登指數(敏感性+特異性-1)，預警閾值的確定通常取約登指數最大值對應的點為最佳截斷點。本研究中，高危患者預警模型約登指數最大時所對應的最佳截斷點為0.073，以此概率為閾值判斷是否為感染，疑似病例預警模型約登指數最大時所對應的最佳截斷點為0.050，以此概率為閾值判斷是否為感染。

本研究建立的預警是針對患者個體的多指標預警，高危患者預警以發現感染高風險患者為目標，疑似病例預警以發現臨床感染病例為目標，預警的邏輯關系是各指標感染概率值的合計。研究結果可以為醫院感染信息系統的預警開發提供參考，通過監測信息與預警技術的結合，實現重點人群重點控制，提高資源的利用與效率。受數據采集要求的限制，本研究只選擇了部分信息化程度較好的三級醫院，未收集二級醫院病例，多數風險預警模型的最佳應用人群是與建模人群來自同一群體的患者[16]，因此本研究建立的預警模型在后續的研究中還需要采集二級醫院的數據進行相應的外部驗證。

[1] 劉運喜，夏蕾，邢玉斌，等.開發醫院感染實時監控系統 全面提高醫院感染管理水平[J].中國醫院,2013,17(3): 9-10.

[2] 邢玉斌，杜明梅，索繼江，等.利用醫院感染實時監控系統開展手術部位感染目標性監測[J]. 中國醫院, 2013,17(3): 6-8.

[3] 王瑜.醫院感染實時監控管理系統的設計與實現[D].山東：山東大學, 2013.

[4] 中華人民共和國衛生部醫政醫管局.關于印發醫院感染診斷標準(試行)的通知 衛醫發[2001]2號. [EB/OL].(2001-11-07)[2017-04-12].http://www.moh.gov.cn/yzygj/s3593/200804/e19e4448378643a09913ccf2a055c79d.shtml.

[5] 季聰華，梁建鳳，劉姍，等. ROC分析方法在病因學研究中的應用[J].中國衛生統計, 2014，31(5):911-912.

[6] 陳衛中，潘曉平，宋興勃，等.ROC曲線中最佳工作點的選擇[J].中國衛生統計, 2006,23(2):157-158.

[7] 王建華.流行病學[M]. 北京：人民衛生出版社，2013.

[8] Culver DH, Horan TC, Gaynes RP, et al. Surgical wound infection rates by wound class, operative procedure, and patient risk index. National Nosocomial Infections Surveillance System[J]. Am J Med, 1991, 91(3B): 152S-157S.

[9] 楊維中.傳染病預警理論與實踐[M].北京：人民衛生出版社，2012.

[10] 袁鶯楹，董建成.基于數學模型的疾病預測方法比較研究[J].軟件導刊，2009，8(5) 108-110.

[11] Jenks PJ, Laurent M, Mcquarry S, et al. Clinical and economic burden of surgical site infection (SSI) and predicted financial consequences of elimination of SSI from an English hospital[J]. J Hosp Infect, 2014, 86(1): 24-33.

[12] 王律.心臟瓣膜手術風險預測系統的建立[D].上海：第二軍醫大學, 2013.

[13] van Walraven C, Musselman R. The surgical site infection risk score (SSIRS): a model to predict the risk of surgical site infections[J]. Plos One, 2013, 8(6): e67167.

[14] 梁輝.膽系疾病開腹手術術后感染危險因素分析及防治[D].浙江：浙江大學, 2015.

[15] 胡樂群.風險預警中指標閾值確定方法[J].金融電子化,2011，(9):43-45.

[16] Linder R, K?nig IR, Weimar C, et al. Two models for outcome prediction-a comparison of logistic regression and neural networks[J]. Methods Inf Med, 2006, 45(5): 536-540.

(本文編輯：左雙燕)

Establishment of risk warning model for surgical site infection

HEWen-ying1,DENGYu-hong1,LIUXin2，LIWei-guang3,WUAn-hua4,RENNan4,XIONGLi-juan5,DINGLi-li6,HANHui7,WANGZhong8

(1TheFirstAffiliatedHospitalofSchoolofMedicine,ShiheziUniversity,Shihezi832008,China; 2TheAffiliatedHospitalofBinzhouMedicalCollege,Binzhou256603,China; 3ShandongProvincialHospital,Jinan250021,China; 4XiangyaHospital,CentralSouthUniversity,Changsha410008,China; 5UnionHospital,TongjiMedicalCollege,HuazhongUniversityofScienceandTechnology，Wuhan430022,China; 6TheFirstAffiliatedHospitalofXinjiangMedicalUniversity,Urumqi830002,China; 7QiluHospitalofShandongUniversity,Jinan250012,China; 8HospitalofXinjiangProductionandConstructionCorps,Urumqi830002,China)

Objective To establish a risk warning model for surgical site infection(SSI), provide support for screening high risk population and finding suspected cases. Methods Clinical data of 5 067 patients who underwent abdominal surgery in 6 domestic hospitals from January 2013 to December 2015 were collected retrospectively, all cases were randomly divided into modeling group and validation group according to a 6:4 ratio, warning model was established by employing logistic regression, the area under the receiver operating characteristic curve (AUC) was used to evaluate discriminant ability of evaluation model, the maximum Youden index was as the optimum cut-off point. Results For the warning model of high-risk patients, AUC was 0.823, sensitivity and specificity were 78.81% and 74.33% respectively, positive predictive value and negative predictive value were 19.67% and 97.78% respectively. For the discriminant model of suspected infection cases, AUC was 0.978, sensitivity and specificity were 93.38% and 95.62% respectively, positive predictive value and negative predictive value were 62.95% and 99.45% respectively.Conclusion The early-warning model established in this study has better discrimination ability, which can provide a reference for the development of early warning and discrimination of healthcare-associated infection information system.

surgical site infection； risk prediction； risk warning; healthcare-associated infection

2016-12-08

新疆生產建設兵團衛生科技項目(XJBTWK-201602)；石河子大學醫學院第一附屬醫院院級課題(GL2016-058)

何文英(1971-)，女(漢族)，河南省扶溝縣人，副主任護師，主要從事醫院感染控制研究。

王忠 E-mail：wzsdyfy@126.com

10.3969/j.issn.1671-9638.2017.06.002

R181.3+2

A

1671-9638(2017)06-0497-05