三級醫院神經外科手術部位感染Logistic回歸與神經網絡預測分析

郝紅 李方 許晨 劉敏 趙寧民

摘要：目的：構建神經外科手術患者手術部位感染的預測模型。方法：選擇2020年2月～3月收治的168例神經外科手術患者，統計術后感染情況并分析相關影響因素，利用人工神經網絡與Logistic回歸法搭建手術部位感染預測模型。結果：共計有11例患者出現手術部位感染，感染率為6.55%;Logistic回歸發現，年齡≥60周歲、合并糖尿病、手術用時≥3 h、術前炎癥反應均是造成術后患者發生手術部位感染的獨立危險因素;針對以上因素，神經網絡預測其重要性排序是年齡≥60周歲、術前炎癥反應、手術用時≥3 h。結論：Logistic回歸與神經網絡均能較好地預測神經外科患者手術部位感染發生情況，且后者的預測效果更好。

關鍵詞：手術部位感染;神經外科;Logistic回歸;神經網絡模型

手術部位感染（SSI）為神經外科患者術后常見并發癥之一，患者承受較大痛苦，可延長住院時間，耗費更多醫療資源，因此，分析神經外科手術患者手術部位感染的影響。能將感染率降至最低[1]。Logistic回歸與神經網絡均是常用的疾病預測模型，本研究利用其建設SSI預測模型。現報道如下：

1資料與方法

1.1 一般資料

選擇2020年2月～3月收治的168例神經外科手術患者，分析其人口學、各種診療方法、手術、抗菌藥物應用及醫院感染發生情況。本研究獲醫院醫學倫理委員會審核批準。患者及其家屬知情同意。

1.2 方法

查詢既往國內外關于神經外科患者術后SSI的相關文獻資料、規范，分析SSI目標性監測結果，總結影響因素，針對可量化因素，依照危險系數對其發生率進行排序;對于不可量化的因素，應用德爾菲法測算后，綜合判斷做出最后評分。

1.3 統計學分析

采用SPSS22.0統計學軟件分析數據，以%表示計數資料，采用χ2檢驗。將患者是否發生SSI作為因變量，可能影響患者術后感染的因素作為自變量進行單因素分析，把單因素分析有統計學意義的變量整合至Logistic內并應用Back-LR建模，利用Multilayer PercePtron建設神經網絡模型。檢驗水準：P<0.05。P<0.05為差異具有統計學意義。

2結果

2.1 SSI發生情況分析

11例患者術后出現SSI，占比6.55%（11/168）;其中器官感染2例、表淺切口4例、深部切口3例、其他感染2例。

2.2 Logistic回歸分析IIS風險預測情況分析

分析發現，患者年齡≥60周歲、合并糖尿病、手術用時≥3 h、術前炎癥反應均是造成術后病患發生SSI的獨立危險因素，見表1。檢測Logistic預測情況，總正確率達到72.0%，檢測擬合優度，發現模型預測概率和ISS實際發生率之間未見明顯差異，提示模擬擬合效果優良。ROC曲線下面積是0.832，95%CI（0.645～0.878），P<0.001，回歸模型能較好地預測術后SSI發生情況。

2.3 神經模型對ISS發病風險的預測情況分析

將和SSI相關患者人口學資料、診療信息等作為模型的輸出變量，網絡智能優化設定隱含層層數與神經元的個數，共計有385個樣本，有效樣本360個，按3：2配比將其分成訓練與測試樣本，42個病例被配置到測試樣本內。本模型對訓練、測試樣本的預測準確率分別是91.27%、93.22%。ROC曲線下面積是0.873，95%CI（0.573～0.902），P<0.001，據此可認為該模型的預測效果較好。

3討論

本研究建設了風險測評模型，并科學判斷了模型的應用效果。Logistic回歸主要是判別二分類或多分類變量，測算各自的概率，能預測在差異化自變量下，發生醫院感染或其他不良事件的概率，直接預估相對危險度的近似值[2]。比較分析以上兩種預測模型形成的差異，Logistic回歸模型能更好地分析定性與半定量指標，而輸入神經網絡模型的變量不僅有分類變量，還有數值變量，對患者術后SSI發生情況有較強的預測能力。本研究發現兩種模型預測能力無明顯差異，ROC曲線下面積分別是0.832、0.873，相比之下神經網絡模型的擬合效果更好，可以嘗試將其進一步推廣。

參考文獻

[1]李春輝，吳安華.MDR，XDR，PDR多藥耐藥菌暫行標準定義-國際專家建議[J].中國感染控制雜志，2014，12（1）：62-64.

[2]王穎.神經外科Ⅰ類手術切口醫院感染目標性監測[J].中國農村衛生，2020，12（11）：32-33，35.