中心靜脈導(dǎo)管相關(guān)性血流感染風(fēng)險預(yù)測模型的研究進展

黃華勇，羅 勤，胡雅靜，丁 婷，廖 力

（1. 南華大學(xué)附屬第一醫(yī)院，湖南 衡陽 421001； 2. 南昌大學(xué)護理學(xué)院，江西 南昌 33000；3. 南華大學(xué)護理學(xué)院，湖南 衡陽 421001）

中心靜脈導(dǎo)管（central venous catheter，CVC）在ICU病房及門診中應(yīng)用普遍，其導(dǎo)致的常見并發(fā)癥之一就是中心靜脈導(dǎo)管相關(guān)性血流感染（catheter related blood stream infection，CRBSI）[1]。CRBSI是醫(yī)院獲得性感染之一，會顯著增加患者的死亡率、延長其住院時間、增加患者的治療費用[2]。國外有研究[3]報道，CRBSI日發(fā)生率為6.90‰～15.2‰。據(jù)國內(nèi)蔡源益[4]報道，我國CRBSI發(fā)生率為4.9%。另有研究[5]表明，65%～70%的CRBSI是可以避免的。因此，識別出留置CVC的高風(fēng)險人群，進行重點關(guān)注和及時干預(yù)，將有助于降低CRBSI的發(fā)生率。風(fēng)險預(yù)測模型是近年來用于評估風(fēng)險的一種重要方法，目前已有多個針對CRBSI的風(fēng)險預(yù)測模型。本研究對相關(guān)風(fēng)險預(yù)測模型進行綜述，通過比較各模型的優(yōu)勢及不足，旨在為下一步構(gòu)建更適用于臨床的CRBSI風(fēng)險預(yù)測模型提供參考依據(jù)。

1 CRBSI危險因素

目前國內(nèi)外研究中有關(guān)CRBSI的危險因素主要集中在4個方面。①導(dǎo)管相關(guān)因素：除已知與導(dǎo)管類型有關(guān)外，多項研究[6-7]表明多腔導(dǎo)管是CRBSI的危險因素之一。②患者因素：除年齡、急性生理學(xué)及慢性健康狀況（acute physiology and chronic health evaluation，APACHE-Ⅱ）評分、合并其他基礎(chǔ)疾?。ㄈ缣悄虿〉龋⒑喜⑵渌腥镜纫呀?jīng)證實的因素外，近來有研究[8]表明患者置管前發(fā)熱也與CRBSI密切相關(guān)。也有研究顯示血紅蛋白[9]、白蛋白[10]、患者的意識狀態(tài)[11]等也與CRBSI有關(guān)。③診療因素：除與靜脈營養(yǎng)、使用免疫抑制劑相關(guān)外，有研究[12]表明置管前使用抗生素會顯著增加患者發(fā)生CRBSI的概率，且抗生素使用劑量[13]及使用時間[14]也會影響CRBSI的發(fā)生。④其他因素：如緊急置管[15]等也會增加CRBSI的發(fā)生率，操作人員工作年限[16]也是一個獨立危險因素。上述影響因素都會導(dǎo)致CRBSI的發(fā)生，在構(gòu)建風(fēng)險預(yù)測模型時可將相關(guān)因素考慮在內(nèi)。

2 臨床預(yù)測模型概述

臨床預(yù)測模型指以疾病的多病因為基礎(chǔ)，利用參數(shù)、半?yún)?shù)或非參數(shù)的數(shù)學(xué)模型估計研究對象當(dāng)前患有某病的概率或者將來發(fā)生某種結(jié)局的可能性[17]。一般模型的構(gòu)建要經(jīng)過3個階段，即模型的建立、評價及驗證[18]。目前模型的建立主要包括logistic回歸模型、COX比例風(fēng)險模型以及結(jié)合大數(shù)據(jù)的機器學(xué)習(xí)算法；而模型的評價主要包括區(qū)分度和校準(zhǔn)度。區(qū)分度用C統(tǒng)計量和受試者工作特征（receiver operating character?istic，ROC）曲線下面積（area under curve，AUC）表示，而校準(zhǔn)度通常采用校準(zhǔn)曲線、Hosmer-Lemeshow擬合優(yōu)度檢驗表示；模型的驗證主要包括內(nèi)部驗證和外部驗證。目前，預(yù)測模型研究已比較成熟地用于疾病的三級預(yù)防、醫(yī)療決策和臨床管理，如用于膿毒癥早期預(yù)警診斷[19]和老年髖部骨折術(shù)后患者肺部感染[20]。

3 CRBSI風(fēng)險預(yù)測模型

CRBSI預(yù)測模型能篩選出留置CVC患者中存在感染風(fēng)險的高危人群，具有重要的臨床意義。當(dāng)前針對CRBSI風(fēng)險預(yù)測模型的研究可歸納為3類，即文獻綜述、隊列研究以及病例對照研究。

3.1 基于文獻綜述構(gòu)建的CRBSI風(fēng)險預(yù)測模型 劉正偉[21]通過文獻綜述的方法查找CRBSI危險因素，經(jīng)Meta分析整合這些危險因素，通過危險因素的比值比（odds ratio，OR）中位數(shù)確定其權(quán)重，具體賦值如下：共存感染病灶16分、糖尿病10分、急危重癥11分、導(dǎo)管留置時間9分、置管部位5分、年齡4分、完全胃腸外營養(yǎng)3分、免疫功能低下2分、管腔數(shù)2分，并據(jù)此構(gòu)建了CRBSI風(fēng)險評分系統(tǒng)；同時回顧性調(diào)查了460例留置CVC或經(jīng)外周靜脈穿刺中心靜脈置管（peripherally in?serted central catheter，PICC）患者的電子病例資料，以有無發(fā)生CRBSI為結(jié)局指標(biāo)，對CRBSI風(fēng)險評分系統(tǒng)進行了驗證。結(jié)果顯示，構(gòu)建的評分系統(tǒng)AUC值為0.899，說明該評分系統(tǒng)預(yù)測效能較好；最大約登指數(shù)為43，靈敏度為0.808，特異度為0.919。且認(rèn)為，當(dāng)評分結(jié)果超過43分時，患者置管風(fēng)險較高。該模型為首個構(gòu)建的CRBSI風(fēng)險預(yù)測模型，較全面地納入了影響CRBSI的危險因素，可以通過CRBSI風(fēng)險評分系統(tǒng)來排除置管感染風(fēng)險較低的患者，具有一定的臨床意義。但該模型包括了傳統(tǒng)的CVC和PICC患者。而相關(guān)研究[22-23]表明PICC發(fā)生感染的風(fēng)險低于CVC，因此用該模型預(yù)測CVC感染可能有一定的偏差。另外，該研究在文獻調(diào)查過程中，最終納入Meta分析的文獻并非全部高質(zhì)量文獻，存在發(fā)表偏倚，進而對危險因素賦值有一定影響；且研究未進行外部驗證。因此，該模型還需要進一步完善和驗證。

3.2 基于隊列研究構(gòu)建的ICU患者CRBSI風(fēng)險預(yù)測模型 邵小青等[24]調(diào)查了22所醫(yī)院的22個綜合ICU的1 276例患者，其中CRBSI患者89例，多因素logistic回歸分析顯示，抗菌藥物的使用、基礎(chǔ)疾病類型、導(dǎo)管類型、股靜脈穿刺、置管天數(shù)是ICU患者發(fā)生CRBSI的獨立危險因素，并據(jù)此構(gòu)建了ICU患者CRBSI風(fēng)險預(yù)測模型。結(jié)果顯示，該模型AUC值為0.804[95%CI（0.764，0.844）]，預(yù)測模型判別效果較好，敏感度為0.820，特異度為0.693。此模型為國內(nèi)首次報告的ICU患者CRBSI風(fēng)險預(yù)測模型，能夠較好地預(yù)測ICU患者發(fā)生CRBSI的風(fēng)險，能夠幫助醫(yī)務(wù)工作者快速識別高危患者，進而盡早采取針對性干預(yù)措施以減少CRBSI的發(fā)生。但該模型未對研究對象中的兒童和成人進行區(qū)分，而成人與兒童置管感染的影響因素差異較大[25]，這可能是導(dǎo)致模型特異度不高的原因之一。同時，該模型未進行內(nèi)部及外部驗證，局限了其推廣意義；且文獻未說明具體的截斷值，也未給出logistic回歸預(yù)測模型的表達(dá)式、自變量權(quán)重及賦值等，均影響了其后續(xù)的推廣應(yīng)用。

3.3 基于病例對照研究構(gòu)建的CRBSI風(fēng)險預(yù)測模型

3.3.1 老年患者CRBSI風(fēng)險預(yù)測模型 王力紅等[26]將2015－2017年3 519例留置CVC老年患者的電子病例分為建模組和驗證組，對建模組數(shù)據(jù)進行多因素分析，得到ICU住院時間≥2 d、本次住院手術(shù)次數(shù)≥3次、使用抗菌藥物、CVC使用時間≥7 d是老年患者發(fā)生CRBSI的危險因素，并據(jù)此構(gòu)建了老年患者CRBSI風(fēng)險預(yù)測模型。利用該模型對建模組所有患者進行評分，得到≥13分為高風(fēng)險人群，并繪制了ROC曲線，結(jié)果顯示 AUC值為0.74[95%CI（0.70，0.79），P<0.05]；同時在驗證組中也繪制ROC曲線，結(jié)果顯示AUC值為0.70[95%CI（0.61，0.78），P<0.05]；提示構(gòu)建的風(fēng)險預(yù)測模型判別效果較好。該模型是首次構(gòu)建的老年患者CRBSI風(fēng)險預(yù)測模型，且完整地進行了內(nèi)部驗證，也引入了風(fēng)險模型的凈獲益，在閾值0.01～0.05范圍內(nèi)，凈獲益都更高，顯示利用該模型對高風(fēng)險人群進行干預(yù)有實際意義，為后續(xù)風(fēng)險預(yù)測模型的研究提供了思路。但該模型并未進行外部驗證，對模型的推廣應(yīng)用有一定的限制。后續(xù)可增加多中心研究和納入更多的影響因素指標(biāo)，以便開發(fā)出更貼合臨床的風(fēng)險預(yù)測模型。

3.3.2 ICU患者CRBSI風(fēng)險預(yù)測列線圖 袁榕等[27]對2018－2020年354例ICU留置CVC患者的電子病例進行多因素logistic回歸分析，得到CRBSI的影響因素，包括性別、糖尿病病史、置管天數(shù)、使用抗菌藥物、置管部位為股靜脈、白蛋白<35 g/L、抗感染導(dǎo)管類型等，構(gòu)建的logistic回歸模型表達(dá)式=性別×1.526+糖尿病病史×1.634+置管天數(shù)×2.922+使用抗菌藥物×2.025+置管部位×0.943+白蛋白×1.092?導(dǎo)管類型×2.838，建立的CRBSI風(fēng)險預(yù)測模型一致性指數(shù)為0.874[95%CI（0.826，0.922）]，說明該模型預(yù)測性能較好。列線圖可將logistic回歸方程圖形化、可視化，依據(jù)每個變量的系數(shù)得到總分，并根據(jù)總分來計算風(fēng)險發(fā)生的概率[28]。該研究為首次引入列線圖建立的CRBSI風(fēng)險預(yù)測模型，比以往構(gòu)建的模型更加直觀，易于臨床醫(yī)務(wù)人員操作；且該模型納入了更多與患者自身相關(guān)的因素，如白蛋白、糖尿病病史，預(yù)測效能較好，能對個體發(fā)生CRBSI的概率進行有效預(yù)測。有學(xué)者[29]對全國41個省市55個ICU進行調(diào)查顯示，CRBSI的日感染率為2.6‰，感染率為3.1%。而袁榕等[27]的調(diào)查資料表明，CRBSI感染率高達(dá)25.9%，可能因為只選取了2018－2020年某院的單中心病例，存在選擇性偏倚，對危險因素的納入和風(fēng)險預(yù)測模型的建立有一定影響；且該模型未給出具體的截斷值及高風(fēng)險人群的具體分值，也未進行外部驗證，缺乏臨床普適性，影響了該模型在臨床上的后續(xù)使用。

4 現(xiàn)有CRBSI風(fēng)險預(yù)測模型存在的問題及思考

4.1 CRBSI危險因素篩選方法不足 邵小青等[24]、王力紅等[26]、袁榕等[27]均通過logistic回歸分析納入CRB?SI危險因素，但納入標(biāo)準(zhǔn)不統(tǒng)一且差異較大，對后續(xù)模型的構(gòu)建有一定影響。如邵小青等[24]納入的CRBSI危險因素并未區(qū)分存在較大差異的兒童和成人，最終將影響模型的構(gòu)建。后續(xù)研究可借助針對性Meta分析以更全面地納入CRBSI相關(guān)危險因素。如范潤平等[30]通過Meta分析明確ICU患者CRBSI的危險因素，得到導(dǎo)管留置時間、多腔導(dǎo)管、股靜脈置管、腸外營養(yǎng)、ICU住院時間、APACHE II評分、合并糖尿病是ICU患者的CRBSI危險因素。

4.2 CRBSI危險因素篩選來源不足 既往模型構(gòu)建中，對于CRBSI危險因素的篩選來源不夠全面，且缺乏科學(xué)依據(jù)。孫文靜[31]通過4M1E法較全面地分析了住院鼻飼患者并發(fā)誤吸的影響因素，可作為今后擴大CRBSI危險因素篩選來源的一種借鑒。4M1E法包括人員、機器、材料、方法、環(huán)境5個方面，用于分析影響安全及品質(zhì)的因素。未來可運用4M1E法，從醫(yī)師、護士、患者、操作環(huán)境及耗材等角度，更全面地篩選CRB?SI的危險因素。

4.3 多數(shù)模型的預(yù)測效能未經(jīng)過驗證 要建立可以在臨床上推廣應(yīng)用的模型，必須進行內(nèi)部驗證與外部驗證，以評估其預(yù)測效能。但檢索到的相關(guān)預(yù)測模型均未經(jīng)過外部驗證，劉正偉[21]、王力紅等[26]構(gòu)建的模型僅經(jīng)過內(nèi)部驗證，而邵小青等[24]、袁榕等[27]及其他學(xué)者構(gòu)建的模型均未見內(nèi)外部驗證的相關(guān)報道，尚無法評價這些預(yù)測模型的預(yù)測性能。

4.4 缺乏特異性的風(fēng)險預(yù)測模型 成人ICU患者、小兒ICU患者、老年患者、血液透析患者等高危人群CRBSI的發(fā)生率往往不同[24-26]，通用的模型難以適用于全部人群。因此，有必要開發(fā)并構(gòu)建針對某一特定人群的特異性風(fēng)險預(yù)測模型，同時進行外部驗證。如有條件，可進行多中心調(diào)查研究，以體現(xiàn)更符合當(dāng)前臨床上針對特定群體的精準(zhǔn)預(yù)防。

4.5 針對不同方法構(gòu)建的風(fēng)險預(yù)測模型的比較及篩選有待加強 機器學(xué)習(xí)已成為人工智能領(lǐng)域的重要方法。國內(nèi)學(xué)者構(gòu)建的住院鼻飼患者誤吸風(fēng)險預(yù)測決策樹（classification and regression tree，CART）模型[32]實現(xiàn)了誤吸快速預(yù)測及風(fēng)險等級評價。機器學(xué)習(xí)方法用于急性腦卒中發(fā)病時間的預(yù)測[33]，也取得了很好的應(yīng)用效果。相關(guān)研究也為構(gòu)建CRBSI風(fēng)險預(yù)測模型提供了新的思路，以建立更便捷的風(fēng)險評估工具，更好地服務(wù)于臨床。此外，有必要比較不同方法構(gòu)建的風(fēng)險預(yù)測模型的優(yōu)劣性，從而篩選出更適合臨床應(yīng)用的評估工具。一方面基于不同來源的臨床數(shù)據(jù)重新建模，保持模型不斷更新，為模型不斷優(yōu)化和臨床廣泛使用提供基礎(chǔ)；另一方面，通過不同來源的數(shù)據(jù)評價模型的預(yù)測性能，對構(gòu)建的模型進行外部驗證，并全面考慮模型的經(jīng)濟效益及臨床效益。

5 小結(jié)

本文對現(xiàn)有的CRBSI風(fēng)險預(yù)測模型進行總結(jié)評價，從模型的構(gòu)建方法、預(yù)測能力、臨床應(yīng)用及不足等方面展開，可為構(gòu)建更適用于臨床的CRBSI風(fēng)險預(yù)測模型提供參考。