神經外科手術患者院感風險預測模型的構建與驗證

李昊雪 海云婷 陸雪耕 曲 琳

（內蒙古自治區人民醫院院感監測科，內蒙古 呼和浩特，010017）

神經外科收治病種復雜、病情變化較快，收治的患者大多為急危重、存在意識障礙，涉及的有創性操作較多、手術難度較大、自身免疫力狀態低下等，已經成為醫院內感染率較高的科室之一[1]。神經外科手術后容易發生醫院感染，醫院感染率介于5%～28%之間[2-3]。神經外科術后醫院感染嚴重影響了患者的手術療效，增加患者再次手術的可能與風險，且伴隨著高發病率、高病死率、高疾病負擔[4-5]。因此，早期研判神經外科手術患者醫院感染相關的危險因素，開展目的性強的針對性感控干預，完善醫院感染防控措施，降低醫院感染率是神經外科亟待解決的重要問題。近年來，依托院感信息化平臺，建立數學預警模型，可早期識別感染的高風險人群，在疾病預后等方面都凸顯出較大優勢。其中，列線圖模型、人工神經網絡是目前較為成熟的兩種構建預測模型的方法，臨床實用價值更高，比傳統預測模型更具優勢，有助于實現個體化診療、護理，提高醫療質量、保障患者安全、減少院感事件發生[6-7]。基于此，本研究充分利用醫院內感染管理信息模塊，結合神經外科手術患者病歷資料，構建列線圖及神經網絡預測模型，實現盡早篩查、防控，達到感控時機關口前移的目的，為進一步開展相關感控工作提供指導。現將結果報道如下。

1 資料與方法

1.1 一般資料

采用回顧性研究，納入2020年1月—2022年12月于內蒙古自治區人民醫院神經外科接受手術治療的2 239例患者作為研究對象。將2020年1月—2021年12月的患者作為模型構建組，將2022年1月—2022年12月的患者作為驗證組。本研究已獲得內蒙古自治區人民醫院醫學倫理委員會批準。

1.2 納入與排除標準

納入標準：①住院時間＞48 h；②接受神經外科手術治療；③年齡≥18歲。

排除標準：①臨床病歷資料信息缺失；②手術前已經發生腦膿腫、腦膜炎等感染性疾病，術后病理結果證實為感染性疾病；③入院時已經發生社區感染；④合并嚴重心、肝、肺、腎疾病者。

1.3 方法

①醫院感染診斷標準。參照原衛生部《醫院感染診斷標準（2001版）》[8]，并結合患者臨床病歷。

②病歷資料收集。前期大量閱讀有關文獻，進行文獻分析，在此基礎上，結合該院的實際情況，咨詢相關專家，制訂《神經外科手術患者目標性監測數據調查表》。由醫院感染控制科專職人員聯合臨床感控醫生，借助醫院信息系統（患者360視圖）和杏林醫院感染監測系統進行數據收集，并進行數據交叉核對。具體調查內容包括：患者的人口學特征情況（包括：住院號、性別、年齡、入院日期、出院日期等）、基礎性疾病（是否患有腫瘤、心腦血管疾病、腦出血、腦梗死、其他神經系統疾病、糖尿病、肝硬化、腎病等）、手術相關情況、抗菌藥物使用情況（細菌耐藥情況、預防性使用抗菌藥物情況）、醫院感染情況的指標。

③預測模型危險因素篩選與構建。采用單因素和多因素Logistic回歸進行醫院感染的危險因素分析，P＜0.05表示差異有統計學意義。基于各項危險因素的回歸系數構建列線圖風險預測模型，采用多層感知器神經網絡設置建立神經網絡模型，P＜0.05表示差異有統計學意義。

④預測模型驗證。采用受試者工作特征曲線（receiveroperating characteristic，ROC）曲線和校準曲線對模型的區分度和校準度進行評價。采用Hosmer-Lemeshow擬合優度檢驗評價模型的擬合優度和精確度，P＞0.05表示模型符合程度較好。ROC曲線下面積（AUC）越接近于1，說明模型的預測能力越準確，一般來說，AUC＞0.7即可認為模型的區分度良好；預測校準曲線越貼近于標準曲線（Hosmer-Lemeshow擬合優度P＞0.05），則說明模型的預測能力越好。

1.4 統計學分析

使用Excel 2010軟件整理匯總相關數據，采用SPSS 22.0統計學軟件對數據進行統計分析，采用R4.2.2軟件繪制列線圖風險預測模型以及ROC曲線和校準曲線。

2 結果

2.1 一般情況

本次研究共納入研究對象2 239例，建模組1 597例，驗證組642例。其中476例發生醫院感染，醫院感染發生率為21.26%。建模組324例發生醫院感染，醫院感染發生率為20.28%；驗證組152例發生醫院感染，醫院感染發生率為23.68%。

2.2 神經外科手術患者醫院感染危險因素識別

①神經外科手術患者醫院感染單因素分析：建模組1 597例患者，醫院感染共324例，非感染共1 273例。單因素結果顯示，手術部位放置引流管、手術前住院時長、手術時長、急診手術、麻醉方式、本次入院第1次手術、術前預防用藥與神經外科手術患者醫院感染有關，差異具有統計學意義（P＜0.05），見表1。

②神經外科手術患者醫院感染多因素Logistic分析：對單因素有意義的8項危險因素進行多因素Logistic回歸分析，結果顯示，手術部位放置引流管、手術時長、急診手術、麻醉方式、術前預防使用抗菌藥物是神經外科手術患者醫院感染的獨立預測因素（P＜0.05），見表2。

2.3 風險預測列線圖模型的構建與驗證

①風險預測列線圖模型構建：通過R軟件繪制風險預測列線圖，見圖1。結果顯示，麻醉方式對神經外科手術患者醫院感染的影響最大，其次是術前預防使用抗菌藥物、ASA評分，手術時長、手術部位放置引流管對手術患者醫院感染的影響較小。

圖1 手術患者醫院感染風險預測列線圖

②風險預測列線圖模型驗證：使用建模組數據對列線圖模型進行內部驗證，結果顯示：Hosmer-Lemeshow擬合優度檢驗結果χ2=12.000，P=0.101（P＞0.05）；校準曲線顯示，模型的預測曲線接近實際曲線。模型ROC曲線下面積為0.805＞0.7，模型區分度較好。使用驗證組數據對模型進行外部驗證，通過Hosmer-Lemeshow擬合優度檢驗評價模型擬合優度，結果顯示χ2=5.017，P=0.414（P＞0.05），校準曲線顯示，模型預測曲線接近實際曲線。驗證組ROC曲線下面積為0.802＞0.7。

2.4 神經網絡模型構建與驗證

①神經網絡模型的構建：所有醫院感染因素均使用與Logistic回歸分析相同的賦值。輸出變量為是否發生醫院感染，輸入變量為神經外科手術患者醫院感染相關獨立影響因素，自動優化隱含層神經元數。醫院感染的重要性排序前五位自變量及標準化重要性分別為：ASA評分（100%）、急診手術（94.3%）、麻醉方式（81.9%）、術前預防使用抗菌藥物（44.1%）、手術時長（35.0%）。

②神經網絡模型的預測能力評價：模型共納入2 239個樣本，按照7∶3比例隨機分為訓練樣本和測試樣本，訓練樣本預測正確率為94.8%，測試樣本預測正確率為94.4%。以“1-特異度”為橫坐標，以“敏感度”為縱坐標繪制ROC曲線，ROC曲線下面積為0.795。

3 討論

神經外科手術病人發生醫院感染的比例較高,本研究顯示，神經外科手術患者醫院感染率為21.26%，仍處于較高水平，高于黃菊、尚琴芬等[9-10]報道，可能原因為本研究選取的目標醫院為內蒙古自治區人民醫院，既接收下級醫療機構轉診患者，也要接收上級醫院轉回的患者，急、危、重癥患者居多，手術患者人數多，疾病復雜、病情嚴重，可能會增加病人術后發生醫院感染的風險。應得到臨床醫生的充分重視，可采取多學科協作方式，精確量化醫院感染發生風險，強化神經外科醫院感染的目標性監測工作。

結合列線圖模型和神經網絡模型的分析結果可知，麻醉方式、術前預防使用抗菌藥物、ASA評分、急診手術為神經外科手術患者醫院感染獨立預測因素。已有學者研究證實，麻醉和呼吸道感染之間的相關性，不同麻醉方式誘發呼吸道感染的情況有所差異[11]。可能與麻醉操作時使用醫療器械、麻醉藥物及實施麻醉部位不同有關。采取全麻或局麻，手術中需要行氣管插管機械輔助呼吸。侵入性操作、機械性刺激均可引起氣管損傷、呼吸道麻痹，易發生術后感染[12-13]。今后的工作中，要及時、動態掌握手術病例相關情況，針對麻醉方式等危險因素認真評估、全程監控。預防性使用抗菌藥物是臨床研究的熱點話題，已得到循證醫學證據證實。羅敏等[14]綜合以往研究，提出術前合理使用抗菌藥物，對預防術后肺部感染及改善預后存在一定幫助。這與本研究結果相一致，提示在充分考慮患者病情等基本情況的條件下，加強抗菌藥物使用管理，合理為存在適應證的患者預防性使用抗菌藥物有利于防控手術部位感染。且管理應關鍵在于減少抗菌藥物的整體使用，而不是限制某一特定種類，這一點需要引起注意。ASA分級的主要作用是評估擬手術患者風險，共分為5級，等級越高，患者術后發生醫院感染的風險越高，ASA評分≥2級可以預測患者術后醫院感染，評分越高更容易出現各種術后并發癥，延長愈后時間。陳麗萍等[15]的研究同樣顯示，ASA評分＞2級是顱腦損傷術后發生肺部感染的高危因素，與本研究結果一致。提示進行術前評估，有助于發現術中知曉的高風險患者。本研究結果顯示，急診手術引起醫院感染發生率是擇期手術的3.2倍（OR=3.157），與車莎[16]、胡新[17]等研究結果一致。急診手術者以急、危、重癥患者居多，病情較擇期患者嚴重，參與搶救醫務人員工作量大，可能存在術前準備不足、沒有嚴格執行無菌操作及手衛生規范等情況有關。

風險預測模型應用在醫學感染防控的領域，自變量為感染發生的相關因素，是否發生感染作為因變量，探討其之間的相互關系，預測感染發生的概率，在提高醫務人員工作效率及醫療質量、改善醫院管理效果等方面發揮重要作用[18-20]。本次研究建立的列線圖預測模型和神經網絡模型在建模組和驗證組數據中均具有良好的區分度和校準度，說明模型的預測效能良好，可量化各項危險因素，預測神經外科術后醫院感染風險，提高感控工作效率，實現醫療資源的合理分配。其中，列線圖模型的靈敏度及特異度要高于神經網絡模型，預測性能優于神經網絡模型，預測結果更加直觀、清晰，實用性較強。此外，本次研究納入對象均來自內蒙古自治區人民醫院，可能存在一定局限性，今后還會繼續開展相對多中心、大規模研究，納入更多可能的風險因素，使模型更具有代表性，更好地應用于臨床。