急性缺血性脑卒中患者卒中相关感染风险预测模型构建与验证

王嘉钰，刘 蕾，吴 薇，李春景，边 露，贺庆磊，曲志鑫，胡寒朔

(1. 辽宁中医药大学护理学院，辽宁 沈阳 110847； 2. 沈阳医学院护理学院，辽宁 沈阳 110034； 3. 沈阳大学人文社会科学研究院，辽宁 沈阳 110003)

据全球疾病负担研究(global burden of disease study，GBD)[1]显示，2005—2017年，我国缺血性脑卒中患病率由112/10万升高至156/10万。同期，患者的伤残调整寿命年也由975/10万增长至1 007/10万。卒中相关感染是其最常见且严重的并发症。塞尔维亚临床中心的回顾性研究[2]显示，急性缺血性脑卒中(acute ischemic stroke，AIS)患者卒中相关感染患病率为47.4%。其中肺部感染在卒中相关感染中的死亡比例最高，约占总死亡人数的三分之一[3]。在美国，因卒中相关感染每年花费的医疗费用约4.59亿美元[4]，对家庭和社会而言是沉重的经济负担。风险评估是一种有效判断疾病高危人群的手段，风险预测模型则可以通过对高危个体筛选实现疾病的三级预防。因此，尽早对AIS患者进行卒中相关感染风险评估，对指导卒中相关感染的预防与控制有重要意义。

《中国急性缺血性脑卒中早期血管内介入诊疗指南2018》[5]显示，结合我国具体国情，由于部分AIS患者在发病后未能及时就医，未能在时间窗内得到介入手术治疗[6]，加之基层医院开展介入手术的技术力量、组织管理能力均弱于上级脑卒中中心，因此大部分患者接受非手术治疗。现有研究多针对于AIS手术患者构建卒中相关感染风险预测模型，较少聚焦于AIS非手术治疗患者。因此，本研究旨在通过CHAID算法构建AIS患者发生卒中相关感染的决策树模型，为基层临床医务人员提供筛查工具。

1 对象与方法

1.1 研究对象 回顾性选取2020年6月—2021年6月某院神经内科病房收治的AIS患者为研究对象，将其以一定比例分配为训练组与验证组。纳入标准：①符合中国AIS的诊治指南[7]；②首次发生AIS；③年龄≥18周岁；④住院时间>2 d；⑤具有正常沟通能力；⑥自愿积极配合护理人员、已签署同意书者。排除标准：①入院前存在局部或全身性严重感染；②患有免疫或血液系统疾病；③合并恶性肿瘤；④纳入研究的临床指标数据缺失的患者；⑤AIS手术治疗或入住重症监护病房(ICU)的重症患者。

1.2 研究方法

1.2.1 临床资料收集 研究人员对患者的电子病历进行查阅，分别收集患者的社会人口学资料、疾病与实验室相关资料(纳入首次检查指标)三部分。第一部分包括年龄、性别、身体质量指数(body mass index，BMI)、住院时长、吸烟与饮酒史。第二部分收集患者既往手术史、患病史、意识状态、是否吞咽障碍、是否进行溶栓治疗；第三部分包括尿酸、尿素、肌酐、总胆固醇、空腹血糖、清蛋白(albumin，ALB)、高密度脂蛋白、胆固醇、甘油三酯等实验室检查结果。

1.2.2 结局指标测量标准 依据卫生部2001年颁发的《医院感染诊断标准(试行)》[8]对卒中相关感染进行判定。卒中相关感染指患者在脑卒中发病过程中未出现感染也未处于潜伏期，但在发作1周内出现感染的症状[9-10]。

2 结果

2.1 AIS患者一般资料及卒中相关感染发生情况 2020年6月—2021年6月神经内科病房共收治693例AIS患者，将其以7∶3的比例分配为训练组(484例)和验证组(209例)。训练组卒中相关感染发病率为17.8%(86例)，分别为泌尿系统感染34例(39.5%)，下呼吸道感染36例(41.9%)，上呼吸道感染、皮肤软组织感染各8例(各占9.3%)。验证组卒中相关感染发病率为20.1%(42例)，分别为泌尿系统感染25例(59.5%)，下呼吸道感染15例(35.7%)，上呼吸道感染2例(4.8%)。研究对象的一般特征见表1。

表1 训练组与验证组患者的一般特征

2.2 Lasso回归筛选预测变量 为解决多重共线性问题，本研究采用Lasso回归筛选预测变量。进入回归方程的变量共计9个，分别为年龄、甘油三酯、空腹血糖、糖尿病史、吸烟、合并呼吸系统疾病、心血管系统疾病、意识障碍、住院时长，在模型中具有系数非零。通过10倍交叉验证确定最优λ值，见图1。如图1A所示，两条虚线范围内模型的标准偏差改变幅度相对小，Lambda.1se=0.015 1时模型最精简，图1B中的曲线为候选预测因子系数轨迹，模型压缩程度随λ值增大而增大，相应得到更少的候选变量。

注：A为十倍交叉验证图；B为收缩系数图。

2.3 基于CHAID算法构建卒中相关感染决策树模型 以是否发生卒中相关感染(否=0，是=1)为因变量，将上述Lasso回归筛选出的9个预测因子作为协变量(赋值方式见表2)，采用CHAID算法对所有的变量进行筛查，构建决策树模型，见图2。该决策树模型共3层、7个节点(4个终端节点)与4条分类规则，见表3。以AIS患者所占节点构成比例代表该类人群卒中相关感染发生风险，筛选出2类高危人群：①未合并呼吸系统疾病、吸烟占该节点构成的11.2%；②未合并呼吸系统疾病、不吸烟、有糖尿病史占该节点构成的6.5%。

表2 自变量赋值表

表3 卒中相关感染风险预测决策树模型分类规则

图2 AIS患者发生卒中相关感染的决策树模型图

训练组决策树模型的曲线下面积(AUC)为0.921(95%CI：0.889～0.954，P<0.05)，见图3。Youden指数为0.719，灵敏度为97.5%，特异度为74.4%，Brier得分为0.004。

图3 建模组ROC曲线

2.4 模型验证 应用SPSS 26.0绘制ROC曲线，决策树模型的AUC为0.980(95%CI：0.962～0.999，P<0.05)，见图4。Youden指数为0.946，灵敏度为97.0%，特异度为97.6%，Brier得分为0.000 8。阳性与阴性检测率分别为97.62%、97.01%。验证组实际发生卒中相关感染的有41例，根据风险预测发生卒中相关感染的有41例。Kappa值为0.914，预测与实际临床结局具有较好一致性。

图4 验证组ROC曲线

3 讨论

本研究构建的模型共有3个预测指标，分别为合并呼吸系统疾病、吸烟与糖尿病史。合并呼吸系统疾病的AIS患者卒中相关感染发生风险高达87.7%，与无吸烟史的患者(卒中相关感染发生风险为2.5%)相比，有吸烟史者发生风险为11.2%，与毕宗勤等[10]的研究结果一致。AIS合并呼吸系统疾病者，由于其呼吸道纤毛结构功能异常、摆动频率降低，呼吸系统免疫功能降低。同时，脑卒中后患者体内免疫细胞数量和功能下降，因此易继发呼吸道感染[11]。研究[12]显示，吸烟产生的烟雾会导致纤毛清理能力降低，引发支气管黏膜下腺体增生肥大、黏液分泌过多，从而造成支气管阻塞，增加感染概率。另外，烟雾导致机体全身氧化应激反应，加速血管老化，增加感染风险[13]。研究[14]发现，有糖尿病史的脑卒中患者卒中相关感染发病率高达33.3%。本研究结果显示，有糖尿病史相比于无糖尿病史的AIS患者发生卒中相关感染风险由0.5%增长至6.5%，与国内外研究[15-16]结果相似。这是由于患者机体长期处于高血糖状态，为细菌提供良好的生长环境，抑制体内白细胞趋化性，降低白细胞抗炎能力，增加了感染风险。Lin等[17]研究表明，糖尿病患者血浆葡萄糖浓度每升高1 mmol/L，肺部感染风险就会增加6%～10%。糖尿病合并脑卒中患者若血糖水平控制不佳，不仅会增加原发病的治疗难度，还会进一步增加其感染甚至死亡风险[18]。因此，临床护理人员需要加强对医院感染防控工作的落实。对患者进行全面的入院健康评估。并结合本研究结果对重点人群加强防护，包括制定个性化戒烟干预方案、积极控制血糖、规范抗菌药物的使用等，以防卒中相关感染的发生。

本研究开发的模型预测能力良好，两组模型ROC曲线下面积分别为0.921、0.980。Westendorp等[19]学者采用logistic回归联合多个因素构建预测模型，模型ROC的AUC为0.82。目前临床上常用一些评分系统预测卒中相关感染发生风险，如格拉斯哥昏迷指数(Glasgow coma scale，GCS)、美国国立卫生研究院卒中量表(National Institute of Health stroke scale，NIHSS)等。宋甜田等[20]与吴晓慧等[21]分别用GCS、NIHSS评分对脑卒中手术后患者医院感染风险进行预测，ROC的AUC分别为0.747、0.678。本研究模型预测效能优于以上研究。可能与本研究采用的统计学方法可提高模型的预测精度有关。

本研究应用决策树构建模型，与logistic回归相比更加考虑到预测因子之间的交互作用，可为临床预测提供更准确可靠的分类规则。如当AIS患者未合并呼吸系统疾病，有吸烟史时可以直接预测患者发生卒中相关感染的风险性为11.2%；当患者未合并呼吸系统疾病、无吸烟史时，需要考虑患者是否有糖尿病史才可以作出判断，预测指标与卒中发生之间的路径关系更为清晰，结果直观易懂。因此，本研究为AIS患者发生卒中相关感染提供了一个简便易行、预测效能好的评估工具。且模型所纳入的预测因子是临床易于收取的资料，使该模型具备较好的临床适用性与操作性，为医护人员简化了评估流程。

综上所述，本研究面向AIS非手术治疗患者群体，采用Lasso回归筛选变量解决数据共线性问题；基于CHAID算法决策树建模为临床提供更准确可靠的分类规则。本研究构建的模型较简单直观，预测因子获取简便，从而为预防AIS非手术治疗患者住院期间发生卒中相关感染提供简便清晰的评估工具。由于本研究采用回顾性方法来收集病历资料，病历记录缺失或错误可能会导致在资料收集过程中产生信息偏倚。另外，由于本研究只观察住院期间患者感染发生情况，未进行随访，导致感染的发生率可能低于实际发生率。因此，日后可对其进行随访，并采用多种模型横向对比以获得准确性更高、适用性更强的预测模型。

利益冲突：所有作者均声明不存在利益冲突。