中心静脉导管相关性血流感染风险预测模型的研究进展

2023-08-08黄华勇胡雅静

上海护理 2023年5期

黄华勇，罗勤，胡雅静，丁婷，廖力

（1. 南华大学附属第一医院，湖南衡阳 421001； 2. 南昌大学护理学院，江西南昌 33000；3. 南华大学护理学院，湖南衡阳 421001）

中心静脉导管（central venous catheter，CVC）在ICU病房及门诊中应用普遍，其导致的常见并发症之一就是中心静脉导管相关性血流感染（catheter related blood stream infection，CRBSI）[1]。CRBSI是医院获得性感染之一，会显著增加患者的死亡率、延长其住院时间、增加患者的治疗费用[2]。国外有研究[3]报道，CRBSI日发生率为6.90‰～15.2‰。据国内蔡源益[4]报道，我国CRBSI发生率为4.9%。另有研究[5]表明，65%～70%的CRBSI是可以避免的。因此，识别出留置CVC的高风险人群，进行重点关注和及时干预，将有助于降低CRBSI的发生率。风险预测模型是近年来用于评估风险的一种重要方法，目前已有多个针对CRBSI的风险预测模型。本研究对相关风险预测模型进行综述，通过比较各模型的优势及不足，旨在为下一步构建更适用于临床的CRBSI风险预测模型提供参考依据。

1 CRBSI危险因素

目前国内外研究中有关CRBSI的危险因素主要集中在4个方面。①导管相关因素：除已知与导管类型有关外，多项研究[6-7]表明多腔导管是CRBSI的危险因素之一。②患者因素：除年龄、急性生理学及慢性健康状况（acute physiology and chronic health evaluation，APACHE-Ⅱ）评分、合并其他基础疾病（如糖尿病等）、合并其他感染等已经证实的因素外，近来有研究[8]表明患者置管前发热也与CRBSI密切相关。也有研究显示血红蛋白[9]、白蛋白[10]、患者的意识状态[11]等也与CRBSI有关。③诊疗因素：除与静脉营养、使用免疫抑制剂相关外，有研究[12]表明置管前使用抗生素会显著增加患者发生CRBSI的概率，且抗生素使用剂量[13]及使用时间[14]也会影响CRBSI的发生。④其他因素：如紧急置管[15]等也会增加CRBSI的发生率，操作人员工作年限[16]也是一个独立危险因素。上述影响因素都会导致CRBSI的发生，在构建风险预测模型时可将相关因素考虑在内。

2 临床预测模型概述

临床预测模型指以疾病的多病因为基础，利用参数、半参数或非参数的数学模型估计研究对象当前患有某病的概率或者将来发生某种结局的可能性[17]。一般模型的构建要经过3个阶段，即模型的建立、评价及验证[18]。目前模型的建立主要包括logistic回归模型、COX比例风险模型以及结合大数据的机器学习算法；而模型的评价主要包括区分度和校准度。区分度用C统计量和受试者工作特征（receiver operating character⁃istic，ROC）曲线下面积（area under curve，AUC）表示，而校准度通常采用校准曲线、Hosmer-Lemeshow拟合优度检验表示；模型的验证主要包括内部验证和外部验证。目前，预测模型研究已比较成熟地用于疾病的三级预防、医疗决策和临床管理，如用于脓毒症早期预警诊断[19]和老年髋部骨折术后患者肺部感染[20]。

3 CRBSI风险预测模型

CRBSI预测模型能筛选出留置CVC患者中存在感染风险的高危人群，具有重要的临床意义。当前针对CRBSI风险预测模型的研究可归纳为3类，即文献综述、队列研究以及病例对照研究。

3.1 基于文献综述构建的CRBSI风险预测模型刘正伟[21]通过文献综述的方法查找CRBSI危险因素，经Meta分析整合这些危险因素，通过危险因素的比值比（odds ratio，OR）中位数确定其权重，具体赋值如下：共存感染病灶16分、糖尿病10分、急危重症11分、导管留置时间9分、置管部位5分、年龄4分、完全胃肠外营养3分、免疫功能低下2分、管腔数2分，并据此构建了CRBSI风险评分系统；同时回顾性调查了460例留置CVC或经外周静脉穿刺中心静脉置管（peripherally in⁃serted central catheter，PICC）患者的电子病例资料，以有无发生CRBSI为结局指标，对CRBSI风险评分系统进行了验证。结果显示，构建的评分系统AUC值为0.899，说明该评分系统预测效能较好；最大约登指数为43，灵敏度为0.808，特异度为0.919。且认为，当评分结果超过43分时，患者置管风险较高。该模型为首个构建的CRBSI风险预测模型，较全面地纳入了影响CRBSI的危险因素，可以通过CRBSI风险评分系统来排除置管感染风险较低的患者，具有一定的临床意义。但该模型包括了传统的CVC和PICC患者。而相关研究[22-23]表明PICC发生感染的风险低于CVC，因此用该模型预测CVC感染可能有一定的偏差。另外，该研究在文献调查过程中，最终纳入Meta分析的文献并非全部高质量文献，存在发表偏倚，进而对危险因素赋值有一定影响；且研究未进行外部验证。因此，该模型还需要进一步完善和验证。

3.2 基于队列研究构建的ICU患者CRBSI风险预测模型邵小青等[24]调查了22所医院的22个综合ICU的1 276例患者，其中CRBSI患者89例，多因素logistic回归分析显示，抗菌药物的使用、基础疾病类型、导管类型、股静脉穿刺、置管天数是ICU患者发生CRBSI的独立危险因素，并据此构建了ICU患者CRBSI风险预测模型。结果显示，该模型AUC值为0.804[95%CI（0.764，0.844）]，预测模型判别效果较好，敏感度为0.820，特异度为0.693。此模型为国内首次报告的ICU患者CRBSI风险预测模型，能够较好地预测ICU患者发生CRBSI的风险，能够帮助医务工作者快速识别高危患者，进而尽早采取针对性干预措施以减少CRBSI的发生。但该模型未对研究对象中的儿童和成人进行区分，而成人与儿童置管感染的影响因素差异较大[25]，这可能是导致模型特异度不高的原因之一。同时，该模型未进行内部及外部验证，局限了其推广意义；且文献未说明具体的截断值，也未给出logistic回归预测模型的表达式、自变量权重及赋值等，均影响了其后续的推广应用。

3.3 基于病例对照研究构建的CRBSI风险预测模型

3.3.1 老年患者CRBSI风险预测模型王力红等[26]将2015－2017年3 519例留置CVC老年患者的电子病例分为建模组和验证组，对建模组数据进行多因素分析，得到ICU住院时间≥2 d、本次住院手术次数≥3次、使用抗菌药物、CVC使用时间≥7 d是老年患者发生CRBSI的危险因素，并据此构建了老年患者CRBSI风险预测模型。利用该模型对建模组所有患者进行评分，得到≥13分为高风险人群，并绘制了ROC曲线，结果显示 AUC值为0.74[95%CI（0.70，0.79），P<0.05]；同时在验证组中也绘制ROC曲线，结果显示AUC值为0.70[95%CI（0.61，0.78），P<0.05]；提示构建的风险预测模型判别效果较好。该模型是首次构建的老年患者CRBSI风险预测模型，且完整地进行了内部验证，也引入了风险模型的净获益，在阈值0.01～0.05范围内，净获益都更高，显示利用该模型对高风险人群进行干预有实际意义，为后续风险预测模型的研究提供了思路。但该模型并未进行外部验证，对模型的推广应用有一定的限制。后续可增加多中心研究和纳入更多的影响因素指标，以便开发出更贴合临床的风险预测模型。

3.3.2 ICU患者CRBSI风险预测列线图袁榕等[27]对2018－2020年354例ICU留置CVC患者的电子病例进行多因素logistic回归分析，得到CRBSI的影响因素，包括性别、糖尿病病史、置管天数、使用抗菌药物、置管部位为股静脉、白蛋白<35 g/L、抗感染导管类型等，构建的logistic回归模型表达式=性别×1.526+糖尿病病史×1.634+置管天数×2.922+使用抗菌药物×2.025+置管部位×0.943+白蛋白×1.092−导管类型×2.838，建立的CRBSI风险预测模型一致性指数为0.874[95%CI（0.826，0.922）]，说明该模型预测性能较好。列线图可将logistic回归方程图形化、可视化，依据每个变量的系数得到总分，并根据总分来计算风险发生的概率[28]。该研究为首次引入列线图建立的CRBSI风险预测模型，比以往构建的模型更加直观，易于临床医务人员操作；且该模型纳入了更多与患者自身相关的因素，如白蛋白、糖尿病病史，预测效能较好，能对个体发生CRBSI的概率进行有效预测。有学者[29]对全国41个省市55个ICU进行调查显示，CRBSI的日感染率为2.6‰，感染率为3.1%。而袁榕等[27]的调查资料表明，CRBSI感染率高达25.9%，可能因为只选取了2018－2020年某院的单中心病例，存在选择性偏倚，对危险因素的纳入和风险预测模型的建立有一定影响；且该模型未给出具体的截断值及高风险人群的具体分值，也未进行外部验证，缺乏临床普适性，影响了该模型在临床上的后续使用。

4 现有CRBSI风险预测模型存在的问题及思考

4.1 CRBSI危险因素筛选方法不足邵小青等[24]、王力红等[26]、袁榕等[27]均通过logistic回归分析纳入CRB⁃SI危险因素，但纳入标准不统一且差异较大，对后续模型的构建有一定影响。如邵小青等[24]纳入的CRBSI危险因素并未区分存在较大差异的儿童和成人，最终将影响模型的构建。后续研究可借助针对性Meta分析以更全面地纳入CRBSI相关危险因素。如范润平等[30]通过Meta分析明确ICU患者CRBSI的危险因素，得到导管留置时间、多腔导管、股静脉置管、肠外营养、ICU住院时间、APACHE II评分、合并糖尿病是ICU患者的CRBSI危险因素。

4.2 CRBSI危险因素筛选来源不足既往模型构建中，对于CRBSI危险因素的筛选来源不够全面，且缺乏科学依据。孙文静[31]通过4M1E法较全面地分析了住院鼻饲患者并发误吸的影响因素，可作为今后扩大CRBSI危险因素筛选来源的一种借鉴。4M1E法包括人员、机器、材料、方法、环境5个方面，用于分析影响安全及品质的因素。未来可运用4M1E法，从医师、护士、患者、操作环境及耗材等角度，更全面地筛选CRB⁃SI的危险因素。

4.3 多数模型的预测效能未经过验证要建立可以在临床上推广应用的模型，必须进行内部验证与外部验证，以评估其预测效能。但检索到的相关预测模型均未经过外部验证，刘正伟[21]、王力红等[26]构建的模型仅经过内部验证，而邵小青等[24]、袁榕等[27]及其他学者构建的模型均未见内外部验证的相关报道，尚无法评价这些预测模型的预测性能。

4.4 缺乏特异性的风险预测模型成人ICU患者、小儿ICU患者、老年患者、血液透析患者等高危人群CRBSI的发生率往往不同[24-26]，通用的模型难以适用于全部人群。因此，有必要开发并构建针对某一特定人群的特异性风险预测模型，同时进行外部验证。如有条件，可进行多中心调查研究，以体现更符合当前临床上针对特定群体的精准预防。

4.5 针对不同方法构建的风险预测模型的比较及筛选有待加强机器学习已成为人工智能领域的重要方法。国内学者构建的住院鼻饲患者误吸风险预测决策树（classification and regression tree，CART）模型[32]实现了误吸快速预测及风险等级评价。机器学习方法用于急性脑卒中发病时间的预测[33]，也取得了很好的应用效果。相关研究也为构建CRBSI风险预测模型提供了新的思路，以建立更便捷的风险评估工具，更好地服务于临床。此外，有必要比较不同方法构建的风险预测模型的优劣性，从而筛选出更适合临床应用的评估工具。一方面基于不同来源的临床数据重新建模，保持模型不断更新，为模型不断优化和临床广泛使用提供基础；另一方面，通过不同来源的数据评价模型的预测性能，对构建的模型进行外部验证，并全面考虑模型的经济效益及临床效益。