创伤病人术后多重耐药菌医院感染风险模型的构建

Construction of nosocomial multi⁃drug resistant bacterias infection risk model of trauma patients undergoing surgery

GUO Leilei， QIN Hongying， WU Zhenzhen， ZHANG Yi， ZHAO Zhichen

Zhengzhou Central Hospital Affiliated to Zhengzhou University， Henan 450007 China

Corresponding Author" GUO Leilei， E⁃mail： gll19890429@163.com

Abstract" Objective：To analyze the risk factors of nosocomial multi⁃drug resistant bacterias（MDRO） infection in trauma patients undergoing surgery by Lasso⁃Logistic regression analysis and classification tree（CHAID） algorithm，build a risk prediction model and compare the results.Methods：The clinical data of trauma inpatients in Zhengzhou University Affiliated Zhengzhou Central Hospital from January 2019 to January 2022 were retrospectively analyzed.The risk prediction models were established by CHAID algorithm and Lasso-Logistic regression，respectively.The goodness of fit test was used to evaluate the effect of the model，and the area under the receiver operating characteristic curve（ROC） curve（AUC） was used to compare the advantages and disadvantages of the two prediction models.Results：A total of 821 trauma patients were included as the modeling group，including 191 trauma patients with MDRO 23.26%；Classification tree model and logistic regression showed that APACHE Ⅱ score≥20 scores，fever days≥3 days，hospitalization days≥10 days，PCT level≥0.5 ng/L on admission were independent risk factors for postoperative MDRO infection in trauma patients.The risk prediction accuracy of classification tree model was 79.2%，and the model fit effect was good.The Hosmer⁃Lemeshow goodness of fit test for Lasso⁃Logistic regression showed that the fitting effect of the model was relatively good（P=0.146）.And the Bootstrap internal validation showed that the prediction ability of the model was good.The AUC of classification tree model was 0.792（95%CI 0.763⁃0.819），and the AUC of Lasso⁃Logistic regression model was 0.862（95%CI 0.836⁃0.885），the predictive value of the two models were medium.The difference between the two models was statistically significant（Plt;0.001）.Net Reclassification Index（NRI） evaluation indicated that the Lasso⁃Logistic regression model was superior to the classification tree model（NRI=0.153 6）.Conclusion：Both models could provide a more intuitive form of presentation.The complementary combination of the two models could early identify the risk factors of postoperative MDRO infection in trauma patients from different perspectives.We should take effective prevention and control measures to reduce the incidence of MDRO nosocomial infection.

Keywords" trauma； multi⁃drug resistant bacteria， MDRO； nosocomial infections； risk factors； Lasso⁃Logistic regression； classification tree， CHAID；prediction model； investigation and research

摘要" 目的：应用Lasso⁃Logistic回归分析和分类树（CHAID）算法分析创伤病人术后多重耐药菌（MDRO）医院感染的危险因素，构建风险预测模型并比较结果的优劣性。方法：回顾性分析2019年1月—2022年1月郑州大学附属郑州中心医院创伤住院病人的临床资料，应用CHAID算法和Lasso⁃Logistic回归分别建立风险预测模型，采用拟合优度检验评价模型效果，使用受试者工作特征（ROC）曲线下面积（AUC）比较两种预测模型的优劣。结果：共纳入821例创伤病人，其中创伤合并多重耐药菌感染191例，感染率为23.26%，分类树模型和Logistic回归结果均显示，急性生理学及慢性健康状况评分系统（APACHE Ⅱ）评分≥20分、发热时间≥3 d、住院时间≥10 d、入院时降钙素原（PCT）≥0.5 ng/L是创伤病人术后多重耐药菌感染的独立危险因素。分类树模型的风险预测正确率为79.2 %，模型拟合效果较好；Lasso⁃Logistic回归模型Hosmer⁃Lemeshow拟合优度检验显示模型拟合较好（P=0.146），Bootstrap内部验证模型预测能力较好。分类树模型的AUC为0.792［95%CI（0.763，0.819）］，Lasso⁃Logistic回归模型的AUC为0.862［95%CI（0.836，0.885）］，两种模型的预测价值中等，通过比较两种模型预测价值差异有统计学意义（Plt;0.001）。净重分类指数（net reclassification index，NRI）评价提示Lasso⁃Logistic回归模型优于分类树模型（NRI=0.153 6）。结论：Lasso⁃Logistic回归分析与分类树模型均能提供较为直观的呈现形式，两种模型互补结合使用可以从不同角度早期识别创伤病人术后多重耐药菌感染的风险因素，应采取有效防控措施降低多重耐药菌医院感染发生率。

关键词" 创伤；多重耐药菌；医院感染；危险因素；Lasso⁃Logistic回归；分类树；预测模型；调查研究

doi：10.12102/j.issn.1009-6493.2025.03.002

据统计，我国每年因创伤就医者高达6 200万人次，每年因创伤致死人数达70～80万人，占死亡总人数的9%左右[1]。创伤病人由于病情危重，病情进展快，并发症多，手术治疗往往是首选方法。近年来，随着创伤病人不断增加，术后多重耐药菌（multi⁃drug resistant bacteria，MDRO）已经成为感染主要的病原菌。研究发现创伤创面的医院感染中，多重耐药菌检出率高达40%[2]。同时多项研究表明，创伤术后可以并发多种类型的医院感染，术后肺炎的发生率可达25%～50%[3⁃4]，此外，在创伤性胫腓骨骨折的病人中，术后切口感染率为8.29%[5]，急诊外科创伤手术病人切口感染率也可达14%左右[6]。因此，早期识别并管控创伤术后医院感染的发生具有重要意义。目前，对于创伤病人术后多重耐药菌感染预测模型的研究仍然较少。本研究通过分析创伤手术病人感染的相关危险因素，通过分类树（CHAID）算法与Lasso⁃Logistic回归分析法构建风险预测模型，比较两种模型预测效果，合理结合两种模型，用于早期识别发现创伤手术病人多重耐药菌感染的风险因素，积极采取有效防控措施降低多重耐药菌医院感染发生率。

1" 对象与方法

1.1 研究对象

回顾性分析2019年1月—2022年1月郑州市中心医院入住重症监护病房（ICU）的821例创伤病人资料。纳入标准：1）创伤病人伤后生存时间≥48 h；2）入住重症监护病房，均为手术病人；3）入院48 h以后发生多重耐药菌感染，符合医院感染诊断标准[6]及多重耐药菌感染诊断标准[7]。排除标准：1）入院时或入院48 h内已诊断为多重耐药菌感染；2）入院48 h内死亡或放弃治疗；3）临床资料及实验室检查相关资料不全。创伤病人诊断标准参考人民军医出版社2010年第1版《多发伤救治学》中多发伤的定义。

1.2 研究方法

采用回顾性研究方法，通过医院信息系统（hospital information system，HIS）及杏林医院感染监测系统（hospital infection survey system，HISS）调取并收集所有创伤住院病人的临床资料。调查内容包括性别、年龄、基础疾病、低蛋白血症、激素治疗、急性生理学及慢性健康状况评分系统（APACHE Ⅱ）评分、是否发热、发热时间、住院时间、手术类型、手术时长、抗菌药物使用种类、抗菌药物使用时间、留置导管、机械通气以及入院时血清清蛋白、降钙素原（PCT）水平等。

1.3 模型的构建与验证

1.3.1 模型构建

单因素分析筛选创伤病人术后多重耐药菌感染的危险因素，单因素分析以Plt;0.05为差异有统计学意义，将有统计学意义的变量纳入多因素Lasso⁃Logistic回归分析；采用CHAID算法构建分类树模型，将医院感染作为因变量，单因素分析中有统计学意义的相关因素作为自变量；模型参数：将入住重症监护病房的821例创伤病人分为训练集（70%）和验证集（30%），用训练集数据建立分类树风险预测模型。分类树模型的参数设置如下：父节点和子节点的最小样本量为100和50，最大生长深度为3，检验水准α=0.05。

1.3.2 模型验证

Lasso⁃Logistic回归模型采用Hosmer⁃Lemeshow方法进行拟合优度检验，采用Bootstrap方法进行内部验证，使用受试者工作特征（ROC）曲线下面积（area under the curve，AUC）评价模型的拟合效果。通过绘制校准曲线评估模型的预测效果。分类树模型通过Risk风险统计量进行性能分析评价；采用ROC曲线及AUC对预测效果进行评价。采用ROC、净重分类指数（net reclassification index，NRI）评价两种模型的诊断效能。NRI计算方法：NRI=（模型Ⅱ灵敏度+模型Ⅱ特异度）-（模型Ⅰ灵敏度＋模型Ⅰ特异度）[8]。模型Ⅰ为分类树模型，模型Ⅱ为Lasso⁃Logistic回归模型。NRIgt;0，说明为正改善，说明模型Ⅱ比模型Ⅰ的预测能力有增强；NRIlt;0，说明为负改善，模型Ⅱ预测能力下降；若NRI=0，则认为模型Ⅰ无改善。

1.4 统计学分析

Lasso⁃Logistic回归分析采用R（4.1.2）软件进行，分类树（CHAID）算法分析采用SPSS 24.0软件进行。单因素分析采用χ2检验；多因素分析采用二分类Lasso⁃Logistic回归分析；分类树模型采用CHAID算法；ROC曲线的比较采用MedCalc V 20.1.0软件，具体采用R软件glmnet程序包进行Lasso⁃Logistic回归模型分析，ROCR程序包绘制ROC曲线，Risk Regression程序包绘制模型的校准曲线。以Plt;0.05为差异有统计学意义。

2" 结果

2.1 病人基本资料

共纳入821例病人，其中男198例，女623例；年龄（46.23±11.21）岁；多重耐药菌医院感染191例，医院感染发生率为23.26%；其中肺部感染占40.84%（78/191），尿路感染占24.61%（47/191），创面感染占17.80%（34/191），血流感染占12.04%（23/191），手术部位感染占4.71%（9/191）。术后肺炎发生率为9.5%。191例多重耐药菌感染病人检出病原菌221株，其中耐碳青霉烯类鲍曼不动杆菌（CRAB）64株（28.96%），耐碳青霉烯类肺炎克雷伯菌（CRKP）54株（24.43%）、耐碳青霉烯类铜绿假单胞菌（CRPA）34株（15.38%）、产超广谱β⁃内酰胺酶（ESBLs）肺炎克雷伯菌26株（11.76%）、产超广谱β⁃内酰胺酶（ESBLs）大肠埃希菌18株（8.14%）、耐甲氧西林金黄色葡萄球菌（MRSA）15株（6.79%）、其他病原体10株（4.52%）。

2.2 影响创伤病人术后多重耐药菌感染的单因素分析

单因素分析结果显示：感染组与未感染组病人的APACHE Ⅱ评分、是否发热、发热时间、住院时间、手术类型、手术时长、手术风险分级标准（NNIS）评分、是否联合使用抗菌药物、抗菌药物联合使用时间、是否联合使用特殊抗菌药物、特殊抗菌药物使用时间、是否使用呼吸机、呼吸机插管时间、有无中心静脉插管、中心静脉插管时间、入院时PCT水平比较，差异均有统计学意义（Plt;0.05）。详见表1。

2.3 影响创伤病人术后多重耐药菌感染的多因素Lasso⁃Logistic回归分析结果

分析Lasso⁃Logistic回归模型，通过交叉验证确定最优λ值。折叠次数为10，详见图1。本研究中lambda.1se的值选择0.004 812。随着λ值增大，模型压缩程度增大，进入模型的自变量逐渐减少，模型选择主变量的能力则会增强[9]。详见图2。

以感染为因变量，将单因素分析有统计学意义的因素为自变量，进行二分类Lasso⁃Logistic回归分析，结果显示，APACHE Ⅱ评分≥20分、发热时间≥3 d、住院时间≥10 d、使用特殊抗菌药物、入院时PCT≥0.5 ng/L是创伤病人术后多重耐药菌感染的独立危险因素（均Plt;0.05），详见表2。

2.4 影响创伤病人术后多重耐药菌感染的多因素决策树模型

将单因素分析中有统计学意义的16个变量作为预测因子纳入分类树模型，采用CHAID算法构建分类树模型。模型总共分3层，包括9个节点，其中终末节点5个。共筛选出4个重要的解释变量，分别是住院时间、发热时间、APACHE Ⅱ评分、入院时PCT，结果显示，住院时间≥10 d是创伤病人术后多重耐药菌感染最重要的影响因素，其感染率高达49.3%，高于住院时间lt;10 d的病人（14.7%），在住院时间≥10 d的病人中，1个预测变量是入院时PCT≥0.5 ng/L，其感染率是66.7%，在住院时间lt;10 d的病人中，1个预测变量是发热时间，发热时间≥3 d的病人感染率是27.0%，而发热时间lt;3 d的病人中APACHEⅡ评分≥20分作为1个预测变量，其感染率是34.6%。分类树模型的风险为0.202±0.014，表明使用该模型对创伤病人术后多重耐药菌感染的发病风险预测正确率为79.8%，说明该模型的拟合效果较好。详见图3。

2.5 两种预测模型的验证与比较

Lasso⁃Logistic回归模型对数据进行分析，获得个体发生院内感染的预测概率P，约登指数最大的值为最佳诊断界值，本模型的界值为0.600 7，若P≥0.600 7时，个体判别为医院感染病人；Plt;0.600 7时个体判别为非院内感染个体。多因素Lasso⁃Logistic回归分析预测AUC为0.862[95%CI（0.836，0.885）]；分类树预测AUC为0.792[95%CI（0.763，0.819）]，两种模型的预测价值中等（0.7～0.9），预测效果较好，对两种不同指标的AUC进行比较，结果表明，差异有统计学意义（Z=5.668，Plt;0.001）。Lasso⁃Logistic回归模型灵敏度为78.01%，特异度为82.06%；分类树模型灵敏度为69.63%，特异度为75.08%。NRI评价两种模型的诊断效能，结果显示，NRI=0.153 6。说明Lasso⁃Logistic回归模型优于分类树模型。Lasso⁃Logistic回归分析模型与分类树模型的效果比较见表3，Lasso⁃Logistic回归分析模型与分类树模型的ROC曲线图见图4。

3" 讨论

创伤病人往往病情危重，多伴有休克、昏迷或肢体功能不全，需要长期卧床，尤其是气管插管或气管切开病人，大量分泌物积存在插管处，易发生肺部感染。一般情况下，创伤病人多行急诊手术，术后肺炎往往是最常见的并发症[10]。本研究结果显示，创伤病人术后多重耐药菌医院感染率为23.26%，多重耐药菌感染主要以革兰阴性菌为主。与林华杰等[11]研究结果一致。本研究中主要感染部位是肺部感染、尿路感染、创面感染，其中创伤病人术后肺炎的发生率为9.5%，低于谭瑞娟等[12]研究结果，即重症胸部创伤术后机械通气病人肺部多重耐药菌感染率为46.61%。

本研究分类树模型和Lasso⁃Logistic回归两种预测模型结果均显示，APACHE Ⅱ评分≥20分、发热时间≥3 d、住院时间≥10 d、入院时PCT≥0.5 ng/L是创伤病人术后多重耐药菌感染的独立危险因素（Plt;0.05）。其中住院时间≥10 d与医院感染的发生密切关联。研究表明，随着住院时间的延长，医院感染风险会逐渐增加。同时发热超过3 d是感染的危险因素，发热是机体的应激性炎症反应，长时间发热与机体持续抗感染免疫应答有关[13⁃14]。此外，研究证实，APACHE Ⅱ评分与创伤术后肺部感染有关，APACHE Ⅱ评分与肺部感染并发症发生率具有明显的相关性，评分越高，发生率越高[15]。PCT作为严重细菌感染早期敏感特异的生物指标，在感染预警诊断和预后判断方面具有较高的临床价值。陈晓艳等[10]研究发现，PCT是影响颅脑创伤住院病人并发肺部感染的独立因素。此外，有研究也发现PCT对于评估腹部创伤术后早期切口感染具有一定的诊断价值[16]。

本研究Lasso⁃Logistic回归分析预测AUC为0.862[95%CI（0.836，0.885）]，与黄铭杰等[17]对骨科创伤病人的研究结果接近。Lasso回归使用正则化方法在回归优化函数中增加1个偏置项，以减少共线性的影响，从而减少模型方差[18]。在变量之间具有高维度和多重共线性的情况下能取得良好的预测效果。与Logistic回归模型相比，Lasso⁃Logistic回归模型选择的变量拟合和预测效果相对较好[19]。分类树模型对分布资料无要求，输出的图形构造更直观，能展示各变量之间的相互作用，具体分析各亚变量之间的差异，为决策提供依据。虽然分类树模型也可处理共线性的问题，但分类树对影响因素单独效应的定量解释和稳定性不如Logistic回归分析模型[20]。因此，将两种模型的结果结合起来进行解释具有更好的优势。本研究采用Lasso⁃Logistic回归筛选变量，克服了以往Logistic回归的局限性，在处理各变量间的共线性上有优势。此外，将两种模型结合，可以最大限度发现潜在危险因素。本研究的不足之处主要是单中心研究，研究数据存在选择性偏差；且未纳入更多实验室检测指标，也未对不同医院感染部位进行风险预测，仍需扩充更多指标来构建模型。同时尚需进一步外部验证，对模型的外推效果进行评价。

4" 小结

综上所述，本研究通过分类树及Logistic回归模型对创伤术后多重耐药菌感染的影响因素进行筛选，并进行预测，采用ROC曲线分析验证模型优劣，结果显示，多因素Lasso⁃Logistic回归的预测效果优于分类树模型。建立医院感染风险模型是目标性监测的重要手段，可以为制订医院感染预防控制措施提供重要的理论依据。

参考文献：

[1]" ZHOU J，WANG T B，BELENKIY I，et al.Management of severe trauma worldwide：implementation of trauma systems in emerging countries：China，Russia and South Africa[J].Critical Care，2021，25（1）：286.

[2]" 张泽琼，谭淦珊，王述军，等.骨科创伤患者院内创面多重耐药菌感染的危险因素分析[J].中华创伤杂志，2021，37（8）：726-732.

[3]" 金欠欠，吴建贤，张金牛，等.急性颈髓损伤患者继发肺部感染高危因素的回顾性研究[J].中华物理医学与康复杂志，2021，43（11）：983-986.

[4]" 戴俊芬，戴伟民，戚东静，等.颅脑损伤开颅术后肺部感染危险因素分析及预测模型构建[J].中华医院感染学杂志，2021，31（7）：1034-1038.

[5]" 诸利刚，孙杰，成震宇.创伤性胫腓骨骨折术后切口感染的病原菌和危险因素调查[J].中国消毒学杂志，2019，36（11）：822-824.

[6]" 赵丽敏，潘晓青.急诊外科创伤术后切口感染危险因素[J].中华医院感染学杂志，2021，31（23）：3552-3555.

[7]" 卫生部办公厅.关于印发《多重耐药菌医院感染预防与控制技术指南（试行）》的通知[EB/OL].（2011-01-17）[2023-09-06].https：//www.nhc.gov.cn/cms-search/xxgk/getManuscriptXxgk.htm？id=50487.

[8]" 于莉莉，武颂文，夏结来.利用净重新分类指数与整体鉴别指数评价一种新危险因素的补充预测能力[J].中国卫生统计，2017，34（5）：761-763.

[9]" TIAN L，LI X M，ZHENG H L，et al.Fisher discriminant model based on Lasso-Logistic regression for computed tomography imaging diagnosis of pelvic rhabdomyosarcoma in children[J].Scientific Reports，2022，12（1）：15631.

[10]" 陈晓艳，张燕萍，苏星，等.颅脑创伤住院并发肺部感染病人多指标联合预警诊断模型的建立[J].中华医院感染学杂志，2020，30（18）：2785-2789.

[11]" 林华杰，金甬，贾晋荣，等.骨科病人术后切口感染病原学及炎症因子[J].中华医院感染学杂志，2022，32（20）：3132-3136.

[12]" 谭瑞娟，王立丹，贺平，等.重症胸部创伤术后机械通气病人肺部多重耐药菌感染病原菌分布及危险因素分析[J].中国医院药学杂志，2022，42（8）：840-843.

[13]" 吕林芳，张汉阳.2020年北京市某三甲医院医院感染直接经济损失分析[J].中华医院感染学杂志，2023，33（6）：933-937.

[14]" 王续晶，姚雪，张玉君，等.老年心脏瓣膜病病人瓣膜置换术后医院感染危险因素及经济负担[J].中华医院感染学杂志，2022，32（21）：3282-3286.

[15]" 李育平，裴云龙，朱磊，等.重型颅脑创伤术后中枢神经系统感染风险预测模型的构建[J].中华神经外科杂志，2022，38（8）：837-842.

[16]" 卢丹，李红霞.急诊外科腹部创伤患者术后切口感染病原学及血清细胞因子的诊断价值[J].中华医院感染学杂志，2021，31（24）：3752-3756.

[17]" 黄铭杰，区智凤，曾嘉欢，等.老年骨科创伤病人医院感染风险预测列线图模型的建立与验证[J].护理研究，2022，36（13）：2315-2320.

[18]" 刘雪娇，罗巍，张波，等.基于Lasso-Logistic回归构建美沙酮维持治疗门诊病人继续使用毒品风险预测模型[J].中华疾病控制杂志，2021，25（12）：1369-1373;1402.

[19]" 郭磊磊，秦红英，张尚书，等.骨科创伤病人术后多重耐药菌感染风险Nomogram模型构建与验证[J].中国感染控制杂志，2022，21（6）：584-591.

[20]" 闫瑞平，王习亮，姚粉霞，等.决策树模型与Logistic回归分析模型识别高血压危险因素的效果比较[J].中华疾病控制杂志，2022，26（2）：218-222.

（收稿日期：2023-09-11；修回日期：2024-09-13）

（本文编辑 曹妍）