何文英,鄧玉宏,劉 欣，李衛(wèi)光, 吳安華, 任 南,熊莉娟,丁麗麗,韓 輝，王 忠

(1 石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院，新疆 石河子 832008； 2 濱州醫(yī)學(xué)院附屬醫(yī)院，山東 濱州 256603； 3 山東省立醫(yī)院，山東 濟(jì)南 250021； 4 中南大學(xué)湘雅醫(yī)院，湖南 長沙 410008； 5 華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院，湖北 武漢 430022； 6 新疆醫(yī)科大學(xué)第一附屬醫(yī)院，新疆 烏魯木齊 830002； 7 山東大學(xué)齊魯醫(yī)院，山東 濟(jì)南 250012； 8 新疆生產(chǎn)建設(shè)兵團(tuán)醫(yī)院，新疆 烏魯木齊 830002)

·論著·

手術(shù)部位感染風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

何文英1,鄧玉宏1,劉 欣2，李衛(wèi)光3, 吳安華4, 任 南4,熊莉娟5,丁麗麗6,韓 輝7，王 忠8

(1 石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院，新疆 石河子 832008； 2 濱州醫(yī)學(xué)院附屬醫(yī)院，山東 濱州 256603； 3 山東省立醫(yī)院，山東 濟(jì)南 250021； 4 中南大學(xué)湘雅醫(yī)院，湖南 長沙 410008； 5 華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院，湖北 武漢 430022； 6 新疆醫(yī)科大學(xué)第一附屬醫(yī)院，新疆 烏魯木齊 830002； 7 山東大學(xué)齊魯醫(yī)院，山東 濟(jì)南 250012； 8 新疆生產(chǎn)建設(shè)兵團(tuán)醫(yī)院，新疆 烏魯木齊 830002)

目的 構(gòu)建手術(shù)部位感染風(fēng)險(xiǎn)預(yù)警模型，為篩查高危人群、發(fā)現(xiàn)疑似感染病例提供幫助。 方法 回顧性收集2013年1月—2015年12月國內(nèi)6所醫(yī)院5 067例腹部外科手術(shù)患者病例資料，將所有病例按照6︰4的比例隨機(jī)分為建模組和驗(yàn)證組，采用logistic回歸建立預(yù)警模型，以ROC曲線下面積(AUC)評價(jià)模型的判別能力，以約登指數(shù)最大作為最佳截?cái)帱c(diǎn)。結(jié)果 高危患者預(yù)警模型AUC為0.823，靈敏度為78.81%，特異度為74.33%，陽性預(yù)測值為19.67%，陰性預(yù)測值為97.78%。疑似感染病例判別模型AUC為0.978，靈敏度93.38%，特異度95.62%，陽性預(yù)測值62.95%，陰性預(yù)測值為99.45%。結(jié)論 此研究建立的預(yù)警模型判別能力較好，可以為醫(yī)院感染信息系統(tǒng)的預(yù)警和判別開發(fā)提供參考。

手術(shù)部位感染； 風(fēng)險(xiǎn)預(yù)測； 風(fēng)險(xiǎn)預(yù)警; 醫(yī)院感染

[Chin J Infect Control，2017，16(6)：497-501]

隨著整個(gè)醫(yī)療系統(tǒng)信息化的推進(jìn)，醫(yī)院應(yīng)用了越來越多的醫(yī)院感染管理軟件,極大地提高了醫(yī)院感染管理的質(zhì)量與效率[1]。目前，大多數(shù)醫(yī)院感染監(jiān)控軟件預(yù)警病例開發(fā)的重點(diǎn)以發(fā)現(xiàn)疑似感染病例為目標(biāo)，對于已經(jīng)存在感染高風(fēng)險(xiǎn)但尚未感染的病例早期識(shí)別不足，預(yù)警指標(biāo)大多是適用于各種感染類型的通用指標(biāo)，通用指標(biāo)預(yù)警范圍廣，但其準(zhǔn)確性相對不夠。本研究在前人研究的基礎(chǔ)上[2-3],使用logistic回歸模型建立手術(shù)部位感染高?；颊哳A(yù)警模型和疑似感染病例判別模型，以期及時(shí)發(fā)現(xiàn)高?；颊?，使預(yù)警時(shí)效提前，防控關(guān)口前移，其次篩選出更多特異性的手術(shù)部位感染預(yù)警指標(biāo)，期望與通用指標(biāo)相結(jié)合，提高預(yù)警的準(zhǔn)確性。

1 資料與方法

1.1 資料收集 通過逐份查閱電子病例，回顧性收集山東省立醫(yī)院、山東大學(xué)齊魯醫(yī)院、華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院、中南大學(xué)湘雅醫(yī)院、新疆醫(yī)科大學(xué)第一附屬醫(yī)院、石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院2013年1月—2015年12月接受腹部外科手術(shù)患者的病例資料。資料收集內(nèi)容為患者人口學(xué)特征、合并基礎(chǔ)疾病情況、手術(shù)相關(guān)信息、抗菌藥物使用情況、術(shù)后感染情況共五個(gè)方面49個(gè)變量，其中手術(shù)部位感染危險(xiǎn)因素38個(gè)，術(shù)后感染跡象11個(gè)。

1.2 概念界定 手術(shù)部位感染診斷參照2001年衛(wèi)生部《醫(yī)院感染診斷標(biāo)準(zhǔn)(試行)》[4]。高?；颊卟±菏侵感g(shù)前或術(shù)中存在某種合并癥或致病因素,導(dǎo)致有較大的手術(shù)部位感染風(fēng)險(xiǎn)，但尚未感染的患者。疑似感染病例：癥狀、體征提示已存在手術(shù)部位感染，但還未最后確診的病例

1.3 數(shù)據(jù)分組 將所有收集病例按照6∶4的比例隨機(jī)分為建模組和驗(yàn)證組，建模組數(shù)據(jù)用來建立模型，驗(yàn)證組數(shù)據(jù)對建立的模型進(jìn)行驗(yàn)證。

1.4 模型構(gòu)建 對建模組數(shù)據(jù)先進(jìn)行單因素分析，單因素分析中有統(tǒng)計(jì)學(xué)意義的變量納入多元logistic回歸分析，采用Back-LR法建立模型。

1.5 模型驗(yàn)證 將驗(yàn)證人群的原始數(shù)據(jù)代入建立的模型生成預(yù)測概率值，用ROC曲線下面積(AUC)反映模型的判別能力[5], 用Hosmer-Lemeshow檢驗(yàn)反映模型符合程度，以約登指數(shù)最大時(shí)所對應(yīng)的概率值為閾值[6],將模型預(yù)測的感染情況與驗(yàn)證組原始數(shù)據(jù)的感染情況進(jìn)行比較，計(jì)算相應(yīng)的靈敏度、特異度，陽性預(yù)測值、陰性預(yù)測值[7]。應(yīng)用Epidata 3.1軟件錄入系統(tǒng)，SPSS 17.0軟件進(jìn)行數(shù)據(jù)分析和建模。

2 結(jié)果

2.1 基本情況 共收集腹部手術(shù)病例5 067例，其中結(jié)直腸切除術(shù)1 499例，肝膽切除術(shù)1 546例，闌尾切除術(shù)1 329例，胃切除術(shù)116例，直斜疝切除術(shù)324例，脾胰切除術(shù)253例。男性2 730例，女性2 337例，平均年齡51歲，平均手術(shù)時(shí)間130 min，平均住院時(shí)間15 d。發(fā)生手術(shù)部位感染362例，感染率為7.14%，在362例感染病例中，表淺切口感染212例，深部切口感染61例，器官腔隙感染80例，9例未分類。按照6∶4的比例隨機(jī)分組，其中建模組3 023例，驗(yàn)證組2 044例，兩組臨床變量分布經(jīng)χ2檢驗(yàn)，49個(gè)變量中除了性別、術(shù)前住院時(shí)間、術(shù)前腸梗阻、手術(shù)時(shí)機(jī)、術(shù)前7 d使用抗菌藥、吻合口瘺外，其他臨床變量的分布在建模組及驗(yàn)證組中差異均無統(tǒng)計(jì)學(xué)意義，證實(shí)分組過程基本上做到了隨機(jī)分配。

2.2 手術(shù)部位感染高危患者預(yù)警模型

2.2.1 單因素分析 將收集的38個(gè)手術(shù)部位感染風(fēng)險(xiǎn)因素變量進(jìn)行單因素分析，有統(tǒng)計(jì)學(xué)意義的有22個(gè)，糖尿病(OR=3.11)、高血壓(OR=2.97)、冠心病(OR=2.49)、慢性阻塞性肺疾病(OR=2.13)、惡性腫瘤(OR=2.08)、慢性肝腎疾病(OR=2.01)、術(shù)前低蛋白血癥(OR=4.53)，貧血(OR=3.54)、術(shù)前存在其他部位感染(OR=1.99)、手術(shù)切口類型(χ2=70.01)、ASA分級(χ2=162.29)、手術(shù)時(shí)間(t=6.54)等，腹腔鏡手術(shù)與開腹手術(shù)相比為保護(hù)因素(OR=0.314)。

2.2.2 預(yù)警模型建立 將單因素分析中有統(tǒng)計(jì)學(xué)意義的22個(gè)變量，納入多元logistic回歸分析，采用Back—LR法建立預(yù)警模型。最終進(jìn)入模型的變量有8個(gè)：糖尿病、低蛋白血癥、高血壓、術(shù)前炎癥反應(yīng)、手術(shù)切口分類、ASA分級、手術(shù)持續(xù)時(shí)間、腹腔鏡手術(shù)。手術(shù)部位感染高?；颊唢L(fēng)險(xiǎn)預(yù)警模型：Y=-3.84+0.56 X1+1.47 X2+0.71 X3+0.86 X4+0.79 X5+0.87 X6+1.43 X7-0.91 X8，見表1。

表1 手術(shù)部位感染高危患者多元logistic回歸分析結(jié)果

Table 1 Multivariate logistic regression analysis on patients with high risk of SSI

變量β(B)S.EWaldPOR95%CI糖尿病(X1)0.560.234.290.041.601.03～2.49低蛋白血癥(X2)1.470.3416.83<0.013.982.06～7.69高血壓(X3)0.710.1915.32<0.012.101.45～3.03術(shù)前炎癥反應(yīng)(X4)0.860.1721.62<0.012.241.59～3.15切口分類>Ⅲ(X5)0.790.1817.48<0.012.091.48～2.96ASA分級>Ⅲ(X6)0.870.1818.56<0.012.151.52～3.04手術(shù)持續(xù)時(shí)間>3h(X7)1.430.1670.05<0.013.882.83～5.34腹腔鏡手術(shù)(X8)-0.910.2118.29<0.010.400.26～0.61常數(shù)項(xiàng)-3.840.16561.32<0.010.02

2.2.3 模型驗(yàn)證 利用驗(yàn)證組數(shù)據(jù)對模型進(jìn)行驗(yàn)證， Hosmer-Lemeshow檢驗(yàn)P=0.10，ROC的AUC=0.823，與美國醫(yī)院感染監(jiān)測手術(shù)風(fēng)險(xiǎn)指數(shù)[8](NNIS風(fēng)險(xiǎn)指數(shù))的辨別能力進(jìn)行比較，NNIS風(fēng)險(xiǎn)指數(shù)AUC=0.731。見圖1。高?；颊哳A(yù)警模型ROC曲線中約登指數(shù)最大為0.503，所對應(yīng)的概率值為0.073，即閾值取 0.073,將驗(yàn)證組人群的風(fēng)險(xiǎn)概率值以0.073為界，≥0.073判斷為感染，<0.073判斷為未感染，與驗(yàn)證組數(shù)據(jù)原始記錄中是否實(shí)際發(fā)生了手術(shù)部位感染進(jìn)行比較，靈敏度為78.81%，特異度為74.33%，陽性預(yù)測值為19.67%，陰性預(yù)測值為97.78%。見表2。

2.3 手術(shù)部位感染疑似感染病例判別模型

2.3.1 單因素分析 將收集的11個(gè)手術(shù)部位感染跡象指標(biāo)進(jìn)行單因素分析，發(fā)現(xiàn)均有統(tǒng)計(jì)學(xué)意義，體溫>38.5 ℃(OR=9.47)、白細(xì)胞計(jì)數(shù)>109/L(OR=5.41)、 C反應(yīng)蛋白>10 mg/L(OR=12.5)、降鈣素原>0.5 μg/L(OR=10.17)、切口膿性分泌物(OR=447.84)、切口分泌物微生物培養(yǎng)陽性(OR=163.29)等。

圖1 手術(shù)部位感染高?；颊哳A(yù)警模型ROC曲線

Figure 1 ROC curve of the warning model for patients with high risk of SSI

表2 高?；颊唑?yàn)證模型判別與實(shí)際感染結(jié)果

Table 2 Discriminant model validation and actual infection outcome in high risk patients

模型判別結(jié)果實(shí)際感染情況感染未感染合計(jì)感染(P≥0.073)119486605未感染(P<0.073)3214071439合計(jì)15118932044

2.3.2 判別模型建立 將單因素分析中術(shù)后感染跡象有統(tǒng)計(jì)學(xué)意義的11個(gè)變量，進(jìn)行多元logistic回歸分析，采用Back-LR法建立預(yù)警模型。最終進(jìn)入模型的變量有發(fā)熱、白細(xì)胞計(jì)數(shù)、C反應(yīng)蛋白、脂肪液化、切口裂開、切口膿性分泌物、切口分泌物細(xì)菌培養(yǎng)陽性等7個(gè)變量。手術(shù)部位感染疑似預(yù)警模型：Y=-5.31+1.19X1+1.05 X2+1.45 X3+3.39 X4+2.97 X5+4.77 X6+3.73 X7。見表3。

2.3.3 模型驗(yàn)證 利用驗(yàn)證組數(shù)據(jù)對模型進(jìn)行驗(yàn)證，Hosmer-Lemeshow檢驗(yàn)P<0.001， ROC AUC=0.978。見圖2。疑似病例判別模型ROC曲線中約登指數(shù)最大為0.897，所對應(yīng)的概率值為0.050，即閾值取 0.050, 將驗(yàn)證組人群的風(fēng)險(xiǎn)概率值以0.050為界，≥0.050判斷為感染，<0.050判斷為未感染，與驗(yàn)證組數(shù)據(jù)原始記錄中是否實(shí)際發(fā)生了手術(shù)部位感染進(jìn)行比較，靈敏度93.38%，特異度95.62%，陽性預(yù)測值62.95%，陰性預(yù)測值為99.45%。見表4。

圖2 手術(shù)部位感染疑似病例判別模型ROC曲線

Figure 2 ROC curve of discriminant model for patients with suspected SSI

表4 疑似病例驗(yàn)證模型判別與實(shí)際感染結(jié)果

Table 4 Discriminant of model validation and actual infection outcome in suspected patients

模型判別結(jié)果實(shí)際感染情況感染未感染合計(jì)感染(P≥0.050)14183224未感染(P<0.050)1018101820合計(jì)15118932044

3 討論

醫(yī)院感染管理是以監(jiān)測為基礎(chǔ)，控制為目標(biāo)，監(jiān)測和預(yù)警是目前醫(yī)院感染管理信息系統(tǒng)的兩個(gè)重要功能，而將這兩項(xiàng)功能緊密連接的則是預(yù)測分析。監(jiān)測是對事件狀態(tài)的監(jiān)控和描述，預(yù)測是對其發(fā)展態(tài)勢的估計(jì)和判斷，預(yù)警是根據(jù)監(jiān)測的信息以及預(yù)測的結(jié)果決定是否發(fā)出警報(bào)和發(fā)出警報(bào)的級別[9]。隨著醫(yī)學(xué)技術(shù)的不斷發(fā)展，越來越多的高齡及有合并癥的患者開始接受手術(shù)治療，外科疾病和內(nèi)科問題交織在一起，患者的病情越來越復(fù)雜，隨著高危人群的增加，由患者自身因素帶來的感染風(fēng)險(xiǎn)因素日益凸顯，如何做到準(zhǔn)確的監(jiān)測，及時(shí)的預(yù)警，對提高手術(shù)部位感染防控能力具有重要意義。

3.1 建模方法及分組 目前建立模型的方法很多，有各自的優(yōu)勢與不足, logistic回歸建模方法簡單，應(yīng)用最廣泛，Cox模型需要連續(xù)觀測數(shù)據(jù),追蹤時(shí)間長,成本較高，人工神經(jīng)網(wǎng)絡(luò)預(yù)測效能高，但網(wǎng)絡(luò)結(jié)構(gòu)確定困難，建模方法復(fù)雜[10]。結(jié)合本研究的目的及收集資料的情況選擇了logistic 回歸分析，建立模型。一個(gè)完整預(yù)警模型的建立需要建模及驗(yàn)證兩個(gè)步驟，因此，預(yù)測模型的建立需要兩組人群，建模組數(shù)據(jù)用來建立模型，驗(yàn)證組數(shù)據(jù)對建立的模型進(jìn)行驗(yàn)證。兩組人群的分配比例，大多數(shù)軟件默認(rèn)的比例是7∶3，經(jīng)查閱文獻(xiàn)[11-13]，有5∶5、6∶4、7∶3。本研究經(jīng)反復(fù)試驗(yàn)，選擇了6∶4的樣本分配比例，保證了建模組有足夠的樣本量，以選擇出與手術(shù)部位感染相關(guān)的指標(biāo)；同時(shí)驗(yàn)證組人群不至于太少，導(dǎo)致抽樣誤差過大引起驗(yàn)證的結(jié)果不穩(wěn)定。為證實(shí)分組過程是否做到了完全隨機(jī)，對建模組和驗(yàn)證組各臨床變量的分布情況進(jìn)行了比較，49個(gè)變量中除了性別、術(shù)前住院時(shí)間、術(shù)前腸梗阻、手術(shù)時(shí)機(jī)、術(shù)前7 d使用抗菌藥、吻合口瘺外，其他臨床變量的分布在建模亞庫及驗(yàn)證亞庫兩組中差異均無統(tǒng)計(jì)學(xué)意義，證實(shí)分組過程基本上做到了隨機(jī)分配，避免因臨床變量分布不均對研究結(jié)果造成不良影響。對于個(gè)別臨床變量的缺失數(shù)據(jù)，在風(fēng)險(xiǎn)預(yù)警模型建立前應(yīng)用軟件的多重填補(bǔ)功能予以替換，盡可能減少有效數(shù)據(jù)的損失。

3.2 模型建立 高?；颊唢L(fēng)險(xiǎn)預(yù)警模型開發(fā)的重點(diǎn)以發(fā)現(xiàn)感染高風(fēng)險(xiǎn)患者為目標(biāo)，選取的指標(biāo)主要以手術(shù)部位感染的影響因素為主，收集了38個(gè)手術(shù)部位感染影響因素指標(biāo)，通過單因素及多因素分析，最終進(jìn)入模型的變量有8個(gè)：糖尿病、低蛋白血癥、高血壓、術(shù)前炎癥反應(yīng)、手術(shù)切口分類、ASA分級、手術(shù)持續(xù)時(shí)間、腹腔鏡手術(shù)。

疑似感染病例預(yù)警模型開發(fā)的重點(diǎn)以發(fā)現(xiàn)臨床感染病例為目標(biāo)，選取的指標(biāo)主要以感染的結(jié)果為主，從專業(yè)角度分析，發(fā)熱、白細(xì)胞計(jì)數(shù)異常、C反應(yīng)蛋白異常、降鈣素原異常等是術(shù)后感染的結(jié)果而非感染的原因[14]，術(shù)后3 d左右，上述指標(biāo)異常提示可能存在感染。切口裂開既是感染的原因也是感染的結(jié)果，切口膿性分泌物可明確提示感染。收集11個(gè)提示感染的跡象指標(biāo)，通過單因素及多因素分析，最終進(jìn)入模型的變量有7個(gè)：發(fā)熱、白細(xì)胞計(jì)數(shù)、C反應(yīng)蛋白、脂肪液化、切口裂開、切口膿性分泌物、切口分泌物細(xì)菌培養(yǎng)陽性。

3.3 預(yù)警和判別的指標(biāo)及閾值 在風(fēng)險(xiǎn)預(yù)警的研究中，合理地確定預(yù)警指標(biāo)的權(quán)重及預(yù)警的閾值是預(yù)警成敗的關(guān)鍵[15]。本研究以最終進(jìn)入模型的變量為預(yù)警的指標(biāo)，以模型中β系數(shù)的值來確定各指標(biāo)的權(quán)重。高?；颊哳A(yù)警模型中，糖尿病0.56、高血壓0.71、術(shù)前炎癥反應(yīng)0.86、手術(shù)切口類型0.79、ASA分級0.87，低蛋白血癥1.47、手術(shù)持續(xù)時(shí)間1.43，腹腔鏡手術(shù)為-0.91，提示與開腹相比腹腔鏡為保護(hù)因素。疑似病例預(yù)警模型中，發(fā)熱1.09、白細(xì)胞計(jì)數(shù)1.05、C反應(yīng)蛋白1.45、脂肪液化3.39、切口裂開2.97、切口膿性分泌物4.77、切口分泌物細(xì)菌培養(yǎng)陽性3.73。

ROC曲線是以靈敏度為縱坐標(biāo)， 1-特異度為橫坐標(biāo)繪制的曲線，AUC越大，診斷準(zhǔn)確性越高。本研究中，高危患者預(yù)警模型的AUC為0.823，疑似病例判別模型的AUC 為0.978，與美國醫(yī)院感染監(jiān)測NNIS的預(yù)測能力進(jìn)行比較，NNIS風(fēng)險(xiǎn)指數(shù)AUC=0.731，提示本研究建立的模型預(yù)測能力優(yōu)于NNIS 風(fēng)險(xiǎn)指數(shù)。

ROC曲線可以求得各個(gè)坐標(biāo)點(diǎn)的約登指數(shù)(敏感性+特異性-1)，預(yù)警閾值的確定通常取約登指數(shù)最大值對應(yīng)的點(diǎn)為最佳截?cái)帱c(diǎn)。本研究中，高?；颊哳A(yù)警模型約登指數(shù)最大時(shí)所對應(yīng)的最佳截?cái)帱c(diǎn)為0.073，以此概率為閾值判斷是否為感染，疑似病例預(yù)警模型約登指數(shù)最大時(shí)所對應(yīng)的最佳截?cái)帱c(diǎn)為0.050，以此概率為閾值判斷是否為感染。

本研究建立的預(yù)警是針對患者個(gè)體的多指標(biāo)預(yù)警，高?；颊哳A(yù)警以發(fā)現(xiàn)感染高風(fēng)險(xiǎn)患者為目標(biāo)，疑似病例預(yù)警以發(fā)現(xiàn)臨床感染病例為目標(biāo)，預(yù)警的邏輯關(guān)系是各指標(biāo)感染概率值的合計(jì)。研究結(jié)果可以為醫(yī)院感染信息系統(tǒng)的預(yù)警開發(fā)提供參考，通過監(jiān)測信息與預(yù)警技術(shù)的結(jié)合，實(shí)現(xiàn)重點(diǎn)人群重點(diǎn)控制，提高資源的利用與效率。受數(shù)據(jù)采集要求的限制，本研究只選擇了部分信息化程度較好的三級醫(yī)院，未收集二級醫(yī)院病例，多數(shù)風(fēng)險(xiǎn)預(yù)警模型的最佳應(yīng)用人群是與建模人群來自同一群體的患者[16]，因此本研究建立的預(yù)警模型在后續(xù)的研究中還需要采集二級醫(yī)院的數(shù)據(jù)進(jìn)行相應(yīng)的外部驗(yàn)證。

[1] 劉運(yùn)喜，夏蕾，邢玉斌，等.開發(fā)醫(yī)院感染實(shí)時(shí)監(jiān)控系統(tǒng) 全面提高醫(yī)院感染管理水平[J].中國醫(yī)院,2013,17(3): 9-10.

[2] 邢玉斌，杜明梅，索繼江，等.利用醫(yī)院感染實(shí)時(shí)監(jiān)控系統(tǒng)開展手術(shù)部位感染目標(biāo)性監(jiān)測[J]. 中國醫(yī)院, 2013,17(3): 6-8.

[3] 王瑜.醫(yī)院感染實(shí)時(shí)監(jiān)控管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].山東：山東大學(xué), 2013.

[4] 中華人民共和國衛(wèi)生部醫(yī)政醫(yī)管局.關(guān)于印發(fā)醫(yī)院感染診斷標(biāo)準(zhǔn)(試行)的通知 衛(wèi)醫(yī)發(fā)[2001]2號(hào). [EB/OL].(2001-11-07)[2017-04-12].http://www.moh.gov.cn/yzygj/s3593/200804/e19e4448378643a09913ccf2a055c79d.shtml.

[5] 季聰華，梁建鳳，劉姍，等. ROC分析方法在病因?qū)W研究中的應(yīng)用[J].中國衛(wèi)生統(tǒng)計(jì), 2014，31(5):911-912.

[6] 陳衛(wèi)中，潘曉平，宋興勃，等.ROC曲線中最佳工作點(diǎn)的選擇[J].中國衛(wèi)生統(tǒng)計(jì), 2006,23(2):157-158.

[7] 王建華.流行病學(xué)[M]. 北京：人民衛(wèi)生出版社，2013.

[8] Culver DH, Horan TC, Gaynes RP, et al. Surgical wound infection rates by wound class, operative procedure, and patient risk index. National Nosocomial Infections Surveillance System[J]. Am J Med, 1991, 91(3B): 152S-157S.

[9] 楊維中.傳染病預(yù)警理論與實(shí)踐[M].北京：人民衛(wèi)生出版社，2012.

[10] 袁鶯楹，董建成.基于數(shù)學(xué)模型的疾病預(yù)測方法比較研究[J].軟件導(dǎo)刊，2009，8(5) 108-110.

[11] Jenks PJ, Laurent M, Mcquarry S, et al. Clinical and economic burden of surgical site infection (SSI) and predicted financial consequences of elimination of SSI from an English hospital[J]. J Hosp Infect, 2014, 86(1): 24-33.

[12] 王律.心臟瓣膜手術(shù)風(fēng)險(xiǎn)預(yù)測系統(tǒng)的建立[D].上海：第二軍醫(yī)大學(xué), 2013.

[13] van Walraven C, Musselman R. The surgical site infection risk score (SSIRS): a model to predict the risk of surgical site infections[J]. Plos One, 2013, 8(6): e67167.

[14] 梁輝.膽系疾病開腹手術(shù)術(shù)后感染危險(xiǎn)因素分析及防治[D].浙江：浙江大學(xué), 2015.

[15] 胡樂群.風(fēng)險(xiǎn)預(yù)警中指標(biāo)閾值確定方法[J].金融電子化,2011，(9):43-45.

[16] Linder R, K?nig IR, Weimar C, et al. Two models for outcome prediction-a comparison of logistic regression and neural networks[J]. Methods Inf Med, 2006, 45(5): 536-540.

(本文編輯：左雙燕)

Establishment of risk warning model for surgical site infection

HEWen-ying1,DENGYu-hong1,LIUXin2，LIWei-guang3,WUAn-hua4,RENNan4,XIONGLi-juan5,DINGLi-li6,HANHui7,WANGZhong8

(1TheFirstAffiliatedHospitalofSchoolofMedicine,ShiheziUniversity,Shihezi832008,China; 2TheAffiliatedHospitalofBinzhouMedicalCollege,Binzhou256603,China; 3ShandongProvincialHospital,Jinan250021,China; 4XiangyaHospital,CentralSouthUniversity,Changsha410008,China; 5UnionHospital,TongjiMedicalCollege,HuazhongUniversityofScienceandTechnology，Wuhan430022,China; 6TheFirstAffiliatedHospitalofXinjiangMedicalUniversity,Urumqi830002,China; 7QiluHospitalofShandongUniversity,Jinan250012,China; 8HospitalofXinjiangProductionandConstructionCorps,Urumqi830002,China)

Objective To establish a risk warning model for surgical site infection(SSI), provide support for screening high risk population and finding suspected cases. Methods Clinical data of 5 067 patients who underwent abdominal surgery in 6 domestic hospitals from January 2013 to December 2015 were collected retrospectively, all cases were randomly divided into modeling group and validation group according to a 6:4 ratio, warning model was established by employing logistic regression, the area under the receiver operating characteristic curve (AUC) was used to evaluate discriminant ability of evaluation model, the maximum Youden index was as the optimum cut-off point. Results For the warning model of high-risk patients, AUC was 0.823, sensitivity and specificity were 78.81% and 74.33% respectively, positive predictive value and negative predictive value were 19.67% and 97.78% respectively. For the discriminant model of suspected infection cases, AUC was 0.978, sensitivity and specificity were 93.38% and 95.62% respectively, positive predictive value and negative predictive value were 62.95% and 99.45% respectively.Conclusion The early-warning model established in this study has better discrimination ability, which can provide a reference for the development of early warning and discrimination of healthcare-associated infection information system.

surgical site infection； risk prediction； risk warning; healthcare-associated infection

2016-12-08

新疆生產(chǎn)建設(shè)兵團(tuán)衛(wèi)生科技項(xiàng)目(XJBTWK-201602)；石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院院級課題(GL2016-058)

何文英(1971-)，女(漢族)，河南省扶溝縣人，副主任護(hù)師，主要從事醫(yī)院感染控制研究。

王忠 E-mail：wzsdyfy@126.com

10.3969/j.issn.1671-9638.2017.06.002

R181.3+2

A

1671-9638(2017)06-0497-05