Construction of a risk prediction model for ventilator?associated pneumonia caused by carbapenem resistant Acinetobacter baumannii based on random forest model

Abstract" Objective：To analyze the risk factors for ventilator?associated pneumonia caused by carbapenem?resistant Acinetobacter baumannii（CRAB）.Random forest model and Logistic regression two methods were used to construct prediction models，to provide theoretical basis for ICU to reduce the risk of CRAB ventilators associated pneumonia.Methods：A total of 291 patients with ventilators associated pneumonia admitted to ICU from January 2018 to December 2022 were selected as the study subjects.The influencing factors of CRAB ventilators associated pneumonia were analyzed.The predictive model was constructed based on random forest model and Logistic regression，and the operating characteristic curve（ROC） and area under the curve（AUC） were calculated to compare the differences between the two models.Results：Multivariate analysis results showed that oxygenation index，tracheotomy and coma were independent influencing factors of CRAB ventilator?associated pneumonia.The AUC of the random forest model was 0.78，and the AUC of the Logistic regression model was 0.61.The accuracy（77.97%），sensitivity（85.37%），and specificity（61.11%） of the random forest model were higher than those of the Logistic regression model（66.10%，73.17%，50.00%）.Conclusion：Oxygenation index，duration of antibiotic use，tracheotomy and coma are risk factors for CRAB ventilator?associated pneumonia.The random forest prediction model outperforms the Logistic regression model in predicting CRAB ventilator?associated pneumonia.

Keywords" carbapenem resistant Acinetobacter baumannii； ventilator?associated pneumonia， VAP； influencing factors； random forest； Logistic regression； prediction model

摘要" 目的：分析耐碳青霉烯類鮑曼不動桿菌（CRAB）性呼吸機相關(guān)性肺炎發(fā)生的風(fēng)險因素，并采用隨機森林模型和Logistic回歸兩種方法構(gòu)建預(yù)測模型，為重癥監(jiān)護室降低CRAB性呼吸機相關(guān)性肺炎的發(fā)生風(fēng)險提供理論依據(jù)。方法：選取2018年1月—2022年12月我院重癥監(jiān)護室收治的291例呼吸機相關(guān)性肺炎病人為研究對象，分析CRAB性呼吸機相關(guān)性肺炎的影響因素，基于隨機森林模型和Logistic回歸構(gòu)建預(yù)測模型，計算受試者工作特征曲線（ROC）和曲線下面積（AUC），比較兩種模型的差異。結(jié)果：多因素分析結(jié)果顯示，氧合指數(shù)、氣管切開、昏迷是CRAB性呼吸機相關(guān)性肺炎的獨立影響因素。隨機森林模型的AUC為0.78，Logistic回歸模型AUC為0.61，隨機森林模型的準(zhǔn)確率（77.97%）、靈敏度（85.37%）、特異度（61.11%）均高于Logistic回歸模型（66.10%、73.17%、50.00%）。結(jié)論：氧合指數(shù)、抗菌藥物使用時間、氣管切開、昏迷是CRAB性呼吸機相關(guān)性肺炎的高危風(fēng)險因素，隨機森林模型對CRAB性呼吸機相關(guān)性肺炎的預(yù)測性能優(yōu)于Logistic回歸模型。

關(guān)鍵詞" 耐碳青霉烯類鮑曼不動桿菌；呼吸機相關(guān)性肺炎；影響因素；隨機森林；Logistic回歸；預(yù)測模型

doi：10.12102/j.issn.1009-6493.2024.19.005

耐碳青霉烯類鮑曼不動桿菌（CRAB）的臨床檢出率不斷攀升[1]。2023年CHINET中國細菌耐藥監(jiān)測結(jié)果顯示，鮑曼不動桿菌對碳青霉烯類的耐藥率已超過70%[2]。CRAB具有快速獲得和傳播耐藥性的能力[3]，在重癥監(jiān)護室內(nèi)檢出率明顯高于院內(nèi)其他區(qū)域，而CRAB引起的呼吸機相關(guān)性肺炎（VAP）發(fā)生率也在逐年升高，重癥監(jiān)護室病人更容易引起感染，感染后不僅延長病人治療時間，增加治療費用，還會影響其預(yù)后，甚至導(dǎo)致病人死亡[4]。因此，建立預(yù)測CRAB性呼吸機相關(guān)性肺炎的預(yù)警模型在臨床上具有重要的意義，可以早期預(yù)測發(fā)生風(fēng)險，采取干預(yù)措施，為醫(yī)院感染防控提供決策支持。隨著人工智能在醫(yī)學(xué)領(lǐng)域的不斷發(fā)展，隨機森林模型已廣泛應(yīng)用于疾病的風(fēng)險預(yù)測，可高效處理混雜和高維度的數(shù)據(jù)，避免過度擬合[5]。本研究回顧性收集發(fā)生呼吸機相關(guān)性肺炎的重癥監(jiān)護室病人的臨床資料，運用隨機森林模型對CRAB性呼吸機相關(guān)性肺炎的發(fā)生風(fēng)險進行預(yù)測，并與傳統(tǒng)Logistic回歸模型對比，旨在探索性能更優(yōu)的預(yù)測模型，為指導(dǎo)臨床預(yù)防和控制CRAB性呼吸機相關(guān)性肺炎提供參考依據(jù)。

1" 資料與方法

1.1 資料

選取2018年1月—2022年12月我院重癥監(jiān)護室收治的291例呼吸機相關(guān)性肺炎病人為研究對象。根據(jù)是否為CRAB性呼吸機相關(guān)性肺炎分為CRAB組和非CRAB組。納入標(biāo)準(zhǔn)：1）符合《呼吸機相關(guān)性肺炎診斷、預(yù)防和治療指南（2013）》[6]中呼吸機相關(guān)性肺炎診斷標(biāo)準(zhǔn)，即氣管插管或氣管切開病人接受機械通氣48 h后發(fā)生的肺炎，機械通氣撤機、拔管后48 h內(nèi)出現(xiàn)的肺炎；2）符合《醫(yī)院感染診斷標(biāo)準(zhǔn)（試行）》[7]，確認(rèn)為醫(yī)院感染；3）病歷資料和檢驗結(jié)果完整、可查詢；4）送檢標(biāo)本合格，經(jīng)細菌學(xué)培養(yǎng)、分離鑒定。排除標(biāo)準(zhǔn)：入院前已有定植菌。本研究已獲山西醫(yī)科大學(xué)第一醫(yī)院倫理委員會批準(zhǔn)，批準(zhǔn)號：NO.KYLI?2024?113。

1.2 研究方法

1.2.1 臨床資料收集

采用回顧性研究，通過醫(yī)院感染實時監(jiān)控系統(tǒng)（RT?NISS）以及電子病歷系統(tǒng)（EMR）收集病人信息。1）基本資料：年齡、性別、既往疾?。?）住院相關(guān)信息：呼吸機相關(guān)性肺炎發(fā)生前入重癥監(jiān)護室時間、機械通氣時間、通氣后48 h體溫、是否昏迷、是否有菌血癥和膿毒血癥；3）抗菌藥物使用情況：糖肽類藥物使用史、喹諾酮類藥物使用史、內(nèi)酰胺類藥物使用史、氨基糖苷類藥物使用史、聯(lián)用抗生素≥2種、抗菌藥物使用時間；4）有創(chuàng)操作：氣管切開、中心靜脈插管時間及次數(shù)、二次插管；5）實驗室檢查指標(biāo)：白細胞計數(shù)、氧合指數(shù)（PiO2/FiO2）等。如病人數(shù)據(jù)存在判別爭議，通過請教醫(yī)院感染專家和臨床專家，同時查閱相關(guān)資料后，最終決定納入或排除。

1.2.2 統(tǒng)計學(xué)方法

將收集的數(shù)據(jù)錄入Excle軟件，使用IBM?SPSS 27.0進行數(shù)據(jù)統(tǒng)計分析。符合正態(tài)分布的定量資料以均數(shù)標(biāo)準(zhǔn)差（x±s）表示，采用獨立樣本t檢驗；不符合正態(tài)分布的定量資料以中位數(shù)（四分位數(shù)）[M（P25，P75）]表示，采用Mann?Whitney秩和檢驗。定性資料以例數(shù)、百分比（%）表示，采用χ2檢驗及Fisher確切概率法。將單因素分析中有統(tǒng)計學(xué)意義的變量納入多因素分析，并構(gòu)建Logistic回歸模型?；赑ython 3.8，采用Sklearn包將數(shù)據(jù)按8∶2比例分為訓(xùn)練集和測試集，訓(xùn)練集232例，測試集59例；采用LR模型對Logistic回歸數(shù)據(jù)進行運算，并使用NumPy庫和Pandas庫進行管理。借助隨機森林（random forest，RF）Bootstrap抽樣的方法隨機選擇某些變量，根據(jù)大多數(shù)決策進行分類，通過自適應(yīng)增強算法（adaptive boosting，AdaBoost）構(gòu)建模型。計算受試者工作特征（ROC）和曲線下面積（AUC）評估隨機森林模型和Logistic回歸模型的區(qū)分度，并采用靈敏度、特異度、準(zhǔn)確性、陽性預(yù)測值、陰性預(yù)測值對模型進行比較。

2" 結(jié)果

2.1 CRAB性呼吸機相關(guān)性肺炎影響因素的單因素分析

共納入291例病人，CRAB組185例，非CRAB組106例。單因素分析結(jié)果顯示，兩組抗菌藥物使用時間、肺基礎(chǔ)疾病、心血管疾病、腎功能不全、昏迷、氣管切開、氧合指數(shù)差異有統(tǒng)計學(xué)意義（Plt;0.05）。詳見表1。

2.2 CRAB性呼吸機相關(guān)性肺炎預(yù)測模型的構(gòu)建

2.2.1 Logistic回歸模型

將單因素分析中有統(tǒng)計學(xué)意義（Plt;0.05）的指標(biāo)，如氣管切開、心血管疾病、肺基礎(chǔ)疾病、腎功能不全、昏迷、氧合指數(shù)、抗菌藥物使用時間作為自變量，變量賦值方式見表2，采用向后逐步回歸分析構(gòu)建Logistic回歸模型，結(jié)果顯示，氧合指數(shù)、氣管切開、昏迷是CRAB性呼吸機相關(guān)性肺炎的獨立影響因素（Plt;0.05），CRAB性呼吸機相關(guān)性肺炎危險因素Logistic回歸分析結(jié)果見表3。

2.2.2 隨機森林模型

采用Python語言進行隨機森林模型擬合，首先將訓(xùn)練集數(shù)據(jù)導(dǎo)入進行模型訓(xùn)練，利用梯度提升法對模型參數(shù)進行調(diào)優(yōu)，當(dāng)隨機森林的子樹棵數(shù)“n_estimators”取值為50時，均方差最小，決策樹繼續(xù)增加時誤差逐漸增大，故設(shè)置樹棵數(shù)為50，完成模型的構(gòu)建。隨機森林中各變量重要性由高到低排序為：氧合指數(shù)、抗菌藥物使用時間、氣管切開、昏迷、肺基礎(chǔ)疾病、心血管疾病、腎功能不全。詳見圖1。

2.3 2種CRAB性呼吸機相關(guān)性肺炎模型預(yù)測性能

采用測試集數(shù)據(jù)比較2種模型對于CRAB性呼吸機相關(guān)性肺炎的預(yù)測效果。隨機森林模型的準(zhǔn)確率（77.97%）、靈敏度（85.37%）、特異度（61.11%）均高于Logistic回歸模型（66.10%、73.17%、50.00%）。詳見表4。隨機森林的AUC為0.78，Logistic回歸模型AUC為0.61。詳見圖2。

3" 討論

重癥監(jiān)護室中的呼吸機相關(guān)性肺炎是一種復(fù)雜的、多方面的臨床疾病，具有高發(fā)病率（4%～61%）、高死亡率（40%～43%）、預(yù)后差、治療費用高等特點[8?11]。以重癥監(jiān)護室病人為研究對象，開展呼吸機相關(guān)性肺炎的影響因素和預(yù)測模型構(gòu)建的研究較多，但關(guān)于CRAB性呼吸機相關(guān)性肺炎的相關(guān)研究較缺乏，本研究旨在探究CRAB性呼吸機相關(guān)性肺炎的高危風(fēng)險因素，并基于隨機森林模型和傳統(tǒng)Logistic回歸模型的構(gòu)建預(yù)測發(fā)生風(fēng)險。對早期發(fā)現(xiàn)高危病人并及時采取干預(yù)措施，為減少呼吸機相關(guān)性肺炎發(fā)生風(fēng)險提供一定的參考價值。根據(jù)隨機森林模型的構(gòu)建發(fā)現(xiàn)CRAB性呼吸機相關(guān)性肺炎的重要危險因素包括氧合指數(shù)、抗生素使用時間、氣管切開和昏迷，其中氧合指數(shù)、氣管切開、昏迷是其獨立影響因素。

3.1 CRAB性呼吸機相關(guān)性肺炎危險因素

3.1.1 氧合指數(shù)

氧合指數(shù)是肺功能的一個評價指標(biāo)，可用來衡量肺損傷的程度。呼吸機相關(guān)性肺炎被認(rèn)為是急性呼吸窘迫綜合征（ARDS）的常見并發(fā)癥[12]，從急性呼吸窘迫綜合征病人肺部提取的肺泡巨噬細胞和中性粒細胞，在細菌產(chǎn)物離體刺激后，其吞噬功能受損或最大活性降低；再者，急性呼吸窘迫綜合征病人需要比其他病人更長時間的機械通氣，從而增加了呼吸機相關(guān)性肺炎發(fā)生的風(fēng)險[13?14]。重癥監(jiān)護室病人情況危重，基礎(chǔ)情況差，咳嗽、咳痰能力進行性減弱，且痰液多黏稠，不利于痰液的排出，從而加劇了病人阻塞氣道的程度。病人處于缺氧狀態(tài)下，肺細胞的周期性伸展誘導(dǎo)環(huán)境酸化，促進細菌生長[15]，肺泡巨噬細胞和中性粒細胞減少細菌的吞噬和殺傷[16?18]，從而影響肺和全身的抗菌防御能力，增加了發(fā)生呼吸機相關(guān)性肺炎發(fā)生風(fēng)險。另外，鮑曼不動桿菌、銅綠假單胞菌、金黃色葡萄球菌等可在呼吸道管壁上形成生物膜，導(dǎo)致病原體難以被清除。尤其是鮑曼不動桿菌形成的生物膜，具有很強的耐藥性[19]，在重癥監(jiān)護室環(huán)境中更容易引起耐CRAB性呼吸機相關(guān)性肺炎的發(fā)生。以氧合指數(shù)作為監(jiān)測指標(biāo)，及時糾正呼吸衰竭，避免病情惡化，可有效減少CRAB性呼吸機相關(guān)性肺炎的發(fā)生。因此，氧合指數(shù)的降低可作為早期識別重癥監(jiān)護室病人是否具有CRAB性呼吸機相關(guān)性肺炎的提示指標(biāo)，輔助臨床醫(yī)務(wù)人員及時采取有效干預(yù)措施。

3.1.2 抗菌藥物使用時間及氣管切開

鮑曼不動桿菌對環(huán)境適應(yīng)能力極強，對消毒劑在一定程度上具有抑制作用，重癥監(jiān)護室病人通常使用長時間的抗生素，往往會改變正常微生物的感染，導(dǎo)致耐藥菌的出現(xiàn)[20?21]。耐藥菌在人體內(nèi)定植，易造成菌群失調(diào)，為耐藥菌入侵提供便利。另外，CRAB在重癥監(jiān)護室中檢出率高達40%以上，并且病人在接受有創(chuàng)操作時，面臨更大的感染風(fēng)險，如暴露時間較長、無菌操作欠規(guī)范等。研究顯示，氣管切開是呼吸機相關(guān)性肺炎的預(yù)測因素，肺部感染的風(fēng)險增加近3倍[22]。方金林等[23]研究表明，重癥監(jiān)護室氣管切開病人呼吸機相關(guān)性肺炎發(fā)生率是非氣管切開病人的5.89倍。氣管切開損傷氣管上皮細胞、破壞呼吸系統(tǒng)的生理屏障，降低了其防御功能，加上氣道暴露，切口易被污染等高風(fēng)險因素的存在，使得CRAB持久定植和繁殖，感染風(fēng)險隨之增加[24]。因此，在臨床工作中謹(jǐn)慎選擇抗生素的使用，避免長時間或頻繁使用；重點關(guān)注需要氣管切開的病人，通過規(guī)范無菌操作流程、環(huán)境清潔消毒、有效隔離防護等有效措施的實施，降低氣管切開病人CRAB性呼吸機相關(guān)性肺炎的發(fā)生率。

3.1.3 昏迷

重癥監(jiān)護室內(nèi)昏迷病人容易引起胃內(nèi)容物和口咽部分泌物的反流，從而造成誤吸。誤吸病人口咽部有大量細菌存在，尤其是進行有創(chuàng)操作的病人，因氣道、口咽黏膜損傷，致使細菌大量繁殖，為其進入下呼吸道提供了條件。另外，昏迷病人咳嗽反射能力降低，無法自主咳痰而易引起痰液的反流，從而增加了感染的風(fēng)險。蔡曉蕾等[25]研究表明，重癥監(jiān)護室昏迷病人遲發(fā)型呼吸機相關(guān)性肺炎的主要感染路徑為氣管導(dǎo)管套囊和呼吸機冷凝水。對于昏迷病人應(yīng)重點關(guān)注病人自身情況、呼吸管路的清潔管理以及周圍環(huán)境中存在的風(fēng)險，采取嚴(yán)格的消毒措施。有效的隔離防護措施是切斷CRAB的傳播途徑，能有效減少昏迷病人CRAB性呼吸機相關(guān)性肺炎的發(fā)生。

3.2 2種模型CRAB性呼吸機相關(guān)性肺炎預(yù)測性能比較

CRAB性呼吸機相關(guān)性肺炎極易對重癥監(jiān)護室病人造成嚴(yán)重的后果，給醫(yī)院造成不必要的經(jīng)濟損失，構(gòu)建預(yù)測CRAB性呼吸機相關(guān)性肺炎的模型具有重要意義。隨機森林作為機器學(xué)習(xí)的一種，具有不易受變量共線性影響、運行穩(wěn)健、不存在擬合等優(yōu)勢，可將各自變量對因變量預(yù)測的重要性進行展示，生成重要性評價排序結(jié)果，為后續(xù)臨床決策提供參考依據(jù)[26?27]。對比兩種預(yù)測模型，隨機森林模型的AUC為0.78，相比于Logistic模型（0.61）來說，擬合度有較大提升，可以更好地預(yù)測CRAB性呼吸機相關(guān)性肺炎。隨機森林模型的準(zhǔn)確度為77.97%，較Logistic模型（66.10%）有大幅提高。隨機森林模型的靈敏度為85.37%，高于Logistic模型（73.71%），有利于早期更精準(zhǔn)地發(fā)現(xiàn)高危病人；但該模型特異度較低，為61.11%，可能存在誤判病情的情況。總體來看，隨機森林模型因其采用更為先進的機器學(xué)習(xí)算法，更準(zhǔn)確、便捷，較傳統(tǒng)Logistic回歸模型具有更佳的預(yù)測性能。

4" 小結(jié)

綜上所述，本研究通過隨機森林模型和Logistic模型的構(gòu)建，發(fā)現(xiàn)基于機器學(xué)習(xí)的隨機森林模型的預(yù)測靈敏度明顯高于Logistic模型，模型辨別能力的增強意味著更多CRAB性呼吸機相關(guān)性肺炎病人可以早期被識別，為重癥監(jiān)護室醫(yī)護人員及時采取預(yù)防和控制措施提供依據(jù)。臨床醫(yī)護人員通過對風(fēng)險因素的干預(yù)，可以有效降低CRAB性呼吸機相關(guān)性肺炎的發(fā)生率，改善病人預(yù)后，減少醫(yī)院不必要的經(jīng)濟支出。但本研究屬于單中心回顧性研究，樣本量較小，可能存在一定的偏倚。未來可以嘗試采用多中心、大樣本的研究，利用深度學(xué)習(xí)模型，進一步提高CRAB性呼吸機相關(guān)性肺炎的預(yù)測準(zhǔn)確率。

參考文獻：

[1]" ZHAO Y X，HU K W，ZHANG J S，et al.Outbreak of carbapenem-resistant Acinetobacter baumannii carrying the carbapenemase OXA-23 in ICU of the eastern Heilongjiang province，China[J].BMC Infectious Diseases，2019，19（1）：452.

[2]" 佚名.鮑曼不動桿菌（碳青霉烯類）對亞胺培南和美羅培南的耐藥變遷[EB/OL].[2024-03-01].http：//www.chinets.com/Data/GermYear.

Anon.Changes in resistance of Acinetobacter baumannii（carbapenems） to imipenem and meropenem[EB/OL].[2024-03-01].http：//www.chinets.com/Data/GermYear.

[3]" 陳佰義，何禮賢，胡必杰，等.中國鮑曼不動桿菌感染診治與防控專家共識[J].中國醫(yī)藥科學(xué)，2012，2（8）：3-8.

CHEN B Y，HE L X，HU B J，et al.Expert consensus on diagnosis，treatment and prevention of Acinetobacter baumannii infection in China[J].China Medicine and Pharmacy，2012，2（8）：3-8.

[4]" PINTO A C D S，SILVA B M D，SANTIAGO-JUNIOR J F，et al.Efficiency of different protocols for oral hygiene combined with the use of chlorhexidine in the prevention of ventilator-associated pneumonia[J].Journal Brasileiro De Pneumologia，2021，47（1）：e20190286.

[5]" HANKO M，GRENDáR M，SNOPKO P，et al.Random forest-based prediction of outcome and mortality in patients with traumatic brain injury undergoing primary decompressive craniectomy[J].World Neurosurgery，2021，148：e450-e458.

[6]" 中華醫(yī)學(xué)會重癥醫(yī)學(xué)分會.呼吸機相關(guān)性肺炎診斷、預(yù)防和治療指南（2013）[J].中華內(nèi)科雜志，2013，52（6）：524-543.

Intensive Care Medicine Branch of the Chinese Medical Association.Guidelines for diagnosis，prevention and treatment of ventilator-associated pneumonia（2013）[J].Chinese Journal of Internal Medicine，2013，52（6）：524-543.

[7]" 中華人民共和國衛(wèi)生部.醫(yī)院感染診斷標(biāo)準(zhǔn)（試行）[J].中華醫(yī)學(xué)雜志，2001，81（5）：314-320.

Ministry of Health of the PRC.Diagnostic criteria for nosocomial infections（proposed）[J].National Medical Journal of China，2001，81（5）：314-320.

[8]" POZUELO-CARRASCOSA D P，HERRáIZ-ADILLO á，ALVAREZ-BUENO C，et al.Subglottic secretion drainage for preventing ventilator-associated pneumonia：an overview of systematic reviews and an updated meta-analysis[J].European Respiratory Review，2020，29（155）：190107.

[9]" CHOUHDARI A，SHOKOUHI S，BASHAR F R，et al.Is a low incidence rate of ventilation associated pneumonia associated with lower mortality？A descriptive longitudinal study in Iran[J].Tanaffos，2018，17（2）：110-116.

[10]" SADIGOV A，MAMEDOVA I，MAMMMADOV K.Ventilator-associated pneumonia and in-hospital mortality：which risk factors may predict in-hospital mortality in such patients？[J].Journal of Lung Health and Diseases，2019，3（4）：8-12.

[11]" LUCKRAZ H，MANGA N，SENANAYAKE E L，et al.Cost of treating ventilator-associated pneumonia post?cardiac surgery in the National Health Service：results from a propensity-matched cohort study[J].Journal of the Intensive Care Society，2018，19（2）：94-100.

[12]" JEAN C，F(xiàn)AGON J Y.Ventilator-associated pneumonia[J].Am J Respir Crit Care Med，2002，165（7）：867-903.

[13]" MARTIN T R，PISTORESE B P，HUDSON L D，et al.The function of lung and blood neutrophils in patients with the adult respiratory distress syndrome.Implications for the pathogenesis of lung infections[J].The American Review of Respiratory Disease，1991，144（2）：254-262.

[14]" CHOLLET-MARTIN S，JOURDAIN B，GIBERT C，et al.Interactions between neutrophils and cytokines in blood and alveolar spaces during ARDS[J].American Journal of Respiratory and Critical Care Medicine，1996，154（3 Pt 1）：594-601.

[15]" PUGIN J，DUNN-SIEGRIST I，DUFOUR J，et al.Cyclic stretch of human lung cells induces an acidification and promotes bacterial growth[J].American Journal of Respiratory Cell and Molecular Biology，2008，38（3）：362-370.

[16]" DREYFUSS D，RICARD J D.Acute lung injury and bacterial infection[J].Clinics in Chest Medicine，2005，26（1）：105-112.

[17]" MUNFORD R S，PUGIN J.Normal responses to injury prevent systemic inflammation and can be immunosuppressive[J].American Journal of Respiratory and Critical Care Medicine，2001，163（2）：316-321.

[18]" LUYT C E，BOUADMA L，MORRIS A C，et al.Pulmonary infections complicating ARDS[J].Intensive Care Medicine，2020，46（12）：2168-2183.

[19]" STEWART P S.Mechanisms of antibiotic resistance in bacterial biofilms[J].International Journal of Medical Microbiology，2002，292（2）：107-113.

[20]" LUYT C E，BRéCHOT N，COMBES A，et al.Delivering antibiotics to the lungs of patients with ventilator-associated pneumonia：an update[J].Expert Review of Anti-Infective Therapy，2013，11（5）：511-521.

[21]" KADRI S S，O'GRADY N P.Review：short and long courses of antibiotics do not differ for mortality in ventilator-associated pneumonia[J].Annals of Internal Medicine，2014，160（10）：JC3.

[22]" STOCLIN A，ROTOLO F，HICHERI Y，et al.Ventilator-associated pneumonia and bloodstream infections in intensive care unit cancer patients：a retrospective 12-year study on 3 388 prospectively monitored patients[J].Supportive Care in Cancer，2020，28（1）：193-200.

[23]" 方金林，黃燕周，葉紅芳.ICU成人患者呼吸機相關(guān)性肺炎危險因素的meta分析[J].中國醫(yī)藥導(dǎo)報，2020，17（11）：102-106;110.

FANG J L，HUANG Y Z，YE H F.Meta-analysis of risk factors for ventilator-associated pneumonia in adult patients with ICU[J].China Medical Herald，2020，17（11）：102-106;110.

[24]" GAN M，BAO Z M，HAN J.Efficacy of Venner-PneuX endotracheal tube system for prevention of ventilator-associated pneumonia in intensive care units：a protocol for systematic review and meta-analysis[J].Medicine，2021，100（1）：e24278.

[25]" 蔡曉蕾，馬碧君，楊勝男.意識昏迷神經(jīng)外科手術(shù)病人呼吸機相關(guān)性肺炎的致病菌與感染路徑分析[J].中國消毒學(xué)雜志，2023，40（2）：140-142.

CAI X L，MA B J，YANG S N.Analysis of pathogenic bacteria and infection pathways of ventilator-associated pneumonia in conscious coma neurosurgical patients[J].Chinese Journal of Disinfection，2023，40（2）：140-142.

[26]" MANSOUR Y，SCHAIN M.Learning with maximum-entropy distributions[J].Machine Learning，2001，45（2）：123-145.

[27]" 韓玉，施海龍，曲波，等.隨機森林方法在醫(yī)學(xué)中的應(yīng)用[J].中國預(yù)防醫(yī)學(xué)雜志，2014，15（1）：79-81.

HAN Y，SHI H L，QU B，et al.Application of random forest method in medicine[J].Chinese Preventive Medicine，2014，15（1）：79-81.