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：應用Lasso?Logistic回歸分析和分類樹（CHAID）算法分析創(chuàng)傷病人術后多重耐藥菌（MDRO）醫(yī)院感染的危險因素，構建風險預測模型并比較結果的優(yōu)劣性。方法：回顧性分析2019年1月—2022年1月鄭州大學附屬鄭州中心醫(yī)院創(chuàng)傷住院病人的臨床資料，應用CHAID算法和Lasso?Logistic回歸分別建立風險預測模型，采用擬合優(yōu)度檢驗評價模型效果，使用受試者工作特征（ROC）曲線下面積（AUC）比較兩種預測模型的優(yōu)劣。結果：共納入821例創(chuàng)傷病人，其中創(chuàng)傷合并多重耐藥菌感染191例，感染率為23.26%，分類樹模型和Logistic回歸結果均顯示，急性生理學及慢性健康狀況評分系統(tǒng)（APACHE Ⅱ）評分≥20分、發(fā)熱時間≥3 d、住院時間≥10 d、入院時降鈣素原（PCT）≥0.5 ng/L是創(chuàng)傷病人術后多重耐藥菌感染的獨立危險因素。分類樹模型的風險預測正確率為79.2 %，模型擬合效果較好；Lasso?Logistic回歸模型Hosmer?Lemeshow擬合優(yōu)度檢驗顯示模型擬合較好（P=0.146），Bootstrap內(nèi)部驗證模型預測能力較好。分類樹模型的AUC為0.792［95%CI（0.763，0.819）］，Lasso?Logistic回歸模型的AUC為0.862［95%CI（0.836，0.885）］，兩種模型的預測價值中等，通過比較兩種模型預測價值差異有統(tǒng)計學意義（Plt;0.001）。凈重分類指數(shù)（net reclassification index，NRI）評價提示Lasso?Logistic回歸模型優(yōu)于分類樹模型（NRI=0.153 6）。結論：Lasso?Logistic回歸分析與分類樹模型均能提供較為直觀的呈現(xiàn)形式，兩種模型互補結合使用可以從不同角度早期識別創(chuàng)傷病人術后多重耐藥菌感染的風險因素，應采取有效防控措施降低多重耐藥菌醫(yī)院感染發(fā)生率。

關鍵詞" 創(chuàng)傷；多重耐藥菌；醫(yī)院感染；危險因素；Lasso?Logistic回歸；分類樹；預測模型；調(diào)查研究

doi：10.12102/j.issn.1009-6493.2025.03.002

據(jù)統(tǒng)計，我國每年因創(chuàng)傷就醫(yī)者高達6 200萬人次，每年因創(chuàng)傷致死人數(shù)達70～80萬人，占死亡總人數(shù)的9%左右[1]。創(chuàng)傷病人由于病情危重，病情進展快，并發(fā)癥多，手術治療往往是首選方法。近年來，隨著創(chuàng)傷病人不斷增加，術后多重耐藥菌（multi?drug resistant bacteria，MDRO）已經(jīng)成為感染主要的病原菌。研究發(fā)現(xiàn)創(chuàng)傷創(chuàng)面的醫(yī)院感染中，多重耐藥菌檢出率高達40%[2]。同時多項研究表明，創(chuàng)傷術后可以并發(fā)多種類型的醫(yī)院感染，術后肺炎的發(fā)生率可達25%～50%[3?4]，此外，在創(chuàng)傷性脛腓骨骨折的病人中，術后切口感染率為8.29%[5]，急診外科創(chuàng)傷手術病人切口感染率也可達14%左右[6]。因此，早期識別并管控創(chuàng)傷術后醫(yī)院感染的發(fā)生具有重要意義。目前，對于創(chuàng)傷病人術后多重耐藥菌感染預測模型的研究仍然較少。本研究通過分析創(chuàng)傷手術病人感染的相關危險因素，通過分類樹（CHAID）算法與Lasso?Logistic回歸分析法構建風險預測模型，比較兩種模型預測效果，合理結合兩種模型，用于早期識別發(fā)現(xiàn)創(chuàng)傷手術病人多重耐藥菌感染的風險因素，積極采取有效防控措施降低多重耐藥菌醫(yī)院感染發(fā)生率。

1" 對象與方法

1.1 研究對象

回顧性分析2019年1月—2022年1月鄭州市中心醫(yī)院入住重癥監(jiān)護病房（ICU）的821例創(chuàng)傷病人資料。納入標準：1）創(chuàng)傷病人傷后生存時間≥48 h；2）入住重癥監(jiān)護病房，均為手術病人；3）入院48 h以后發(fā)生多重耐藥菌感染，符合醫(yī)院感染診斷標準[6]及多重耐藥菌感染診斷標準[7]。排除標準：1）入院時或入院48 h內(nèi)已診斷為多重耐藥菌感染；2）入院48 h內(nèi)死亡或放棄治療；3）臨床資料及實驗室檢查相關資料不全。創(chuàng)傷病人診斷標準參考人民軍醫(yī)出版社2010年第1版《多發(fā)傷救治學》中多發(fā)傷的定義。

1.2 研究方法

采用回顧性研究方法，通過醫(yī)院信息系統(tǒng)（hospital information system，HIS）及杏林醫(yī)院感染監(jiān)測系統(tǒng)（hospital infection survey system，HISS）調(diào)取并收集所有創(chuàng)傷住院病人的臨床資料。調(diào)查內(nèi)容包括性別、年齡、基礎疾病、低蛋白血癥、激素治療、急性生理學及慢性健康狀況評分系統(tǒng)（APACHE Ⅱ）評分、是否發(fā)熱、發(fā)熱時間、住院時間、手術類型、手術時長、抗菌藥物使用種類、抗菌藥物使用時間、留置導管、機械通氣以及入院時血清清蛋白、降鈣素原（PCT）水平等。

1.3 模型的構建與驗證

1.3.1 模型構建

單因素分析篩選創(chuàng)傷病人術后多重耐藥菌感染的危險因素，單因素分析以Plt;0.05為差異有統(tǒng)計學意義，將有統(tǒng)計學意義的變量納入多因素Lasso?Logistic回歸分析；采用CHAID算法構建分類樹模型，將醫(yī)院感染作為因變量，單因素分析中有統(tǒng)計學意義的相關因素作為自變量；模型參數(shù)：將入住重癥監(jiān)護病房的821例創(chuàng)傷病人分為訓練集（70%）和驗證集（30%），用訓練集數(shù)據(jù)建立分類樹風險預測模型。分類樹模型的參數(shù)設置如下：父節(jié)點和子節(jié)點的最小樣本量為100和50，最大生長深度為3，檢驗水準α=0.05。

1.3.2 模型驗證

Lasso?Logistic回歸模型采用Hosmer?Lemeshow方法進行擬合優(yōu)度檢驗，采用Bootstrap方法進行內(nèi)部驗證，使用受試者工作特征（ROC）曲線下面積（area under the curve，AUC）評價模型的擬合效果。通過繪制校準曲線評估模型的預測效果。分類樹模型通過Risk風險統(tǒng)計量進行性能分析評價；采用ROC曲線及AUC對預測效果進行評價。采用ROC、凈重分類指數(shù)（net reclassification index，NRI）評價兩種模型的診斷效能。NRI計算方法：NRI=（模型Ⅱ靈敏度+模型Ⅱ特異度）-（模型Ⅰ靈敏度＋模型Ⅰ特異度）[8]。模型Ⅰ為分類樹模型，模型Ⅱ為Lasso?Logistic回歸模型。NRIgt;0，說明為正改善，說明模型Ⅱ比模型Ⅰ的預測能力有增強；NRIlt;0，說明為負改善，模型Ⅱ預測能力下降；若NRI=0，則認為模型Ⅰ無改善。

1.4 統(tǒng)計學分析

Lasso?Logistic回歸分析采用R（4.1.2）軟件進行，分類樹（CHAID）算法分析采用SPSS 24.0軟件進行。單因素分析采用χ2檢驗；多因素分析采用二分類Lasso?Logistic回歸分析；分類樹模型采用CHAID算法；ROC曲線的比較采用MedCalc V 20.1.0軟件，具體采用R軟件glmnet程序包進行Lasso?Logistic回歸模型分析，ROCR程序包繪制ROC曲線，Risk Regression程序包繪制模型的校準曲線。以Plt;0.05為差異有統(tǒng)計學意義。

2" 結果

2.1 病人基本資料

共納入821例病人，其中男198例，女623例；年齡（46.23±11.21）歲；多重耐藥菌醫(yī)院感染191例，醫(yī)院感染發(fā)生率為23.26%；其中肺部感染占40.84%（78/191），尿路感染占24.61%（47/191），創(chuàng)面感染占17.80%（34/191），血流感染占12.04%（23/191），手術部位感染占4.71%（9/191）。術后肺炎發(fā)生率為9.5%。191例多重耐藥菌感染病人檢出病原菌221株，其中耐碳青霉烯類鮑曼不動桿菌（CRAB）64株（28.96%），耐碳青霉烯類肺炎克雷伯菌（CRKP）54株（24.43%）、耐碳青霉烯類銅綠假單胞菌（CRPA）34株（15.38%）、產(chǎn)超廣譜β?內(nèi)酰胺酶（ESBLs）肺炎克雷伯菌26株（11.76%）、產(chǎn)超廣譜β?內(nèi)酰胺酶（ESBLs）大腸埃希菌18株（8.14%）、耐甲氧西林金黃色葡萄球菌（MRSA）15株（6.79%）、其他病原體10株（4.52%）。

2.2 影響創(chuàng)傷病人術后多重耐藥菌感染的單因素分析

單因素分析結果顯示：感染組與未感染組病人的APACHE Ⅱ評分、是否發(fā)熱、發(fā)熱時間、住院時間、手術類型、手術時長、手術風險分級標準（NNIS）評分、是否聯(lián)合使用抗菌藥物、抗菌藥物聯(lián)合使用時間、是否聯(lián)合使用特殊抗菌藥物、特殊抗菌藥物使用時間、是否使用呼吸機、呼吸機插管時間、有無中心靜脈插管、中心靜脈插管時間、入院時PCT水平比較，差異均有統(tǒng)計學意義（Plt;0.05）。詳見表1。

2.3 影響創(chuàng)傷病人術后多重耐藥菌感染的多因素Lasso?Logistic回歸分析結果

分析Lasso?Logistic回歸模型，通過交叉驗證確定最優(yōu)λ值。折疊次數(shù)為10，詳見圖1。本研究中l(wèi)ambda.1se的值選擇0.004 812。隨著λ值增大，模型壓縮程度增大，進入模型的自變量逐漸減少，模型選擇主變量的能力則會增強[9]。詳見圖2。

以感染為因變量，將單因素分析有統(tǒng)計學意義的因素為自變量，進行二分類Lasso?Logistic回歸分析，結果顯示，APACHE Ⅱ評分≥20分、發(fā)熱時間≥3 d、住院時間≥10 d、使用特殊抗菌藥物、入院時PCT≥0.5 ng/L是創(chuàng)傷病人術后多重耐藥菌感染的獨立危險因素（均Plt;0.05），詳見表2。

2.4 影響創(chuàng)傷病人術后多重耐藥菌感染的多因素決策樹模型

將單因素分析中有統(tǒng)計學意義的16個變量作為預測因子納入分類樹模型，采用CHAID算法構建分類樹模型。模型總共分3層，包括9個節(jié)點，其中終末節(jié)點5個。共篩選出4個重要的解釋變量，分別是住院時間、發(fā)熱時間、APACHE Ⅱ評分、入院時PCT，結果顯示，住院時間≥10 d是創(chuàng)傷病人術后多重耐藥菌感染最重要的影響因素，其感染率高達49.3%，高于住院時間lt;10 d的病人（14.7%），在住院時間≥10 d的病人中，1個預測變量是入院時PCT≥0.5 ng/L，其感染率是66.7%，在住院時間lt;10 d的病人中，1個預測變量是發(fā)熱時間，發(fā)熱時間≥3 d的病人感染率是27.0%，而發(fā)熱時間lt;3 d的病人中APACHEⅡ評分≥20分作為1個預測變量，其感染率是34.6%。分類樹模型的風險為0.202±0.014，表明使用該模型對創(chuàng)傷病人術后多重耐藥菌感染的發(fā)病風險預測正確率為79.8%，說明該模型的擬合效果較好。詳見圖3。

2.5 兩種預測模型的驗證與比較

Lasso?Logistic回歸模型對數(shù)據(jù)進行分析，獲得個體發(fā)生院內(nèi)感染的預測概率P，約登指數(shù)最大的值為最佳診斷界值，本模型的界值為0.600 7，若P≥0.600 7時，個體判別為醫(yī)院感染病人；Plt;0.600 7時個體判別為非院內(nèi)感染個體。多因素Lasso?Logistic回歸分析預測AUC為0.862[95%CI（0.836，0.885）]；分類樹預測AUC為0.792[95%CI（0.763，0.819）]，兩種模型的預測價值中等（0.7～0.9），預測效果較好，對兩種不同指標的AUC進行比較，結果表明，差異有統(tǒng)計學意義（Z=5.668，Plt;0.001）。Lasso?Logistic回歸模型靈敏度為78.01%，特異度為82.06%；分類樹模型靈敏度為69.63%，特異度為75.08%。NRI評價兩種模型的診斷效能，結果顯示，NRI=0.153 6。說明Lasso?Logistic回歸模型優(yōu)于分類樹模型。Lasso?Logistic回歸分析模型與分類樹模型的效果比較見表3，Lasso?Logistic回歸分析模型與分類樹模型的ROC曲線圖見圖4。

3" 討論

創(chuàng)傷病人往往病情危重，多伴有休克、昏迷或肢體功能不全，需要長期臥床，尤其是氣管插管或氣管切開病人，大量分泌物積存在插管處，易發(fā)生肺部感染。一般情況下，創(chuàng)傷病人多行急診手術，術后肺炎往往是最常見的并發(fā)癥[10]。本研究結果顯示，創(chuàng)傷病人術后多重耐藥菌醫(yī)院感染率為23.26%，多重耐藥菌感染主要以革蘭陰性菌為主。與林華杰等[11]研究結果一致。本研究中主要感染部位是肺部感染、尿路感染、創(chuàng)面感染，其中創(chuàng)傷病人術后肺炎的發(fā)生率為9.5%，低于譚瑞娟等[12]研究結果，即重癥胸部創(chuàng)傷術后機械通氣病人肺部多重耐藥菌感染率為46.61%。

本研究分類樹模型和Lasso?Logistic回歸兩種預測模型結果均顯示，APACHE Ⅱ評分≥20分、發(fā)熱時間≥3 d、住院時間≥10 d、入院時PCT≥0.5 ng/L是創(chuàng)傷病人術后多重耐藥菌感染的獨立危險因素（Plt;0.05）。其中住院時間≥10 d與醫(yī)院感染的發(fā)生密切關聯(lián)。研究表明，隨著住院時間的延長，醫(yī)院感染風險會逐漸增加。同時發(fā)熱超過3 d是感染的危險因素，發(fā)熱是機體的應激性炎癥反應，長時間發(fā)熱與機體持續(xù)抗感染免疫應答有關[13?14]。此外，研究證實，APACHE Ⅱ評分與創(chuàng)傷術后肺部感染有關，APACHE Ⅱ評分與肺部感染并發(fā)癥發(fā)生率具有明顯的相關性，評分越高，發(fā)生率越高[15]。PCT作為嚴重細菌感染早期敏感特異的生物指標，在感染預警診斷和預后判斷方面具有較高的臨床價值。陳曉艷等[10]研究發(fā)現(xiàn)，PCT是影響顱腦創(chuàng)傷住院病人并發(fā)肺部感染的獨立因素。此外，有研究也發(fā)現(xiàn)PCT對于評估腹部創(chuàng)傷術后早期切口感染具有一定的診斷價值[16]。

本研究Lasso?Logistic回歸分析預測AUC為0.862[95%CI（0.836，0.885）]，與黃銘杰等[17]對骨科創(chuàng)傷病人的研究結果接近。Lasso回歸使用正則化方法在回歸優(yōu)化函數(shù)中增加1個偏置項，以減少共線性的影響，從而減少模型方差[18]。在變量之間具有高維度和多重共線性的情況下能取得良好的預測效果。與Logistic回歸模型相比，Lasso?Logistic回歸模型選擇的變量擬合和預測效果相對較好[19]。分類樹模型對分布資料無要求，輸出的圖形構造更直觀，能展示各變量之間的相互作用，具體分析各亞變量之間的差異，為決策提供依據(jù)。雖然分類樹模型也可處理共線性的問題，但分類樹對影響因素單獨效應的定量解釋和穩(wěn)定性不如Logistic回歸分析模型[20]。因此，將兩種模型的結果結合起來進行解釋具有更好的優(yōu)勢。本研究采用Lasso?Logistic回歸篩選變量，克服了以往Logistic回歸的局限性，在處理各變量間的共線性上有優(yōu)勢。此外，將兩種模型結合，可以最大限度發(fā)現(xiàn)潛在危險因素。本研究的不足之處主要是單中心研究，研究數(shù)據(jù)存在選擇性偏差；且未納入更多實驗室檢測指標，也未對不同醫(yī)院感染部位進行風險預測，仍需擴充更多指標來構建模型。同時尚需進一步外部驗證，對模型的外推效果進行評價。

4" 小結

綜上所述，本研究通過分類樹及Logistic回歸模型對創(chuàng)傷術后多重耐藥菌感染的影響因素進行篩選，并進行預測，采用ROC曲線分析驗證模型優(yōu)劣，結果顯示，多因素Lasso?Logistic回歸的預測效果優(yōu)于分類樹模型。建立醫(yī)院感染風險模型是目標性監(jiān)測的重要手段，可以為制訂醫(yī)院感染預防控制措施提供重要的理論依據(jù)。

參考文獻：

[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]" 張澤瓊，譚淦珊，王述軍，等.骨科創(chuàng)傷患者院內(nèi)創(chuàng)面多重耐藥菌感染的危險因素分析[J].中華創(chuàng)傷雜志，2021，37（8）：726-732.

[3]" 金欠欠，吳建賢，張金牛，等.急性頸髓損傷患者繼發(fā)肺部感染高危因素的回顧性研究[J].中華物理醫(yī)學與康復雜志，2021，43（11）：983-986.

[4]" 戴俊芬，戴偉民，戚東靜，等.顱腦損傷開顱術后肺部感染危險因素分析及預測模型構建[J].中華醫(yī)院感染學雜志，2021，31（7）：1034-1038.

[5]" 諸利剛，孫杰，成震宇.創(chuàng)傷性脛腓骨骨折術后切口感染的病原菌和危險因素調(diào)查[J].中國消毒學雜志，2019，36（11）：822-824.

[6]" 趙麗敏，潘曉青.急診外科創(chuàng)傷術后切口感染危險因素[J].中華醫(yī)院感染學雜志，2021，31（23）：3552-3555.

[7]" 衛(wèi)生部辦公廳.關于印發(fā)《多重耐藥菌醫(yī)院感染預防與控制技術指南（試行）》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，武頌文，夏結來.利用凈重新分類指數(shù)與整體鑒別指數(shù)評價一種新危險因素的補充預測能力[J].中國衛(wèi)生統(tǒng)計，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]" 陳曉艷，張燕萍，蘇星，等.顱腦創(chuàng)傷住院并發(fā)肺部感染病人多指標聯(lián)合預警診斷模型的建立[J].中華醫(yī)院感染學雜志，2020，30（18）：2785-2789.

[11]" 林華杰，金甬，賈晉榮，等.骨科病人術后切口感染病原學及炎癥因子[J].中華醫(yī)院感染學雜志，2022，32（20）：3132-3136.

[12]" 譚瑞娟，王立丹，賀平，等.重癥胸部創(chuàng)傷術后機械通氣病人肺部多重耐藥菌感染病原菌分布及危險因素分析[J].中國醫(yī)院藥學雜志，2022，42（8）：840-843.

[13]" 呂林芳，張漢陽.2020年北京市某三甲醫(yī)院醫(yī)院感染直接經(jīng)濟損失分析[J].中華醫(yī)院感染學雜志，2023，33（6）：933-937.

[14]" 王續(xù)晶，姚雪，張玉君，等.老年心臟瓣膜病病人瓣膜置換術后醫(yī)院感染危險因素及經(jīng)濟負擔[J].中華醫(yī)院感染學雜志，2022，32（21）：3282-3286.

[15]" 李育平，裴云龍，朱磊，等.重型顱腦創(chuàng)傷術后中樞神經(jīng)系統(tǒng)感染風險預測模型的構建[J].中華神經(jīng)外科雜志，2022，38（8）：837-842.

[16]" 盧丹，李紅霞.急診外科腹部創(chuàng)傷患者術后切口感染病原學及血清細胞因子的診斷價值[J].中華醫(yī)院感染學雜志，2021，31（24）：3752-3756.

[17]" 黃銘杰，區(qū)智鳳，曾嘉歡，等.老年骨科創(chuàng)傷病人醫(yī)院感染風險預測列線圖模型的建立與驗證[J].護理研究，2022，36（13）：2315-2320.

[18]" 劉雪嬌，羅巍，張波，等.基于Lasso-Logistic回歸構建美沙酮維持治療門診病人繼續(xù)使用毒品風險預測模型[J].中華疾病控制雜志，2021，25（12）：1369-1373;1402.

[19]" 郭磊磊，秦紅英，張尚書，等.骨科創(chuàng)傷病人術后多重耐藥菌感染風險Nomogram模型構建與驗證[J].中國感染控制雜志，2022，21（6）：584-591.

[20]" 閆瑞平，王習亮，姚粉霞，等.決策樹模型與Logistic回歸分析模型識別高血壓危險因素的效果比較[J].中華疾病控制雜志，2022，26（2）：218-222.

（收稿日期：2023-09-11；修回日期：2024-09-13）

（本文編輯 曹妍）