彭玲，寸月娥，袁艷玲，翁曉芳，龔薇，王劍云

1. 南昌大學公共衛(wèi)生學院／江西省預防醫(yī)學重點實驗室，江西南昌330006；2. 復旦大學附屬中山醫(yī)院吳淞醫(yī)院醫(yī)院感染管理科，上海200940

多重耐藥菌是醫(yī)院內獲得性感染的重要原因，不僅給臨床治療和醫(yī)院感染管理帶來巨大挑戰(zhàn)，而且嚴重威脅住院患者的治療效果及預后［1-2］。重癥監(jiān)護病房（ICU）是發(fā)生多重耐藥菌醫(yī)院感染的高危科室，其收治的老年患者病情較為危重，侵入性操作較多，需長時間使用抗生素及其他免疫抑制藥物，并且患者本身往往存在免疫力低下，患有慢性疾病等情況，所以綜合ICU 多重耐藥菌的監(jiān)測及預防控制是醫(yī)院感染管理的重中之重［3-5］。多重耐藥菌感染的危險因素研究基于既往的基線監(jiān)測資料，針對患者感染多重耐藥菌的危險因素進行因果關系的分析并建立風險因素模型，實現早期預警，給醫(yī)院感染監(jiān)控提供精準目標。本研究是一項針對ICU 老年患者感染多重耐藥菌危險因素的回顧性研究，通過分析老年患者的病史資料、ICU 監(jiān)測日志等基線資料，篩選老年患者感染耐藥菌的危險因素，利用Logistic 回歸分析結果建立危險因素預測模型，為醫(yī)院感染管理者制定有效的防控措施提供依據。因此，利用耐藥菌感染的風險預測模型因素，盡早發(fā)現并及時干預，對降低感染率和提高經濟效益有重要的意義。

1 資料與方法

1.1 一般資料

選取復旦大學附屬中山醫(yī)院吳淞醫(yī)院2019年1月—2019年12月入住ICU 的住院患者共613 例作為研究對象，其中男性347 例，女性266 例；年齡60～115歲，平均年齡（75. 8 ± 9. 8）歲。其中發(fā)生多重耐藥菌（MDRO）感染有86 例，未發(fā)生MDRO 感染的有527例，按是否發(fā)生MDRO 感染分別設為病例組和非病例組。病例組中男性53 例，女性33 例；年齡60～115 歲，平均年齡（81.3±16.1）歲。非病例組中男性294 例，女性233 例，年齡60～99 歲，平均年齡（74.9±8.0）歲。

納入標準：（1）年齡≥60 歲；（2）臨床資料完整；（3）符合MDRO 感染的診斷標準，MDRO 細菌培養(yǎng)陽性且出現感染癥狀；（4）入住ICU≥48 h；（5）有知情同意過程并簽署了知情同意書。

排除標準：（1）合并免疫缺陷者；（2）入院前已感染MDRO；（3）入住ICU 時間＜48 h；（4）重復入住ICU。本次研究經醫(yī)院倫理委員會審批通過。

依照MDRO 的診斷標準和全國臨床檢驗操作規(guī)程，取患者臨床標本進行細菌標本培養(yǎng)和藥敏試驗，將檢出結果中對臨床使用的三類或三類以上抗菌藥物同時呈現耐藥的病原菌確診為MDRO。臨床上常見MDRO 包括耐甲氧西林金黃色葡萄球菌（MRSA）、耐萬古霉素腸球菌（VRE）、產超廣譜β-內酰胺酶（ESBLs）細菌、耐碳青霉烯類抗菌藥物腸桿菌科細菌（CRE）、耐碳青霉烯類抗菌藥物鮑曼不動桿菌（CRAB）、多重耐藥／泛耐藥銅綠假單胞菌（MDR／PDR-PA）等。

1.2 研究方法

1.2.1 資料來源 本研究采用回顧性研究的方法，收集2019年1月1日—2019年12月31日復旦大學附屬中山醫(yī)院吳淞醫(yī)院綜合ICU 住院患者的資料，包括患者的年齡、性別、住院天數、入院診斷、慢性病患病情況、從入住綜合ICU 至MDRO 醫(yī)院感染確診的時間、感染前藥物使用情況、感染前侵入性操作情況，包括動靜脈置管、留置導尿管、機械通氣等。

1.3 統(tǒng)計學分析

數據經雙人錄入后建立數據庫，核對無誤后使用SPSS21.0 對數據進行分析。非正態(tài)分布的計量資料以中位數、四分位間距來表示，計數資料以頻數和構成比表示；采用χ2檢驗進行單因素分析，綜合考慮單因素分析有統(tǒng)計學意義以及有臨床意義的指標，進行二分類Logistic 回歸分析。以P＜0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 醫(yī)院感染情況

2019年1月—2019年12月入住ICU 的患者一共729 例，剔除重復入住ICU、入住ICU ＜48 h、資料不全等116 例，最終納入本研究共613 例，其中發(fā)生院內多重耐藥菌感染86 例，多重耐藥菌院內感染率為14.0%。

2.2 單因素分析

多重耐藥菌感染患者與非感染者在年齡、留置中心靜脈、氣切插管、留置導尿管、ICU 住院天數、抗菌藥物使用與否、抗菌藥物使用天數與是否患有慢性疾病等8個方面比較，差異有統(tǒng)計學意義（P＜0.05）。見表1。

表1 ICU 老年患者多重耐藥菌感染者與非感染者特征分布及單因素分析

2.3 Logistic 多因素回歸分析

以發(fā)生多重耐藥菌感染為因變量，以年齡、留置中心靜脈管、氣切插管、留置導尿管、ICU 住院天數、抗菌藥物使用與否、抗菌藥物使用天數與是否患有基慢性疾病為自變量，進行多因素Logistic 分析。結果顯示：留置中心靜脈導管（OR =3.205，95%CI：1.204 ～8.533）、氣切插管（OR=4.259，95%CI：2.008 ～9.034）、留置導尿管（OR=7.542，95%CI：1.335 ～42.615）以及住院天數＞7 d （OR =18.534，95%CI：6.576 ～52.239）差異具有統(tǒng)計學差異。見表2。

表2 ICU 老年患者多重耐藥菌感染的多因素Logistic 分析

2.4 評分系統(tǒng)的建立與評價

本研究根據留置中心靜脈導管、氣切插管、留置導尿管以及住院天數＞7 d 這4 項獨立危險因素，建立ICU 老年患者多重耐藥菌感染的模型函數。采用回歸模型Logit （P） =β0 +β1X1 +β2X2 +……βpXp，得到如下公式：Logit （P） = -5.498 +1.165x 中心靜脈管使用+1.449x 氣管切管使用+2.021x 導尿管使用+2.920x住院天數＞7 d。

聯合預測因子與其他因素的ROC 曲線及結果見表3 和圖1。ROC 曲線下面積為0. 963 （95%CI：0.948～0.978）。以約登指數最大截斷點為截斷值0.839，靈敏度為0.919，特異度為0.92。將小于截斷值的部分預測為未感染，將大于截斷值的部分預測為感染。

表3 老年患者多重耐藥菌感染聯合預測因子與其他因素的AUC

圖1 Logistic 回歸分析綜合ICU 老年患者感染MDRO ROC 曲線

3 討論

重癥監(jiān)護病房是醫(yī)院感染的高發(fā)區(qū)域，多重耐藥菌感染檢出率逐年上升，流行強度不斷增加，已經對ICU 住院患者造成重大威脅。有研究表明［6］，針對危險因素的精準防控與主動篩查兩種方法相比較，其感染檢出率相似，都能有效降低感染率。因此，采用疾病預測模型，提前預估多重耐藥菌感染的發(fā)生率，指導公共衛(wèi)生保健和臨床工作，對降低感染率提高患者的健康壽命并減輕其住院負擔有重要的意義。

本研究通過回顧性地對入住綜合ICU 老年患者的病史資料進行研究，結合既往報道中的多重耐藥菌感染因素［7-8］，分析綜合ICU 收治的老年患者耐藥菌感染的危險因素，在此基礎上又利用Logistic 回歸方法構建老年患者入住綜合ICU 感染耐藥菌的危險因素預測模型，從而幫助綜合ICU 醫(yī)務人員對老年患者進行評估，實現耐藥菌感染的精準防控，降低綜合ICU老年患者耐藥菌感染率。

本研究的結果表明中心靜脈管留置、導尿管留置、氣切管留置及綜合ICU 住院天數＞7d 是老年患者感染耐藥菌的獨立危險因素，這與Lockhar［9］和韓旭等［10］的研究報道中的描述一致?？赡艿脑蛴校毫糁脤Ч軙茐臋C體的保護和防御屏障，使機體與外界相通，大大增加了耐藥菌定植到機體的機會，導致耐藥菌感染率增加［11］；再而由于多重耐藥菌可附著于各類物體上，其可通過術后留置導管患者切口導管相交處進入患者體內造成多重耐藥菌感染［12］。因此術后對于留置導管患者需勤加護理，切口處應定期清理，醫(yī)護人員所有操作均需嚴格遵循無菌原則。此外，ICU住院天數＞7 d 也對患者發(fā)生多重耐藥感染有很大的影響，綜合ICU 收治的老年患者在ICU 入住時間較長，長期暴露在致病菌集中的高危環(huán)境中，由于患者病癥危急，免疫力低下，更容易感染耐藥菌［13］。因此，盡可能縮短住院時間。

本研究建立的風險預測模型中并未將抗生素的使用、年齡、患者的慢性病患病情況納入模型中，這說明綜合ICU 耐藥菌感染主要與醫(yī)院的相關診療手段相關，這就提示醫(yī)院在耐藥菌的感染控制上要從醫(yī)護人員的操作規(guī)范抓起，嚴格監(jiān)測醫(yī)護人員手衛(wèi)生及環(huán)境衛(wèi)生情況，對醫(yī)護人員普及耐藥菌的相關知識，同時針對高齡患者衰弱帶來的活動減少、長期臥床、跌倒誤吸等負性事件等可控因素進行防控可能對于降低患者的耐藥菌感染率，減少其帶來的不良結局也有重要的意義［13］。

綜上所述，風險預測模型的建立，可以幫助醫(yī)護人員盡早發(fā)現可能的感染者，即使采取積極有效的防控措施，避免中老年患者感染耐藥菌甚至耐藥菌的暴發(fā)。在信息時代，醫(yī)院感染管理工作應當善于利用大數據進行分析預判，從而降低醫(yī)院感染事件的發(fā)生，對節(jié)約醫(yī)療資源，提高醫(yī)療效果有重大意義。在未來的研究中應當更加全面的收集患者感染的危險因素，擴大樣本量，并且將回顧性研究與前瞻性研究巧妙結合，提高風險預判模型的靈敏度和特異度。