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(yīng)用Lasso?Logistic回歸分析和分類樹(shù)（CHAID）算法分析創(chuàng)傷病人術(shù)后多重耐藥菌（MDRO）醫(yī)院感染的危險(xiǎn)因素，構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型并比較結(jié)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(xué)附屬鄭州中心醫(yī)院創(chuàng)傷住院病人的臨床資料，應(yīng)用CHAID算法和Lasso?Logistic回歸分別建立風(fēng)險(xiǎn)預(yù)測(cè)模型，采用擬合優(yōu)度檢驗(yàn)評(píng)價(jià)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(yù)測(cè)模型的優(yōu)劣。結(jié)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(shù)模型和Logistic回歸結(jié)果均顯示，急性生理學(xué)及慢性健康狀況評(píng)分系統(tǒng)（APACHE Ⅱ）評(píng)分≥20分、發(fā)熱時(shí)間≥3 d、住院時(shí)間≥10 d、入院時(shí)降鈣素原（PCT）≥0.5 ng/L是創(chuàng)傷病人術(shù)后多重耐藥菌感染的獨(dú)立危險(xiǎn)因素。分類樹(shù)模型的風(fēng)險(xiǎn)預(yù)測(cè)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(yàn)顯示模型擬合較好（P=0.146），Bootstrap內(nèi)部驗(yàn)證模型預(yù)測(cè)能力較好。分類樹(shù)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(yù)測(cè)價(jià)值中等，通過(guò)比較兩種模型預(yù)測(cè)價(jià)值差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001）。凈重分類指數(shù)（net reclassification index，NRI）評(píng)價(jià)提示Lasso?Logistic回歸模型優(yōu)于分類樹(shù)模型（NRI=0.153 6）。結(jié)論：Lasso?Logistic回歸分析與分類樹(shù)模型均能提供較為直觀的呈現(xiàn)形式，兩種模型互補(bǔ)結(jié)合使用可以從不同角度早期識(shí)別創(chuàng)傷病人術(shù)后多重耐藥菌感染的風(fēng)險(xiǎn)因素，應(yīng)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(guān)鍵詞" 創(chuàng)傷；多重耐藥菌；醫(yī)院感染；危險(xiǎn)因素；Lasso?Logistic回歸；分類樹(shù)；預(yù)測(cè)模型；調(diào)查研究

doi：10.12102/j.issn.1009-6493.2025.03.002

據(jù)統(tǒng)計(jì)，我國(guó)每年因創(chuàng)傷就醫(yī)者高達(dá)6 200萬(wàn)人次，每年因創(chuàng)傷致死人數(shù)達(dá)70～80萬(wàn)人，占死亡總?cè)藬?shù)的9%左右[1]。創(chuàng)傷病人由于病情危重，病情進(jìn)展快，并發(fā)癥多，手術(shù)治療往往是首選方法。近年來(lái)，隨著創(chuàng)傷病人不斷增加，術(shù)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(dá)40%[2]。同時(shí)多項(xiàng)研究表明，創(chuàng)傷術(shù)后可以并發(fā)多種類型的醫(yī)院感染，術(shù)后肺炎的發(fā)生率可達(dá)25%～50%[3?4]，此外，在創(chuàng)傷性脛腓骨骨折的病人中，術(shù)后切口感染率為8.29%[5]，急診外科創(chuàng)傷手術(shù)病人切口感染率也可達(dá)14%左右[6]。因此，早期識(shí)別并管控創(chuàng)傷術(shù)后醫(yī)院感染的發(fā)生具有重要意義。目前，對(duì)于創(chuàng)傷病人術(shù)后多重耐藥菌感染預(yù)測(cè)模型的研究仍然較少。本研究通過(guò)分析創(chuàng)傷手術(shù)病人感染的相關(guān)危險(xiǎn)因素，通過(guò)分類樹(shù)（CHAID）算法與Lasso?Logistic回歸分析法構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型，比較兩種模型預(yù)測(cè)效果，合理結(jié)合兩種模型，用于早期識(shí)別發(fā)現(xiàn)創(chuàng)傷手術(shù)病人多重耐藥菌感染的風(fēng)險(xiǎn)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(duì)象與方法

1.1 研究對(duì)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(hù)病房（ICU）的821例創(chuàng)傷病人資料。納入標(biāo)準(zhǔn)：1）創(chuàng)傷病人傷后生存時(shí)間≥48 h；2）入住重癥監(jiān)護(hù)病房，均為手術(shù)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(biāo)準(zhǔn)[6]及多重耐藥菌感染診斷標(biāo)準(zhǔn)[7]。排除標(biāo)準(zhǔn)：1）入院時(shí)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(shí)驗(yàn)室檢查相關(guān)資料不全。創(chuàng)傷病人診斷標(biāo)準(zhǔn)參考人民軍醫(yī)出版社2010年第1版《多發(fā)傷救治學(xué)》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(guò)醫(yī)院信息系統(tǒng)（hospital information system，HIS）及杏林醫(yī)院感染監(jiān)測(cè)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(chǔ)疾病、低蛋白血癥、激素治療、急性生理學(xué)及慢性健康狀況評(píng)分系統(tǒng)（APACHE Ⅱ）評(píng)分、是否發(fā)熱、發(fā)熱時(shí)間、住院時(shí)間、手術(shù)類型、手術(shù)時(shí)長(zhǎng)、抗菌藥物使用種類、抗菌藥物使用時(shí)間、留置導(dǎo)管、機(jī)械通氣以及入院時(shí)血清清蛋白、降鈣素原（PCT）水平等。

1.3 模型的構(gòu)建與驗(yàn)證

1.3.1 模型構(gòu)建

單因素分析篩選創(chuàng)傷病人術(shù)后多重耐藥菌感染的危險(xiǎn)因素，單因素分析以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義，將有統(tǒng)計(jì)學(xué)意義的變量納入多因素Lasso?Logistic回歸分析；采用CHAID算法構(gòu)建分類樹(shù)模型，將醫(yī)院感染作為因變量，單因素分析中有統(tǒng)計(jì)學(xué)意義的相關(guān)因素作為自變量；模型參數(shù)：將入住重癥監(jiān)護(hù)病房的821例創(chuàng)傷病人分為訓(xùn)練集（70%）和驗(yàn)證集（30%），用訓(xùn)練集數(shù)據(jù)建立分類樹(shù)風(fēng)險(xiǎn)預(yù)測(cè)模型。分類樹(shù)模型的參數(shù)設(shè)置如下：父節(jié)點(diǎn)和子節(jié)點(diǎn)的最小樣本量為100和50，最大生長(zhǎng)深度為3，檢驗(yàn)水準(zhǔn)α=0.05。

1.3.2 模型驗(yàn)證

Lasso?Logistic回歸模型采用Hosmer?Lemeshow方法進(jìn)行擬合優(yōu)度檢驗(yàn)，采用Bootstrap方法進(jìn)行內(nèi)部驗(yàn)證，使用受試者工作特征（ROC）曲線下面積（area under the curve，AUC）評(píng)價(jià)模型的擬合效果。通過(guò)繪制校準(zhǔn)曲線評(píng)估模型的預(yù)測(cè)效果。分類樹(shù)模型通過(guò)Risk風(fēng)險(xiǎn)統(tǒng)計(jì)量進(jìn)行性能分析評(píng)價(jià)；采用ROC曲線及AUC對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。采用ROC、凈重分類指數(shù)（net reclassification index，NRI）評(píng)價(jià)兩種模型的診斷效能。NRI計(jì)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(shù)模型，模型Ⅱ?yàn)長(zhǎng)asso?Logistic回歸模型。NRIgt;0，說(shuō)明為正改善，說(shuō)明模型Ⅱ比模型Ⅰ的預(yù)測(cè)能力有增強(qiáng)；NRIlt;0，說(shuō)明為負(fù)改善，模型Ⅱ預(yù)測(cè)能力下降；若NRI=0，則認(rèn)為模型Ⅰ無(wú)改善。

1.4 統(tǒng)計(jì)學(xué)分析

Lasso?Logistic回歸分析采用R（4.1.2）軟件進(jìn)行，分類樹(shù)（CHAID）算法分析采用SPSS 24.0軟件進(jìn)行。單因素分析采用χ2檢驗(yàn)；多因素分析采用二分類Lasso?Logistic回歸分析；分類樹(shù)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(jìn)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(zhǔn)曲線。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2" 結(jié)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(shù)部位感染占4.71%（9/191）。術(shù)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(dòng)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(shù)后多重耐藥菌感染的單因素分析

單因素分析結(jié)果顯示：感染組與未感染組病人的APACHE Ⅱ評(píng)分、是否發(fā)熱、發(fā)熱時(shí)間、住院時(shí)間、手術(shù)類型、手術(shù)時(shí)長(zhǎng)、手術(shù)風(fēng)險(xiǎn)分級(jí)標(biāo)準(zhǔn)（NNIS）評(píng)分、是否聯(lián)合使用抗菌藥物、抗菌藥物聯(lián)合使用時(shí)間、是否聯(lián)合使用特殊抗菌藥物、特殊抗菌藥物使用時(shí)間、是否使用呼吸機(jī)、呼吸機(jī)插管時(shí)間、有無(wú)中心靜脈插管、中心靜脈插管時(shí)間、入院時(shí)PCT水平比較，差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。詳見(jiàn)表1。

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

分析Lasso?Logistic回歸模型，通過(guò)交叉驗(yàn)證確定最優(yōu)λ值。折疊次數(shù)為10，詳見(jiàn)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(jìn)入模型的自變量逐漸減少，模型選擇主變量的能力則會(huì)增強(qiáng)[9]。詳見(jiàn)圖2。

以感染為因變量，將單因素分析有統(tǒng)計(jì)學(xué)意義的因素為自變量，進(jìn)行二分類Lasso?Logistic回歸分析，結(jié)果顯示，APACHE Ⅱ評(píng)分≥20分、發(fā)熱時(shí)間≥3 d、住院時(shí)間≥10 d、使用特殊抗菌藥物、入院時(shí)PCT≥0.5 ng/L是創(chuàng)傷病人術(shù)后多重耐藥菌感染的獨(dú)立危險(xiǎn)因素（均Plt;0.05），詳見(jiàn)表2。

2.4 影響創(chuàng)傷病人術(shù)后多重耐藥菌感染的多因素決策樹(shù)模型

將單因素分析中有統(tǒng)計(jì)學(xué)意義的16個(gè)變量作為預(yù)測(cè)因子納入分類樹(shù)模型，采用CHAID算法構(gòu)建分類樹(shù)模型。模型總共分3層，包括9個(gè)節(jié)點(diǎn)，其中終末節(jié)點(diǎn)5個(gè)。共篩選出4個(gè)重要的解釋變量，分別是住院時(shí)間、發(fā)熱時(shí)間、APACHE Ⅱ評(píng)分、入院時(shí)PCT，結(jié)果顯示，住院時(shí)間≥10 d是創(chuàng)傷病人術(shù)后多重耐藥菌感染最重要的影響因素，其感染率高達(dá)49.3%，高于住院時(shí)間lt;10 d的病人（14.7%），在住院時(shí)間≥10 d的病人中，1個(gè)預(yù)測(cè)變量是入院時(shí)PCT≥0.5 ng/L，其感染率是66.7%，在住院時(shí)間lt;10 d的病人中，1個(gè)預(yù)測(cè)變量是發(fā)熱時(shí)間，發(fā)熱時(shí)間≥3 d的病人感染率是27.0%，而發(fā)熱時(shí)間lt;3 d的病人中APACHEⅡ評(píng)分≥20分作為1個(gè)預(yù)測(cè)變量，其感染率是34.6%。分類樹(shù)模型的風(fēng)險(xiǎn)為0.202±0.014，表明使用該模型對(duì)創(chuàng)傷病人術(shù)后多重耐藥菌感染的發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)正確率為79.8%，說(shuō)明該模型的擬合效果較好。詳見(jiàn)圖3。

2.5 兩種預(yù)測(cè)模型的驗(yàn)證與比較

Lasso?Logistic回歸模型對(duì)數(shù)據(jù)進(jìn)行分析，獲得個(gè)體發(fā)生院內(nèi)感染的預(yù)測(cè)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(shí)，個(gè)體判別為醫(yī)院感染病人；Plt;0.600 7時(shí)個(gè)體判別為非院內(nèi)感染個(gè)體。多因素Lasso?Logistic回歸分析預(yù)測(cè)AUC為0.862[95%CI（0.836，0.885）]；分類樹(shù)預(yù)測(cè)AUC為0.792[95%CI（0.763，0.819）]，兩種模型的預(yù)測(cè)價(jià)值中等（0.7～0.9），預(yù)測(cè)效果較好，對(duì)兩種不同指標(biāo)的AUC進(jìn)行比較，結(jié)果表明，差異有統(tǒng)計(jì)學(xué)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(shù)模型靈敏度為69.63%，特異度為75.08%。NRI評(píng)價(jià)兩種模型的診斷效能，結(jié)果顯示，NRI=0.153 6。說(shuō)明Lasso?Logistic回歸模型優(yōu)于分類樹(shù)模型。Lasso?Logistic回歸分析模型與分類樹(shù)模型的效果比較見(jiàn)表3，Lasso?Logistic回歸分析模型與分類樹(shù)模型的ROC曲線圖見(jiàn)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(zhǎng)期臥床，尤其是氣管插管或氣管切開(kāi)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(shù)，術(shù)后肺炎往往是最常見(jiàn)的并發(fā)癥[10]。本研究結(jié)果顯示，創(chuàng)傷病人術(shù)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(jié)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(shù)后肺炎的發(fā)生率為9.5%，低于譚瑞娟等[12]研究結(jié)果，即重癥胸部創(chuàng)傷術(shù)后機(jī)械通氣病人肺部多重耐藥菌感染率為46.61%。

本研究分類樹(shù)模型和Lasso?Logistic回歸兩種預(yù)測(cè)模型結(jié)果均顯示，APACHE Ⅱ評(píng)分≥20分、發(fā)熱時(shí)間≥3 d、住院時(shí)間≥10 d、入院時(shí)PCT≥0.5 ng/L是創(chuàng)傷病人術(shù)后多重耐藥菌感染的獨(dú)立危險(xiǎn)因素（Plt;0.05）。其中住院時(shí)間≥10 d與醫(yī)院感染的發(fā)生密切關(guān)聯(lián)。研究表明，隨著住院時(shí)間的延長(zhǎng)，醫(yī)院感染風(fēng)險(xiǎn)會(huì)逐漸增加。同時(shí)發(fā)熱超過(guò)3 d是感染的危險(xiǎn)因素，發(fā)熱是機(jī)體的應(yīng)激性炎癥反應(yīng)，長(zhǎng)時(shí)間發(fā)熱與機(jī)體持續(xù)抗感染免疫應(yīng)答有關(guān)[13?14]。此外，研究證實(shí)，APACHE Ⅱ評(píng)分與創(chuàng)傷術(shù)后肺部感染有關(guān)，APACHE Ⅱ評(píng)分與肺部感染并發(fā)癥發(fā)生率具有明顯的相關(guān)性，評(píng)分越高，發(fā)生率越高[15]。PCT作為嚴(yán)重細(xì)菌感染早期敏感特異的生物指標(biāo)，在感染預(yù)警診斷和預(yù)后判斷方面具有較高的臨床價(jià)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(dú)立因素。此外，有研究也發(fā)現(xiàn)PCT對(duì)于評(píng)估腹部創(chuàng)傷術(shù)后早期切口感染具有一定的診斷價(jià)值[16]。

本研究Lasso?Logistic回歸分析預(yù)測(cè)AUC為0.862[95%CI（0.836，0.885）]，與黃銘杰等[17]對(duì)骨科創(chuàng)傷病人的研究結(jié)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(gè)偏置項(xiàng)，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(yù)測(cè)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(yù)測(cè)效果相對(duì)較好[19]。分類樹(shù)模型對(duì)分布資料無(wú)要求，輸出的圖形構(gòu)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(shù)模型也可處理共線性的問(wèn)題，但分類樹(shù)對(duì)影響因素單獨(dú)效應(yīng)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(jié)果結(jié)合起來(lái)進(jìn)行解釋具有更好的優(yōu)勢(shì)。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(shì)。此外，將兩種模型結(jié)合，可以最大限度發(fā)現(xiàn)潛在危險(xiǎn)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(shí)驗(yàn)室檢測(cè)指標(biāo)，也未對(duì)不同醫(yī)院感染部位進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，仍需擴(kuò)充更多指標(biāo)來(lái)構(gòu)建模型。同時(shí)尚需進(jìn)一步外部驗(yàn)證，對(duì)模型的外推效果進(jìn)行評(píng)價(jià)。

4" 小結(jié)

綜上所述，本研究通過(guò)分類樹(shù)及Logistic回歸模型對(duì)創(chuàng)傷術(shù)后多重耐藥菌感染的影響因素進(jìn)行篩選，并進(jìn)行預(yù)測(cè)，采用ROC曲線分析驗(yàn)證模型優(yōu)劣，結(jié)果顯示，多因素Lasso?Logistic回歸的預(yù)測(cè)效果優(yōu)于分類樹(shù)模型。建立醫(yī)院感染風(fēng)險(xiǎn)模型是目標(biāo)性監(jiān)測(cè)的重要手段，可以為制訂醫(yī)院感染預(yù)防控制措施提供重要的理論依據(jù)。

參考文獻(xiàn)：

[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(xiǎn)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(xué)與康復(fù)雜志，2021，43（11）：983-986.

[4]" 戴俊芬，戴偉民，戚東靜，等.顱腦損傷開(kāi)顱術(shù)后肺部感染危險(xiǎn)因素分析及預(yù)測(cè)模型構(gòu)建[J].中華醫(yī)院感染學(xué)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(shù)后切口感染的病原菌和危險(xiǎn)因素調(diào)查[J].中國(guó)消毒學(xué)雜志，2019，36（11）：822-824.

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

[7]" 衛(wèi)生部辦公廳.關(guān)于印發(fā)《多重耐藥菌醫(yī)院感染預(yù)防與控制技術(shù)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(jié)來(lái).利用凈重新分類指數(shù)與整體鑒別指數(shù)評(píng)價(jià)一種新危險(xiǎn)因素的補(bǔ)充預(yù)測(cè)能力[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，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(biāo)聯(lián)合預(yù)警診斷模型的建立[J].中華醫(yī)院感染學(xué)雜志，2020，30（18）：2785-2789.

[11]" 林華杰，金甬，賈晉榮，等.骨科病人術(shù)后切口感染病原學(xué)及炎癥因子[J].中華醫(yī)院感染學(xué)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(shù)后機(jī)械通氣病人肺部多重耐藥菌感染病原菌分布及危險(xiǎn)因素分析[J].中國(guó)醫(yī)院藥學(xué)雜志，2022，42（8）：840-843.

[13]" 呂林芳，張漢陽(yáng).2020年北京市某三甲醫(yī)院醫(yī)院感染直接經(jīng)濟(jì)損失分析[J].中華醫(yī)院感染學(xué)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(shù)后醫(yī)院感染危險(xiǎn)因素及經(jīng)濟(jì)負(fù)擔(dān)[J].中華醫(yī)院感染學(xué)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(shù)后中樞神經(jīng)系統(tǒng)感染風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)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(shù)后切口感染病原學(xué)及血清細(xì)胞因子的診斷價(jià)值[J].中華醫(yī)院感染學(xué)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(fēng)險(xiǎn)預(yù)測(cè)列線圖模型的建立與驗(yàn)證[J].護(hù)理研究，2022，36（13）：2315-2320.

[18]" 劉雪嬌，羅巍，張波，等.基于Lasso-Logistic回歸構(gòu)建美沙酮維持治療門診病人繼續(xù)使用毒品風(fēng)險(xiǎn)預(yù)測(cè)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(shù)后多重耐藥菌感染風(fēng)險(xiǎn)Nomogram模型構(gòu)建與驗(yàn)證[J].中國(guó)感染控制雜志，2022，21（6）：584-591.

[20]" 閆瑞平，王習(xí)亮，姚粉霞，等.決策樹(shù)模型與Logistic回歸分析模型識(shí)別高血壓危險(xiǎn)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）