深度剖析德国医院数据：抗生素使用与耐药性关联研究的新发现

为探究抗生素使用对耐药性的影响，研究人员利用德国医院数据建模分析，发现现有数据无法构建可靠模型。

　　在医疗领域，抗生素自问世近一个世纪以来，一直是治疗感染性疾病的有力武器。然而，随着时间的推移，抗生素耐药性问题日益严峻，这如同隐藏在暗处的 “杀手”，逐渐威胁着这些药物的治疗效果，给医疗专业人员和决策者带来了巨大挑战。医院作为抗生素使用的主要场所，其抗生素的消耗情况与耐药性的发展之间存在着紧密联系，深入研究二者关系成为解决耐药性问题的关键一环。

在这样的背景下，来自德国德累斯顿工业大学卡尔?古斯塔夫?卡鲁斯医学院（Carl Gustav Carus Faculty of Medicine, Technische Universit?t Dresden）、德累斯顿工业大学附属医院（University Hospital Carl Gustav Carus Dresden at the TU Dresden）以及弗莱堡大学医学中心（University Medical Centre Freiburg, University of Freiburg）的研究人员，开展了一项极具意义的研究。他们通过综合生态和临床数据，运用多种计算方法，从经典线性回归到人工神经网络，深入分析德国的抗生素耐药性情况。该研究成果发表在《Scientific Reports》上。

研究人员为了开展此项研究，首先收集了 2015 - 2019 年期间的季度抗生素消耗和耐药性数据。其中，抗生素消耗数据来自德国全国性的抗生素监测项目 ADKA - if - DGI 项目，涵盖了 300 多家急性护理医院在科室、专科和病房层面的信息；耐药性数据则来源于罗伯特?科赫研究所（Robert Koch Institute，RKI）的 Antibiotika - Resistenz - Surveillance（ARS）数据库，不过该数据库仅提供联邦州层面的耐药数据，且对参与机构信息保密。由于部分联邦州分离株数量较少，研究人员将一些州进行了区域合并，以增加数据可用性。同时，为评估结果，研究人员还使用了德累斯顿卡尔?古斯塔夫?卡鲁斯大学医院（UKD）的内部数据。

在研究方法上，研究人员首先运用描述性统计和可视化方法，探索数据中可能存在的模式和趋势。接着，他们采用多种计算模型，包括经典的多元线性回归和线性混合效应模型，以及机器学习中的人工神经网络等方法，来关联抗生素使用和耐药性发展，并挖掘潜在的相互作用。在模型构建过程中，研究人员考虑了多种因素，如不同科室、病房类型、抗生素使用剂量等，同时为避免过拟合，将数据随机分为训练集（90%）和测试集（10%） 。

研究结果显示，2015 - 2019 年期间，德国医院整体抗生素使用量保持稳定，但抗生素的使用结构发生了变化，如氟喹诺酮类和头孢菌素类的使用量有所下降，而青霉素类使用量增加。大肠杆菌对环丙沙星和头孢噻肟的耐药率也呈现出不同趋势，环丙沙星耐药率呈非线性变化且整体有下降趋势，头孢噻肟耐药率则波动较大，没有明显趋势。

进一步分析发现，尽管线性模型和人工神经网络都表现出了较好的模型拟合度，但不同方法的结果却不一致，且模型对数据的微小偏差不稳定。将基于区域数据训练的模型应用于 UKD 的医院数据时，均出现了较高的均方误差（MSE），这表明现有模型在个体医院层面的表现不佳。研究人员认为，主要原因在于耐药数据在联邦州层面的聚合，导致数据过于同质化，掩盖了一些重要特征。与之形成对比的是，使用 UKD 内部数据训练的线性模型，其决定系数 R²达到了约 0.93，远高于区域线性模型的 0.76，这凸显了在医院和科室层面收集匹配的抗生素消耗和耐药性数据的重要性。

在讨论部分，研究人员指出，该研究首次利用深入的模型开发，基于德国全国性数据探究了抗生素消耗与耐药性发展之间的关系。现有数据质量不足以构建可靠稳定的模型，若能获取医院和科室层面的季度耐药性和消耗数据，模型性能有望显著提升。与荷兰、丹麦等国家相比，德国在数据收集的详细程度上还有提升空间。未来，若能实现患者层面的实时耐药性和消耗数据收集，将有助于开发自动化预警系统，促进抗生素的合理使用，降低耐药性发展风险。

综上所述，这项研究强调了高质量数据对于准确评估抗生素使用与耐药性发展关系的重要性，为后续的抗菌药物管理（AMS）和抗生素合理使用提供了关键依据，也为未来相关研究指明了方向。