编辑推荐：
中心静脉导管相关血流感染（CLABSI）是可预防的医院获得性感染。研究人员开发并评估了动态预测模型以监测 CLABSI 风险。结果显示模型有一定临床效用，但性能随时间下降。该研究为防控 CLABSI 提供了参考。
在医院的医疗环境中，有一种感染总是让医护人员头疼不已，那就是中心静脉导管相关血流感染（CLABSI）。它不仅会让患者住院时间变长，增加医疗费用，还会提高患者的发病率和死亡率。之前的很多预测模型大多是静态的，没办法及时捕捉患者住院期间健康状况的变化。为了更有效地预测 CLABSI，更好地进行预防干预，来自比利时鲁汶大学（KU Leuven）等机构的研究人员开展了一项重要研究。
研究人员利用鲁汶大学医院 2014 - 2020 年住院患者的电子健康记录（EHR）数据，开发并评估了 6 种动态预测模型，包括 1 种地标特定病因模型、2 种随机森林（RF）模型、2 种极端梯度提升（XGBoost）模型和 1 种超级学习器（superlearner）模型，来预测患者 7 天内发生 CLABSI 的风险，同时将死亡、出院和拔管作为竞争事件考虑在内。
在研究方法上，研究人员从 EHR 系统中提取数据，将患者入院情况按导管使用情况划分为不同的导管事件（catheter episode），并进一步细分为以 24 小时为间隔的地标（LM）。从 302 个提取变量中筛选出 160 个基线和时变变量，包括患者人口统计学信息、病房转移、用药、实验室检测结果等。针对 66 个存在缺失数据的变量，使用 missForestPredict 方法进行插补。通过十折交叉验证等方法构建并评估模型性能，使用受试者工作特征曲线下面积（AUROC）评估判别能力，用校准曲线评估校准情况，通过决策曲线分析模型的临床效用。
研究结果显示，在训练集中 61629 次导管事件里，有 1930 次（3.1%）发生了 CLABSI；在测试集中 44544 次导管事件里，有 1059 次（2.4%）发生了 CLABSI。在单个模型中，XGB - ALL 模型的 AUROC 最高，达到 0.748。所有模型在低预测风险水平（低于 5%）校准良好，但特定病因模型和 XGBoost 模型在高预测风险水平高估了风险。超级学习器模型的判别能力有轻微提升，AUROC 最高达到 0.751，校准情况比特定病因模型和 XGBoost 模型好，但不如随机森林模型。模型在中等风险阈值（0.5% - 4%）下对支持标准护理干预有临床效用，但在高风险阈值（15% - 25%）下对支持先进干预无效。而且，所有模型在时间评估中的性能都比内部评估有所下降，这可能是由于数据集中预测变量的变化、结果患病率的变化以及临床环境的复杂变化导致的。
在研究结论与讨论部分，XGBoost 模型判别能力最佳，随机森林模型校准最佳，超级学习器模型综合表现有一定提升。虽然模型在针对不同病房的护士、临床医生等用户的早期预警系统中有实际意义，在中等风险警报方面有一定效用，但在高风险警报方面效果不佳。并且模型性能随时间下降，未来需要进一步研究其在其他医院的适用性，以及在数据提取标准化等方面进行改进。该研究成果发表在《BMC Infectious Diseases》上，为后续 CLABSI 的防控和预测模型的优化提供了重要的参考依据，有助于推动医院感染防控工作的发展 。
