关键词:
妇科恶性肿瘤
机器学习
病原菌
感染预测模型
院内感染
摘要:
目的分析妇科恶性肿瘤患者院内感染的病原学分布特征,并构建主要致病菌大肠埃希菌感染的预测模型,为临床抗感染治疗和风险评估提供依据。方法回顾性分析2020年5月至2022年1月安徽省肿瘤医院妇科肿瘤术后1周内及化疗住院期间发生感染的146例患者的临床资料。分析感染病原菌分布特征,分析主要致病菌大肠埃希菌耐药情况及感染的影响因素并构建预测模型。结果共检出180株病原菌,中段尿液样本占比最高(65.56%,118/180)。革兰阴性杆菌占80.56%(145/180),其中大肠埃希菌占革兰阴性杆菌的70.34%(102/145),占总病原菌的56.67%(102/180)。药物敏感性试验结果显示,大肠埃希菌对头孢曲松、环丙沙星、复方新诺明及左氧氟沙星的耐药率均超过55%,对亚胺培南、厄他培南、哌拉西林/他唑巴坦、呋喃妥因及阿米卡星的耐药率均低于10%。在全部样本中,单因素logistic回归分析显示大肠埃希菌感染仅与中段尿液样本类型显著相关(P=0.004),故后续仅纳入中段尿液样本进行分析。在中段尿液样本中,多因素logistic回归分析结果表明,大肠埃希菌感染可能与肿瘤类型、白细胞计数(WBC)、脂蛋白a(Lpa)、尿亚硝酸盐(UNIT)及尿液细菌数量相关(P<0.1)。基于上述5个变量,采用多种机器学习方法构建大肠埃希菌感染评估模型。结果显示,决策树算法和逻辑回归算法模型表现稳定,决策树算法模型训练集与测试集曲线下面积(AUC)分别为0.838和0.818,逻辑回归算法模型训练集与测试集AUC分别为0.775和0.737。两种模型的校准曲线及决策曲线分析(DCA)均显示出优良的性能。结论妇科恶性肿瘤患者院内感染以泌尿系统革兰阴性杆菌为主,大肠埃希菌为优势菌。基于肿瘤类型、WBC、Lpa、UNIT及尿液细菌数量构建的决策树算法模型和逻辑回归算法模型对中段尿液样本中该菌感染识别性能优异,有助于早期识别高危患者,指导精准用药,对减少耐药及改善抗感染结局具有重要价值。