一种由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型及其构建方法与流程

本发明涉及风险预测模型构建，具体涉及一种耐碳青霉烯类肺炎克雷伯菌引发血流感染的风险预测模型及其构建方法。

背景技术：

1、耐碳青霉烯类肺炎克雷伯菌(crkp)可引发广泛的感染，包括尿路感染、肺炎、血流感染(bsi)等。其中，耐碳青霉烯类肺炎克雷伯菌(crkp)引发的血流感染(crkp bsis)已经成为世界范围内一个重要的公共卫生问题，其可在多家医院暴发，引发患者中毒、全身性感染，导致严重的病发率和死亡率。

2、现阶段，在临床实际工作中，crkp bsis的诊断主要依靠血液培养采集，但血液培养需要一定时间，因而常常会导致诊断延迟。在危险因素方面，虽然有文章报道过一些crkpbsis的危险因素，但各文章中样本量都偏小，且对crkp bsis危险因素的评价结果不一，而不能据此检测出该患者是否患有crkp bsis。

3、因此，亟待设计一种crkp bsis风险预测模型来预测血流感染的发生。

技术实现思路

1、本发明的目的是解决现有技术中不能提前预测crkp bsis发生的问题，提供了一种crkp bsis风险预测模型及其构建方法。

2、为了达到上述目的，本发明提供了一种由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，该预测模型包含若干个评价指标及设定的临界分值，每个评价指标对应不同的分值，当进行预测时，将收集的每位患者的评价指标的分值进行叠加，计算每位患者的总分，并将该总分与设定的临界分值比较，以预测该患者属于中低危或高危类型。所述评价指标包括：心血管疾病史、粒细胞缺乏/免疫缺陷史、重症监护治疗室入住史、既往住院病史、碳青霉烯类抗生素暴露史、氨基糖苷类抗生素暴露史、抗真菌药物暴露史、气管插管/气管切开史、呼吸机机械通气史、透析史、中心静脉置管史、留置导尿史、耐碳青霉烯类肺炎克雷伯菌定植、肺炎克雷伯菌多部位定植。

3、优选地，上述心血管疾病史的分值为9分、粒细胞缺乏/免疫缺陷史的分值为11分、重症监护治疗室入住史的分值为12分、既往住院病史的分值为8分、碳青霉烯类抗生素暴露史的分值为16分、氨基糖苷类抗生素暴露史的分值为6.5分、抗真菌药物暴露史的分值为14分、气管插管/气管切开史的分值为12分、呼吸机机械通气史的分值为11分、透析史的分值为12分、中心静脉置管史的分值为15分、留置导尿史的分值为16分、耐碳青霉烯类肺炎克雷伯菌定植的分值为21分、肺炎克雷伯菌多部位定植的分值为10分。

4、优选地，上述设定的临界分值为81.25分。

5、优选地，上述既往住院病史的时间限制为3个月。如该患者在3个月内的有住院病史，则在预测模型总分内计入既往住院病史的分值；如该患者在3个月内的无住院病史，则在预测模型总分内不计入既往住院病史的分值。

6、优选地，上述呼吸机机械通气的时间限制为3个月。如该患者在3个月内的使用呼吸机进行机械通气，则在预测模型总分内计入呼吸机机械通气的分值；如该患者在3个月内的未使用呼吸机进行机械通气，则在预测模型总分内不计入呼吸机机械通气的分值。

7、本发明还提供了上述由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型的构建方法，该构建方法包括：

8、s1，数据收集与筛选：在医学文章数据库中检索与耐碳青霉烯类肺炎克雷伯菌引发血流感染相关的文章，根据文章纳入标准筛选能够进行meta分析的n篇文章；

9、s2，meta分析：罗列所述n篇文章中的共同危险因素，所述共同危险因素为在至少两篇文章中被列为危险因素；然后，meta分析筛选出所述共同的危险因素中异质性小的危险因素作为评价指标；

10、s3，模型构建：根据各评价指标在n篇文章中的风险比和95％置信区间计算该评价指标的汇集风险比，然后，根据评分函数计算该评价指标对应的分值，得到所述由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型。

11、优选地，步骤s1中文章纳入标准为纳入文章需同时满足：

12、(1)该文章为基于原始数据的观察性队列研究或病例对照研究；(2)文章中的危险因素具有风险比和95％置信区间；(3)文章中的病例基线数据完整。

13、优选地，步骤2中异质性小的危险因素为：meta分析中i2<50％且p>0.1的危险因素。

14、优选地，步骤s3中的评分函数为：第i个评价指标的分值＝ln(第i个评价指标的汇集风险比)×10，并取计算结果最为接近的整数作为该评价指标所对应的分值。

15、优选地，上述医学文章数据库包括pubmed、corchrane library、及embase数据库。

16、本发明提供的crkp bsis风险预测模型的构建方法，通过对医学数据库内的文章数据结果进行整合分析，收集文章中报道的crkp bsis患者的共同危险因素，再筛选出所有共同危险因素中异质性小的危险因素作为评价指标。进一步地，计算每个评价指标的汇集风险比，并根据汇集风险比计算每个评价指标对应的分值，即得到本发明的crkp bsis风险预测模型。对于不同患者来说，在使用本发明的风险预测模型时，先查看该患者具有模型中的哪些评价指标，再将其具有的评价指标的分值相加，即得到每位患者所对应的总分值，患者的总分值越大，其患有crkp bsis的概率越高。

17、与现有技术相比，本发明的有益效果是：

18、(1)以往的预测模型大多基于医院的疾病数据库构建，样本通常比较局限和过时。本发明利用系统综述的方法对医学前沿crkp bsis文章进行系统收集和分析，得到crkpbsis的危险因素。相比于以往的预测模型构建方法，本发明模型构建数据的来源更加广泛、前沿、模型的结果更加可靠。

19、而且，本发明进一步通过大量医院真实患者样本对crkp bsis风险预测模型进行验证，真实患者样本使得该模型的预测准确性更高、更加贴近临床真实情况。

20、进一步地，本发明还根据真实患者样本的验证得到了该模型检测crkp患者是否容易发生血流感染的临界分数值，将总分值与该临界分数值进行比较，即可简单明了地预测患者是否容易发生血流感染。

21、(2)本发明从以下两个方面对危险因素及文章进行筛选，提高本发明crkp bsis风险预测模型的可靠性：

22、①仅将这些文章中出现过两次以上的危险因素作为共同危险因素纳入后续分析，排除掉仅被列为一次的危险因素。

23、②在对每个共同危险因素进行异质性分析时，仅保留异质性小的危险因素用于后续模型构建。

24、(3)本发明构建的风险预测模型简单易用，且拟合良好，可以达到早期筛选crkp患者血流感染的目的，起到早预防、早发现、早治疗的作用，从而降低crkp患者血流感染的发病率。

技术特征：

1.一种由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，其特征在于，所述预测模型包含若干个评价指标及设定的临界分值，每个评价指标对应不同的分值，当进行预测时，将收集的每位患者的评价指标的分值进行叠加，计算每位患者的总分，并将该总分与设定的临界分值比较，以预测该患者属于中低危或高危类型；

2.如权利要求1所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，其特征在于，心血管疾病史的分值为9分；粒细胞缺乏/免疫缺陷史的分值为11分；重症监护治疗室入住史的分值为12分；既往住院病史的分值为8分；碳青霉烯类抗生素暴露史的分值为16分；氨基糖苷类抗生素暴露史的分值为6.5分；抗真菌药物暴露史的分值为14分；气管插管/气管切开史的分值为12分；呼吸机机械通气史的分值为11分；透析史的分值为12分；中心静脉置管史的分值为15分；留置导尿史的分值为16分；耐碳青霉烯类肺炎克雷伯菌定植的分值为21分；肺炎克雷伯菌多部位定植的分值为10分。

3.如权利要求2所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，其特征在于，所述设定的临界分值为81.25分。

4.如权利要求2所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，其特征在于，所述既往住院病史的时间限制为3个月；

5.如权利要求2所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，其特征在于，所述呼吸机机械通气的时间限制为3个月；

6.一种根据权利要求1-5中任意一项所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型的构建方法，其特征在于，包括：

7.如权利要求6所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型的构建方法，其特征在于，步骤s1中，文章纳入标准为纳入文章需同时满足：

8.如权利要求6所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型的构建方法，其特征在于，步骤2中，异质性小的危险因素为：meta分析中i2<50％且p>0.1的危险因素。

9.如权利要求6所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型的构建方法，其特征在于，步骤s3中的评分函数为：第i个评价指标的分值＝ln(第i个评价指标的汇集风险比)×10，并取计算结果最为接近的整数作为该评价指标所对应的分值。

10.如权利要求6所述的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型的构建方法，其特征在于，所述医学文章数据库包括pubmed、corchrane library、及embase数据库。

技术总结
本发明公开了一种由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型，所述预测模型包含若干个评价指标及设定的临界分值，每个评价指标对应不同的分值，当进行预测时，将收集的每位患者的评价指标的分值进行叠加，计算每位患者的总分，并将该总分与设定的临界分值比较，以预测该患者属于中低危或高危类型；所述评价指标包括：心血管疾病史、粒细胞缺乏/免疫缺陷史、重症监护治疗室入住史、既往住院病史等。本发明提供的由耐碳青霉烯类肺炎克雷伯菌引发的血流感染风险预测模型以医学数据库内的文章数据结果为基础进行构建，与现有基于医院疾病数据库构建的模型相比，模型构建的数据来源更加广泛、前沿、模型结果更加可靠。

技术研发人员：金珊珊,王瑞兰
受保护的技术使用者：上海市第一人民医院
技术研发日：
技术公布日：2024/1/14