Systematic evaluation of risk prediction model for methicillin-resistant Staphylococcus aureus infection
-
摘要:目的
在数据库中检索住院患者耐甲氧西林金黄色葡萄球菌(MRSA)感染风险预测模型相关文献并对预测模型进行评价。
方法检索PubMed、Embase、Scopus、Cochrane library数据库和中国知网、万方数据知识服务平台、维普数据库中的住院患者MRSA感染风险预测模型相关文献，时间范围为建库至2024年1月1日。2名研究者独立进行文献筛查和资料提取，并应用预测模型偏倚风险评估工具(PROBAST)评估文献中预测模型的偏倚风险和适用性，进行描述性分析。
结果本研究最终纳入12篇文献(共15个预测模型)，各文献的研究总样本量、MRSA感染事件数、建模样本量、验模样本量差异较大。预测模型中常见的预测因子为入住重症监护室、使用抗生素、护理机构居住史、年龄、慢性肾病和既往住院史。9篇文献进行内部验证, 3篇文献进行内部验证和外部验证; 9篇文献报告了受试者工作特征曲线的曲线下面积，仅3篇文献基于Hosmer-Lemeshow检验报告了模型的校准度。PROBAST分析结果显示, 10篇文献的模型被评估为高偏倚风险，主要来源于统计分析方面。
结论现有文献中的大多数MRSA感染风险预测模型对MRSA感染的预测效能较好，但总体偏倚风险较高，且仅有少数模型进行外部验证。研究者未来应遵循PROBAST标准构建模型并进行外部验证，以开发适用于临床实践的模型。
Abstract:ObjectiveTo retrieve relevant literature on risk prediction model for methicillin-resistant Staphylococcus aureus (MRSA) infection among hospitalized patients from databases and evaluate the predictive model.
MethodsThe literature on risk prediction models for MRSA infection among hospitalized patients was retrieved from PubMed, Embase, Scopus, Cochrane library, China National Knowledge Infrastructure (CNKI), WanFang data, and VIP database, with a time range from the inception of the database to January 1, 2024. Two researchers independently screened the literature, extracted data. The Prediction Model Risk of Bias Assessment Tool (PROBAST) was applied to evaluate the risk of bias and applicability of the prediction model in the literature, and descriptive analysis was conducted.
ResultsA total of 12 articles (15 prediction models) were included in this study, with significant differences in the total sample size, the number of MRSA infection events, sample size of modeling, and sample size of validation among the studies. Common predictors in the prediction models were admission to the intensive care unit, antibiotic use, history of residence in nursing facilities, age, chronic kidney disease, and previous hospitalization history. Nine articles conducted internal validation, and three articles conducted both internal and external validation. Nine articles reported the area under the receiver operating characteristic curve, and only three articles reported the calibration of the model based on the Hosmer-Lemeshow test. PROBAST analysis showed that 10 articles were assessed as high risk bias, mainly stemming from statistical analysis.
ConclusionMost of the MRSA infection risk prediction models in the current literature have good predictive efficacy for MRSA infection, but they all have higher overall risk of bias, and only a few models have undergone external validation. Researchers should follow PROBAST standards to construct and externally validate models in the future so as to develop models suitable for clinical practice.
-
脓毒症是一种由感染引起的生理、病理和生化指标异常改变的综合征，患者常存在免疫失调以及多脏器功能障碍[1-2], 具有较高的发病率和病死率，进展快且预后差。因此，寻找与脓毒症患者预后相关的生物标志物有助于尽早进行临床治疗[3]。干扰素-γ(IFN-γ)是一种具有抗病毒、抗肿瘤和免疫调节功能的多效细胞因子，不仅能够激活细胞免疫，还可以防止免疫系统过度激活和组织损伤，在协调先天和适应性免疫反应中发挥着重要作用[4-5]。CD47能够参与免疫调节、维持机体免疫稳态，保护细胞免受免疫细胞吞噬，是一种重要的免疫检查点[6-7]。淋巴细胞亚群是人体重要的免疫细胞，主要由T淋巴细胞、B淋巴细胞和自然杀伤细胞组成，可参与细胞免疫以及免疫调节反应，在自身免疫性疾病中发挥重要作用[8-9]。但CD47和淋巴细胞亚群的血清水平改变对脓毒症患者预后的影响尚不明确。本研究检测脓毒症患者血清IFN-γ、CD47及淋巴细胞亚群水平，分析其预测患者预后的价值，现报告如下。
1. 资料与方法
1.1 一般资料
选取2021年1月—2022年12月180例脓毒症患者为观察组，其中男105例，女75例，平均(47.40±5.40)岁。同时选择同期健康体检的志愿者180例为对照组，其中男102例，女78例，平均(47.65±5.45)岁。2组性别、年龄等一般资料比较，差异无统计学意义(P>0.05), 具有可比性。纳入标准: ①符合脓毒症诊断标准[10]者; ②年龄≥18岁者; ③患者或家属自愿签署同意书。排除标准: ①合并肿瘤和免疫性疾病者; ②近期使用过糖皮质激素、免疫抑制剂等药物者; ③妊娠期或哺乳期女性; ④临床资料不完整者。本研究经医院医学伦理委员会审核通过(伦审2021第28号)。
1.2 方法
1.2.1 临床资料及样本收集
查阅患者病历，收集患者入院时的性别、年龄、感染部位、序贯器官衰竭(SOFA)评分、急性生理学与慢性健康状况评分系统Ⅱ(APACHE Ⅱ)评分、生化指标(包括C反应蛋白、降钙素原和内毒素)等临床资料; 收集所有患者入ICU治疗24 h内(对照组为体检当日)静脉血3~4 mL分别置于促凝管、EDTA抗凝管中，待促凝管中样本自然冷却至室温后分离血清，并将血清置于-80 ℃冰箱中保存以备检测。以Ficoll梯度离心EDTA抗凝管中样本分离单核细胞，以进行淋巴细胞亚群水平检测。
1.2.2 酶联免疫吸附法(ELISA)检测血清IFN-γ、CD47水平
严格按照人IFN-γ(货号JH-H10294, 上海继和生物科技公司)、CD47(货号HBP34030R, 上海化邦生物科技公司)ELISA试剂盒说明书进行梯度标准品配制，利用酶标仪(型号Multiskan FC，美国Thermo公司)对不同浓度标准品的吸光度进行测定，建立受试者工作特征(ROC)曲线。于-20 ℃冰箱中取适量血清样本解冻，测定各样本的吸光度，根据ROC曲线计算各样本血清IFN-γ、CD47水平。
1.2.3 淋巴细胞亚群水平检测
采用流式细胞仪(型号CytoFLEX，美国Beckman公司)测定T淋巴细胞、B淋巴细胞和自然杀伤细胞水平。
1.2.4 预后
脓毒症患者住院期间均给予规范化治疗，根据患者入院28 d的生存情况，将患者分为生存组120例和死亡组60例。
1.3 统计学分析
以SPSS 25.0软件处理数据，计量资料均符合正态分布，采用均数±标准差表示，组间比较采用独立样本t检验，多组数据比较采用单因素方差分析，进一步两两比较采用SNK-q检验; 计数资料采用[n(%)]表示，行χ2检验进行比较; 使用Pearson相关性分析探讨血清IFN-γ、CD47、淋巴细胞亚群水平与SOFA评分的相关性; 对影响脓毒症患者预后的因素进行Logistic回归分析; 以ROC曲线分析血清IFN-γ、CD47、淋巴细胞亚群水平预测脓毒症患者预后的临床价值，曲线下面积(AUC)比较采用Z检验。P < 0.05为差异有统计学意义。
2. 结果
2.1 受试者血清IFN-γ、CD47、淋巴细胞亚群水平比较
与对照组比较，观察组血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平降低, CD47水平升高，差异有统计学意义(P < 0.05), 见表 1。
表 1 受试者血清IFN-γ、CD47、淋巴细胞亚群水平比较(x±s)指标 对照组(n=180) 观察组(n=180) 干扰素-γ/(ng/L) 334.57±60.12 219.79±45.47* CD47/(ng/L) 15.33±4.05 30.59±6.88* T淋巴细胞/% 58.33±3.48 45.22±2.47* B淋巴细胞/% 25.21±3.19 15.90±2.90* 自然杀伤细胞/% 20.17±2.14 13.60±1.91* 与对照组比较, *P < 0.05。 2.2 生存组与死亡组脓毒症患者临床资料比较
生存组与死亡组脓毒症患者性别、年龄、感染部位比较，差异无统计学意义(P>0.05); 与生存组比较，死亡组血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平降低, APACHE Ⅱ评分、SOFA评分、C反应蛋白、降钙素原、内毒素、CD47水平升高，差异有统计学意义(P < 0.05), 见表 2。
表 2 生存组与死亡组脓毒症患者临床资料及实验室指标比较(x±s)指标 生存组(n=120) 死亡组(n=60) t/χ2 P 性别 男 72 33 0.411 0.521 女 48 27 年龄/岁 47.45±5.55 47.30±5.10 0.176 0.861 感染部位 肺 58 30 0.121 0.998 腹腔 36 17 泌尿系统 11 6 血液 11 5 皮肤 4 2 序贯器官衰竭评分/分 5.40±1.35 7.75±2.13 9.008 < 0.001 急性生理学与慢性健康状况评分系统Ⅱ评分/分 15.65±4.10 22.60±5.45 9.573 < 0.001 C反应蛋白/(mg/L) 36.98±10.03 119.51±19.87 37.083 < 0.001 降钙素原/(μg/L) 0.95±0.21 1.82±0.51 16.177 < 0.001 内毒素/(EU/mL) 0.26±0.08 0.37±0.11 7.641 < 0.001 干扰素-γ/(ng/L) 241.14±48.89 177.10±38.64 8.853 < 0.001 CD47/(ng/L) 28.11±6.73 35.54±7.18 6.828 < 0.001 T淋巴细胞/% 46.84±2.51 41.97±2.38 12.635 < 0.001 B淋巴细胞/% 17.71±2.96 12.27±2.77 11.871 < 0.001 自然杀伤细胞/% 15.02±1.98 10.75±1.76 14.140 < 0.001 2.3 血清IFN-γ、CD47、淋巴细胞亚群水平与SOFA评分相关性分析
SOFA评分与血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平呈负相关(r=-0.469、-0.572、-0.521、-0.505, P < 0.05), 与血清CD47水平呈正相关(r=0.539, P < 0.05)。
2.4 脓毒症患者预后影响因素的Logistic回归分析
以脓毒症患者预后为因变量, APACHE Ⅱ评分、SOFA评分、C反应蛋白、降钙素原、内毒素、IFN-γ、CD47、T淋巴细胞、B淋巴细胞、自然杀伤细胞为自变量进行Logistic回归分析，结果显示, APACHE Ⅱ评分、SOFA评分、C反应蛋白、降钙素原、内毒素和CD47水平升高是脓毒症患者预后的危险因素, IFN-γ水平、T淋巴细胞、B淋巴细胞和自然杀伤细胞增高是患者预后的保护因素(P < 0.05), 见表 3。
表 3 脓毒症患者预后影响因素的Logistic回归分析变量 β SE Wald χ2 P OR 95%CI 急性生理学与慢性健康状况评分系统Ⅱ评分 1.544 0.713 4.688 0.030 4.682 1.157~18.939 序贯器官衰竭评分 2.018 0.805 6.287 0.012 7.527 1.554~36.463 C反应蛋白 0.712 0.258 7.615 0.006 2.038 1.229~3.379 降钙素原 0.505 0.170 8.825 0.003 1.657 1.187~2.312 内毒素 1.464 0.601 5.937 0.015 4.325 1.332~14.046 干扰素-γ -0.016 0.007 6.016 0.014 0.984 0.972~0.997 CD47 0.189 0.061 9.685 0.002 1.208 1.072~1.361 T淋巴细胞 -0.379 0.119 10.156 0.001 0.685 0.542~0.864 B淋巴细胞 -0.354 0.129 7.490 0.006 0.702 0.545~0.904 自然杀伤细胞 -0.566 0.142 15.952 < 0.001 0.568 0.430~0.750 2.5 IFN-γ、CD47、淋巴细胞亚群对脓毒症患者预后的预测价值
ROC曲线显示，IFN-γ、CD47、T淋巴细胞、B淋巴细胞、自然杀伤细胞单独检测和联合检测预测脓毒症患者预后的AUC分别为0.805、0.808、0.888、0.846、0.854、0.984，联合检测的AUC优于单独预测(P < 0.001), 见表 4和图 1。
表 4 IFN-γ、CD47、淋巴细胞亚群对脓毒症患者预后的预测价值变量 曲线下面积 截断值 95%CI 灵敏度/% 特异度/% 约登指数 干扰素-γ 0.805 219.6 ng/L 0.738~0.871 78.30 69.20 0.475 CD47 0.808 32.44 ng/L 0.741~0.875 75.00 70.00 0.450 T淋巴细胞 0.888 43.18% 0.840~0.936 70.00 92.50 0.625 B淋巴细胞 0.846 14.64% 0.788~0.905 73.30 79.20 0.525 自然杀伤细胞 0.854 11.78% 0.791~0.916 71.70 89.20 0.609 联合检测 0.984 — 0.969~0.998 98.30 68.30 0.666 3. 讨论
脓毒症治疗后存活的患者具有较高的再住院和死亡风险[11]。研究[12-15]发现，脓毒症患者同时出现炎症反应、免疫功能失衡，尽管1-磷酸鞘氨醇、高迁移率族蛋白1、白细胞介素-35等生物标志物与炎症反应、免疫功能有关，可用于脓毒症患者预后评估，但其评估效能不佳。因此，寻找有助于评估脓毒症患者预后的新型生物标志物无疑具有十分重要的现实意义。
IFN-γ是Ⅱ型干扰素家族的唯一成员，由T细胞和杀伤细胞分泌，能够下调病毒复制，激活T细胞产生细胞因子，增强细胞毒性T淋巴细胞杀伤活性，参与免疫反应的各个阶段[16]。研究[11]发现，脓毒症患者血清IFN-γ水平下降，且其生存率较低，说明患者机体免疫功能抑制与其预后较低的生存率有关。KIM E Y等[17]研究发现，脓毒症后若出现免疫抑制，临床治疗中通过增高IFN-γ水平可强化巨噬细胞吞噬作用，加快继发性念珠菌的清除，降低感染率，改善患者预后。CD47是一种跨膜糖蛋白，可以屏蔽吞噬细胞系统识别，导致免疫逃逸[18]。BECKMANN N等[19]研究发现，烧伤患者CD47水平升高，从而诱导淀粉样b前体蛋白的产生，触发免疫抑制，导致患者感染易感性增加，引发脓毒症。QU S等[20]研究发现，CD47可与吞噬细胞表面启动信号调节蛋白α结合，启动抑制信号，其高表达能够帮助肿瘤细胞逃避吞噬细胞的攻击。淋巴细胞能够分泌多种因子，在感染性疾病诊断和预后预测中具有重要作用[21]。ZHAO X等[22]研究发现，脓毒症患者T细胞和自然杀伤细胞数量减少，免疫功能下降，严重影响患者预后。本研究发现，脓毒症患者血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平降低，CD47水平升高，且与生存组比较，死亡组脓毒症患者血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平降低，CD47水平升高，提示IFN-γ、CD47、淋巴细胞亚群与脓毒症密切相关，并与脓毒症患者预后相关。
SOFA评分作为脓毒症患者预后评估指标，其与脓毒症病死率密切相关。本研究结果显示，血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平与SOFA评分呈负相关, CD47水平与SOFA评分呈正相关。Logistic回归分析发现, APACHE Ⅱ评分、SOFA评分、C反应蛋白、降钙素原、内毒素、CD47是影响脓毒症患者预后的危险因素, IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞是影响患者预后的保护因素，推测高水平CD47以及低水平的IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞与免疫抑制以及死亡风险升高有关。ROC曲线分析发现, IFN-γ、CD47、T淋巴细胞、B淋巴细胞、自然杀伤细胞联合检测预测脓毒症患者预后的AUC为0.984, 均优于其各自单独预测，说明IFN-γ、CD47、T淋巴细胞、B淋巴细胞、自然杀伤细胞联合预测对脓毒症患者预后具有较高的预测价值，有助于脓毒症患者的临床治疗并降低病死率。
综上所述，脓毒症患者血清IFN-γ、T淋巴细胞、B淋巴细胞、自然杀伤细胞水平降低，CD47水平升高，其水平变化对脓毒症患者预后具有一定的预测价值。但因本研究样本数量相对较少，所得结论可能存在一定偏倚，仍需纳入大样本对IFN-γ、CD47及淋巴细胞亚群与脓毒症患者预后的关系进一步探究。
-
表 1 12篇纳入文献的基本特征
第一作者 发表年份 国家 研究类型 研究对象 数据来源 结局事件数/例 样本量/例 总体 建模 验模 RHODES N J 2023 美国 回顾性病例对照研究 社区获得性肺炎住院患者 电子数据库 21 1 823 未报告 未报告 宋志伟 2022 中国 回顾性队列研究 金黄色葡萄球菌感染患者 住院病历资料 62 189 未报告 未报告 ZASOWSKI E J 2022 美国 前瞻性队列研究 皮肤和软组织感染患者 访谈内容和住院病历资料 155 439 236 203 HIRANO Y 2021 日本 回顾性队列研究 机械通气时MRSA筛查患者 重症监护医学数据库 760 1 520 1 064 456 RASCHPICHLER G 2020 德国 前瞻性队列研究 住院患者 问卷调查 16(建模)、51(外部验证) 1 575 1 201 374 YOSHIOKA N 2018 日本 回顾性队列研究 住院患者 住院病历资料 48(建模)、16(外部验证) 326 172 154 JWA H 2017 韩国 回顾性队列研究 ≥65岁的社区获得性肺炎住院患者 住院病历资料 19 762 未报告 未报告 CALLEJO-TORRE F 2016 西班牙 前瞻性队列研究 重症监护室患者 住院病历资料 258 16 950 12 713 4 237 LEE A S 2015 瑞士 前瞻性队列研究 血管科、骨科、心脏科、普通外科、神经外科住院患者 住院病历资料 111 2 901 1 450 1 451 SHORR A F 2013 美国 回顾性队列研究 初步诊断为肺炎或脓毒症，随后确诊肺炎且未合并其他感染的患者 Health Facts数据库 837 5 975 3 983 1 992 ELIAS J 2013 德国 回顾性队列研究 住院患者 医院信息系统 104 5 134 3 091 2 043 ZILBERBERG M D 2012 美国 回顾性队列研究 复杂性皮肤及皮肤结构感染患者 Health Facts数据库 2 387 7 183 5 736 1 447 MRSA: 耐甲氧西林金黄色葡萄球菌。 
下载: 导出CSV
表 2 MRSA感染风险预测模型构建的基本特征
第一作者 建模方法 变量选择方法 缺失数据 预测因子 呈现方式 RHODES N J 分类树 单因素分析，多因素分析 报告“进行填充”，但未明确具体方法 3个: 入院24 h内机械通气、入院24 h内入住ICU、过去90 d内使用抗生素治疗 无 宋志伟 Logistic回归分析 单因素分析，多因素分析 未报告 8个: 慢性阻塞性肺疾病、抗生素使用时间、抗生素使用种类、留置胃管、留置尿管、留置引流管、气管切开/插管、机械通气 模型方程 ZASOWSKI E J Logistic回归分析 单因素分析，多因素Logistic回归分析，向后逐步选择法 无缺失数据 7个: MRSA感染/定植史、既往住院史、既往抗生素使用史、慢性肾病、静脉注射毒品、人类免疫缺陷病毒/获得性免疫缺陷综合征、肥胖型糖尿病 风险评分模型 HIRANO Y XGBoost机器学习模型 XGboost提供的排列机制来计算 未报告 5个: 急诊科入院、动脉导管插入、既往使用喹诺酮类药物、血液透析、入住外科重症监护室 无 RASCHPICHLER G Logistic回归分析 单因素分析，多因Logistic回归分析，逐步选择法 单一疾病状态的缺失信息使用简单插补，将缺失数据插补为没有相应疾病患者的数据 3个: MRSA病史、护理依赖性、正在接受癌症治疗 风险评分模型 YOSHIOKA N 未报告 未报告 未报告 4个: 临床标本类型、革兰氏染色结果、存在局部炎症、全身炎症反应 风险评分模型 JWA H Logistic回归分析 单因素分析，多因素分析 未报告 3个: 流感季节入院、慢性肾脏病、重症监护室入院 风险评分模型 CALLEJO-TORRE F Logistic回归分析 单因素分析，多因素分析 未报告 8个: 男性、创伤患者、急诊手术、免疫缺陷、皮肤软组织感染、从长期护理机构入院、从其他ICU转入、医院病房 无 LEE A S 逐步选择法模型，贝叶斯模型平均法，最佳贝叶斯模型，简单模型 单因素分析; 多因素分析: 逐步选择法模型，贝叶斯模型平均法，最佳贝叶斯模型，简单模型 未报告 逐步选择法模型: 6个(高龄、慢性皮肤病、过去1年内住院、疗养院居住、存在伤口或压疮、导尿); 最佳贝叶斯模型: 4个(过去1年内住院、存在伤口或压疮、疗养院居住、导尿); 贝叶斯模型平均法: 2个(过去1年内住院、存在伤口或压疮); 简单模型: 5个(高龄、慢性皮肤病、过去1年内住院、疗养院居住、存在伤口或压疮) 无 SHORR A F 逐步Logistic回归分析 逐步Logistic回归分析 未报告 8个: 痴呆、糖尿病、入住ICU、脑血管疾病史、年龄 < 30岁或>79岁、过去90 d内住院、过去30 d内使用抗生素治疗、过去90 d内有疗养院或专业护理机构居住史或长期急性护理暴露 风险评分模型 ELIAS J Logistic回归分析 多因素Logistic回归分析 未报告 5个: 年龄、急诊科入院、传染病和寄生虫病、呼吸系统疾病、疗养院居住史 风险评分模型 ZILBERBERG M D 向后逐步Logistic回归模型 向后逐步Logistic回归模型 未报告 6个: 年龄、非裔美国人族群、无糖尿病、癌症、肾功能不全、既往心律失常病史 风险评分模型，列线图 MRSA: 耐甲氧西林金黄色葡萄球菌; ICU: 重症监护病房。
下载: 导出CSV
表 3 不同科室患者MRSA感染的预测因子
科室 预测因子数量/个 预测因子 普外科 6 高龄、慢性皮肤病、过去1年内住院、疗养院居住、存在伤口或压疮、导尿 呼吸内科 10 流感季节入院、入院24 h内机械通气、过去30 d内使用抗生素治疗、过去90 d内使用抗生素治疗、慢性肾病、糖尿病、脑血管疾病、年龄30~79岁、入住ICU、过去90 d内有疗养院或专业护理机构居住史或长期急性护理暴露 皮肤科 11 MRSA感染/定植史、既往住院史、既往抗生素史、慢性肾病、心脏病、糖尿病、静脉注射毒品、人类免疫缺陷病毒/获得性免疫缺陷综合征、年龄、非裔美国人族群、癌症 ICU 11 急诊科入院、从长期护理机构入院、入住ICU、既往使用喹诺酮类药物、血液透析、动脉导管插入、男性、创伤患者、急诊手术、免疫缺陷、皮肤软组织感染 MRSA: 耐甲氧西林金黄色葡萄球菌; ICU: 重症监护室。
下载: 导出CSV
表 4 纳入文献中MRSA感染风险预测模型的性能评估及验证情况
第一作者 模型类型 模型性能 模型验证方法 AUC/C-index 校准方法 RHODES N J 开发及内部验证 AUC: 内部验证0.775 未报告 留一法, Bootstrap法-没有进行外部验证 宋志伟 开发及内部验证 未报告 Hosmer-Lemeshow校准检验 未报告 ZASOWSKI E J 开发、内部及外部验证 AUC: 内部验证0.716, 外部验证0.748 未报告 未报告 HIRANO Y 开发及内部验证 AUC: 内部验证0.89 未报告 交叉验证-没有进行外部验证 RASCHPICHLER G 开发、内部及外部验证 AUC: 内部验证0.81, 外部验证0.82 未报告 Bootstrap法(1 000次重复) YOSHIOKA N 开发、内部及外部验证 AUC: 内部验证0.967, 外部验证0.969 未报告 未报告 JWA H 开发及内部验证 AUC: 内部验证0.79 未报告 未报告 CALLEJO-TORRE F 开发及内部验证 AUC: 开发队列0.77, 内部验证0.72 Hosmer-Lemeshow检验 未报告 LEE A S 开发及内部验证 C-index: 逐步选择法模型0.643、最佳贝叶斯模型0.663、贝叶斯模型平均法0.653、简单模型0.687 未报告 交叉验证 SHORR A F 开发及内部验证 AUC: 开发队列0.66, 内部验证0.64 未报告 未报告 ELIAS J 开发及内部验证 AUC: 开发队列0.693 Hosmer-Lemeshow检验 未报告 ZILBERBERG M D 开发及内部验证 未报告 未报告 随机拆分法-没有进行外部验证
下载: 导出CSV
表 5 纳入文献的预测模型偏倚风险与适用性评价结果
第一作者 偏倚风险 适用性 总体 研究对象 预测因子 结果 统计分析 研究对象 预测因子 结果 偏倚风险 适用性 RHODES N J - ？ ？ - + + + - + 宋志伟 - ？ + - + + + - + ZASOWSKI E J + ？ ？ - + + + - + HIRANO Y + + ？ ？ + + + ？ + RASCHPICHLER G + ？ ？ - + + + - + YOSHIOKA N - + ？ ？ + + ？ - ？ JWA H - + ？ - + + + - + CALLEJO-TORRE F + ？ ？ - + + + - + LEE A S + ？ ？ - + + + - + SHORR A F + + + ？ + + + ？ + ELIAS J - + + - + + + - + ZILBERBERG M D + + ？ - + + + - + +: 低偏倚风险/适用性高; -: 高偏倚风险/适用性低; ？: 不清楚。
下载: 导出CSV
-
[1] MAGILL S S, EDWARDS J R, BAMBERG W, et al. Multistate point-prevalence survey of health care-associated infections[J]. N Engl J Med, 2014, 370(13): 1198-1208. doi: 10.1056/NEJMoa1306801
[2] 陈晖, 张莉, 陆晨, 等. 脑出血术后多重耐药感染风险的诺模图预测模型的构建与验证[J]. 实用临床医药杂志, 2024, 28(8): 45-49, 54. doi: 10.7619/jcmp.20234252 [3] KLEVENS R M, MORRISON M A, NADLE J, et al. Invasive methicillin-resistant Staphylococcus aureus infections in the United States[J]. JAMA, 2007, 298(15): 1763-1771. doi: 10.1001/jama.298.15.1763
[4] GRUNDMANN H, AIRES-DE-SOUSA M, BOYCE J, et al. Emergence and resurgence of meticillin-resistant Staphylococcus aureus as a public-health threat[J]. Lancet, 2006, 368(9538): 874-885. doi: 10.1016/S0140-6736(06)68853-3
[5] ZHEN X M, LUNDBORG C S, ZHANG M L, et al. Clinical and economic impact of methicillin-resistant Staphylococcus aureus: a multicentre study in China[J]. Sci Rep, 2020, 10(1): 3900. doi: 10.1038/s41598-020-60825-6
[6] DE KRAKER M E, WOLKEWITZ M, DAVEY P G, et al. Clinical impact of antimicrobial resistance in European hospitals: excess mortality and length of hospital stay related to methicillin-resistant Staphylococcus aureus bloodstream infections[J]. Antimicrob Agents Chemother, 2011, 55(4): 1598-1605. doi: 10.1128/AAC.01157-10
[7] 张杰, 谢星星, 范小冬, 等. 耐甲氧西林金黄色葡萄球菌血流感染危险因素的系统评价[J]. 药物评价研究, 2023, 46(10): 2243-2250. https://www.cnki.com.cn/Article/CJFDTOTAL-YWPJ202310023.htm [8] MOONS K G M, WOLFF R F, RILEY R D, et al. PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration[J]. Ann Intern Med, 2019, 170(1): W1-W33. doi: 10.7326/M18-1377
[9] MOONS K G, DE GROOT J A, BOUWMEESTER W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist[J]. PLoS Med, 2014, 11(10): e1001744. doi: 10.1371/journal.pmed.1001744
[10] 陈香萍, 张奕, 庄一渝, 等. PROBAST: 诊断或预后多因素预测模型研究偏倚风险的评估工具[J]. 中国循证医学杂志, 2020, 20(6): 737-744. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZXZ202006017.htm [11] RHODES N J, ROHANI R, YARNOLD P R, et al. Machine learning to stratify methicillin-resistant Staphylococcus aureus risk among hospitalized patients with community-acquired pneumonia[J]. Antimicrob Agents Chemother, 2023, 67(1): e0102322. doi: 10.1128/aac.01023-22
[12] 宋志伟, 蔡艳群, 郏伊范, 等. 医院耐甲氧西林金黄色葡萄球菌感染的风险模型建立及耐药基因检测[J]. 浙江医学, 2022, 44(6): 598-602. https://www.cnki.com.cn/Article/CJFDTOTAL-ZJYE202206008.htm [13] ZASOWSKI E J, TRINH T D, CLAEYS K C, et al. International validation of a methicillin-resistant Staphylococcus aureus risk assessment tool for skin and soft tissue infections[J]. Infect Dis Ther, 2022, 11(6): 2253-2263. doi: 10.1007/s40121-022-00712-x
[14] HIRANO Y, SHINMOTO K, OKADA Y, et al. Machine learning approach to predict positive screening of methicillin-resistant Staphylococcus aureus during mechanical ventilation using synthetic dataset from MIMIC-Ⅳ database[J]. Front Med, 2021, 8: 694520. doi: 10.3389/fmed.2021.694520
[15] RASCHPICHLER G, RAUPACH-ROSIN H, AKMATOV M K, et al. Development and external validation of a clinical prediction model for MRSA carriage at hospital admission in Southeast Lower Saxony, Germany[J]. Sci Rep, 2020, 10(1): 17998. doi: 10.1038/s41598-020-75094-6
[16] YOSHIOKA N, DEGUCHI M, HAGIYA H, et al. Available, Bed-sided, Comprehensive (ABC) score to a diagnosis of Methicillin-resistant Staphylococcus aureus infection: a derivation and validation study[J]. BMC Infect Dis, 2018, 18(1): 19. doi: 10.1186/s12879-017-2919-2
[17] JWA H, BEOM J W, LEE J H. Predictive factors of methicillin-resistant Staphylococcus aureus infection in elderly patients with community-onset pneumonia[J]. Tuberc Respir Dis, 2017, 80(2): 201-209. doi: 10.4046/trd.2017.80.2.201
[18] CALLEJO-TORRE F, EIROS BOUZA J M, OLAECHEA ASTIGARRAGA P, et al. Risk factors for methicillin-resistant Staphylococcus aureus colonisation or infection in intensive care units and their reliability for predicting MRSA on ICU admission[J]. Infez Med, 2016, 24(3): 201-209.
[19] LEE A S, PAN A, HARBARTH S, et al. Variable performance of models for predicting methicillin-resistant Staphylococcus aureus carriage in European surgical wards[J]. BMC Infect Dis, 2015, 15: 105. doi: 10.1186/s12879-015-0834-y
[20] SHORR A F, MYERS D E, HUANG D B, et al. A risk score for identifying methicillin-resistant Staphylococcus aureus in patients presenting to the hospital with pneumonia[J]. BMC Infect Dis, 2013, 13: 268. doi: 10.1186/1471-2334-13-268
[21] ELIAS J, HEUSCHMANN P U, SCHMITT C, et al. Prevalence dependent calibration of a predictive model for nasal carriage of methicillin-resistant Staphylococcus aureus[J]. BMC Infect Dis, 2013, 13: 111. doi: 10.1186/1471-2334-13-111
[22] ZILBERBERG M D, CHAUDHARI P, NATHANSON B H, et al. Development and validation of a bedside risk score for MRSA among patients hospitalized with complicated skin and skin structure infections[J]. BMC Infect Dis, 2012, 12: 154. doi: 10.1186/1471-2334-12-154
[23] KAMAL H, LOPEZ V, SHETH S A. Machine learning in acute ischemic stroke neuroimaging[J]. Front Neurol, 2018, 9: 945. doi: 10.3389/fneur.2018.00945
[24] HUANG Y X, LI W T, MACHERET F, et al. A tutorial on calibration measurements and calibration models for clinical prediction models[J]. J Am Med Inform Assoc, 2020, 27(4): 621-633. doi: 10.1093/jamia/ocz228
[25] STEYERBERG E W. Validation in prediction research: the waste by data splitting[J]. J Clin Epidemiol, 2018, 103: 131-133. doi: 10.1016/j.jclinepi.2018.07.010
[26] 许汝福. Logistic回归变量筛选及回归方法选择实例分析[J]. 中国循证医学杂志, 2016, 16(11): 1360-1364. doi: 10.7507/1672-2531.20160205 [27] 黄夏璇, 黄韬, 杨瑞, 等. UK Biobank数据的应用介绍[J]. 中国循证医学杂志, 2022, 22(9): 1099-1107. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZXZ202209016.htm
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
苏公网安备 32100302010246号
