首页> 中文学位 >基于公开的耐甲氧西林金黄色葡萄球菌医院感染风险调整模型的构建研究
【6h】

基于公开的耐甲氧西林金黄色葡萄球菌医院感染风险调整模型的构建研究

代理获取

目录

封面

声明

目录

中文摘要

英文摘要

1 绪 论

1.1 医院感染概述

1.2 MRSA医院感染概述

1.3医院感染透明监管的应用

1.4风险调整的概述

1.5循证实践

1.6研究意义

2 研究目标和研究内容

2.1研究目标

2.2研究内容

3 研究方法

3.1文献法

3.2 专题小组讨论

3.3确定风险因素的实证研究

3.4统计分析软件及检验水准

3.5技术路线

4 研究结果

4.1基于医院信息公开的风险因素集的确定

4.2 基于医院信息公开的 MRSA 医院感染风险调整关键风险因素的确定及模型构建

5 讨 论

5.1 MRSA医院感染问题严峻

5.2 基于医院信息公开的MRSA医院感染风险调整模型

5.3 基于医院信息公开的MRSA医院感染关键风险因素

5.4控制预防MRSA医院感染的举措

5.5 Logistic回归、ANN神经网络与决策树模型之间的比较

5.6 创新与不足

6 结 论

7 预防控制MRSA医院感染管理建议

7.1宏观层面:建立医院感染透明监管体系

7.2微观层面:院内预防控制措施

致谢

参考文献

综述:耐甲氧西林金黄色葡萄球菌(MRSA)医院感染及其风险调整模型综述

附件1 攻读学位期间发表论文目录

展开▼

摘要

研究目的:
  耐甲氧西林金黄色葡萄球菌(MRSA)感染是最主要的医院感染之一,已成为医院感染预防和控制面临的的重要难题,被列为了世界三大最难解决的感染性疾病的首位。MRSA医院感染影响因素多,耐药谱广,临床治疗困难,不但增长病人的住院时间,也大幅度增加了病人医药费用负担。我国已成为了MRSA感染影响最严重的国家之一。
  透明监管是一项前沿管理创新举措,作为改善医院感染绩效的手段得到欧美等国家广泛地认可与推广。这些国家将医院感染指标(如CLABSI、CAUTI)强制公开,但由于不同病例组合差异较大,所以院感指标公开前须要进行风险调整,否则就会得出误导性的结论。同时,风险调整后的感染率也更利于追踪和反映医院感染防控随时间的进步。美国作为院感防控的标杆已具备成熟的医院感染风险调整和公开实践基础。我国虽然在医院感染监管上有所尝试,但一直停留在医院范围内的监测,未在医院间进行有效的公开比较。
  因此,本研究通过学习美国的实践经验,利用循证实践的方法构建MRSA医院感染风险调整模型,为日后我国开展MRSA医院感染公开工作提供了风险调整工具,可以更加合理地、公平地、真实地反映不同医疗机构MRSA医院感染控制绩效的相对水平,最终以促进我国MRSA医院感染透明监管的有效实施。
  研究方法:
  通过文献质量评价,纳入高水平和高质量的文献研究。界定相关概念并确定风险因素范围,排除医疗过程(医疗服务、管理)等非患者相关因素,构建基于医院信息公开的MRSA医院感染风险因素集。基于风险调整因素相关要求、信息的可获取性和完整性,制作数据采集量表,随机纳入住院患者开展实证研究。使用单因素分析、Logistic回归、ANN神经网络和决策树的方法确定关键风险因素,绘制ROC曲线和计算C指数等参数进行评价,最终构建MRSA医院感染风险调整模型。
  研究结果:
  (1)基于医院信息公开的风险因素研究
  1)风险因素范围的界定:人口学特征、一年内的医疗利用情况、基于诊断的健康信息、(入院前)药物使用信息及自我报告健康状况。
  2)文献质量评价及风险因素集:纳入31篇高质量文献,质量平均得分为7.1分。一共63个MRSA医院感染影响因素,根据适合公开因素的界定范围,排除医疗过程相关等非患者因素,风险因素集一共纳入24个因素。
  (2)MRSA医院感染风险调整模型构建
  1)MRSA感染率及检出率:共503例住院患者进入研究,其中MRSA医院感染患者47例(9.34%)。111例(22.1%)住院患者入院时检出MRSA,329例(65.4%)住院患者在住院过程中检出MRSA。
  2)MRSA感染的Logistic回归分析:留置导管史(P=0.001)、白细胞计数(P<0.001)、MRSA定植(P<0.001)和高血压(P=0.004)纳入回归模型,Hosmer-Lemeshow拟合优度检验P值为0.229,模型数据拟合良好。Nagelkerke R方值为0.59,灵敏度、特异度和总体准确率分别为55.3%、98.5%和94.4%,C指数为0.932。最终风险调整模型:
  Y=1/1+e.(-6.473+1.704X1+2.605X2+3.486X3+1.408X4)
  Y为模型的预测概率,X1、X2、X3和X4分别为留置导管史、白细胞计数、MRSA定植及高血压。风险调整结果:MRSA SIR=(O1+O2+…+On)/(Y1+Y2+…+Yn)
  (O:某个患者实际患MRSA医院感染的情况,1代表患,0代表不患)
  3)MRSA感染的ANN神经网络分析:将重要性前五的变量(依次是MRSA定植、白细胞计数、留置导管史、住院史和高血压)纳入模型,灵敏度、特异度和总体准确率分别为46.8%,97.8%和93.0%,C指数为0.931。
  4)MRSA感染的决策树分析:纳入模型并与MRSA医院感染关联最强的因素依次是MRSA定植、白细胞和留置导管史。灵敏度、特异度和总体准确率分别为72.3%、96.5%和94.2%,C指数为0.917。
  5)MRSA医院感染风险调整模型构建方法的讨论:构建ANN神经网络模型时,网络隐藏层数和单元数的选择没有理论指导,主要靠经验,也不能很好的解释变量作用,对于加权值和阈值是没有记忆能力,如果学习样本改变,网络就需要从新开始训练。决策树问题类似,而Logistic回归模型操作简单,预测效果较好,对变量和结果解释最好,且模型稳定有利于推广使用。
  研究结论:
  本研究发现,适合透明的MRSA医院感染风险因素包括MRSA定植、留置导管史、白细胞计数、高血压和住院史(仅ANN神经网络发现)是五个关键的风险因素。通过对三个模型应用比较,Logistic回归对构建MRSA医院感染风险调整模型更为适合。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号