使用机器学习在ICU入科时早期预测产碳青霉烯酶肠杆菌定植

为什么医院里隐匿的病菌很重要

医院中病情最危重的许多患者在重症监护病房（ICU）接受治疗，这里常用强效抗生素并使用侵入性器械。在这样的环境中，一类危险的肠道细菌——产碳青霉烯酶的肠杆菌属（CPE）——可能悄然定植。携带这些病菌的人可能并不感到不适，但他们可以将病菌传播给他人，或者之后发展为难以治疗的危及生命的感染。本研究提出了一个务实的问题：在患者进入ICU的那一刻，能否预测谁很可能已经携带CPE，以便医护人员更有效地保护其他患者？

ICU中的静悄悄威胁

CPE是学会对碳青霉烯类抗生素产生耐药性的肠道细菌，碳青霉烯通常是在其他药物失效时使用的强效抗生素。在韩国，近年来CPE感染激增，呼应了全球趋势。ICU患者风险尤其高，因为他们往往住院时间更长、接受更多操作并使用更多抗生素。医院可以通过直肠拭子检测CPE，但检测结果需要时间，而且在实验室报告出来之前将每一位新入ICU患者都隔离并不现实。作者试图构建一个工具，利用ICU入科时已记录在病历中的信息来估算哪些患者可能是CPE携带者。

从病历中挖掘线索

研究者回顾了2022年至2023年间一家韩国大型医院的4,915例成人ICU入科记录。所有这些患者在入ICU后48小时内均接受了直肠拭子检测。约9.2%，即453人，被发现定植了CPE。团队从电子病历中提取了42项入科时可用的信息，包括年龄、近期住院及长期护理机构居住情况、既往手术、基础疾病、既往抗生素使用情况，以及患者是否携带管道或导管。利用这些变量，他们比较了十种不同的机器学习方法，以确定哪一种在区分CPE携带者与非携带者方面效果最佳。

具有强排除能力的简单模型

研究并未偏爱最复杂的算法，而是发现相对直接的方法——逻辑回归——在实际应用中达到了最佳平衡。采用一个选定的风险阈值时，模型正确识别了约73%的携带者，并将96%被预测为非携带者的人实际判定为阴性。从实际角度看，当该工具判断患者不太可能携带CPE时，几乎总是准确的。这对需要决定谁真正需要稀缺隔离病房的感染控制团队至关重要。其他更复杂的模型虽然特异性更高，但漏掉了许多真实的携带者，使其在这一用途上不够安全。

谁最有风险？

为了让临床人员更容易理解该工具，作者将重点放在12个关键预测因子上。置入胆道引流管（一种从肝脏引流胆汁的管子）与CPE携带的几率关联最强。其他强烈信号包括近期在长期护理机构居住、有鼻胃管或中心静脉导管、近期类固醇治疗、既往使用多种抗生素以及入ICU前更长的住院天数。既往被其他顽固病菌（如万古霉素耐药肠球菌）定植或感染的病史也会提高几率。团队使用了SHAP（Shapley加性解释）方法，展示每个因素如何将患者的风险向上或向下推移，这样单个预测就不是神秘的“黑箱”。

从数字到床旁决策

为使研究成果超出数据集而可用，团队创建了一个免费的基于网页的计算器（www.cpepredictor.com）。临床人员可在ICU入科时输入14个简短问题的答案——例如患者是否近期使用过某些抗生素或是否有特定管路在位——工具即可即时估算CPE定植的概率。作者强调该模型最好用于排除低风险患者，而不是用来断定某人为携带者。阳性结果应促使及早隔离或快速分子检测，而不是取代标准的实验室培养。尽管该研究在单一医院进行，仍需在其他环境中验证，但它展示了如何通过精心设计且可解释的机器学习工具，帮助医院将感染控制资源针对性地投放到最需要的地方，从而在不压垮本已紧张的ICU的情况下减少高度耐药细菌的传播。

引用: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

关键词: 抗生素耐药性, 重症监护病房, 感染控制, 医学中的机器学习, 医院获得性感染