综述：重症监护病房中多重耐药菌医院获得性感染的临床预测模型：一项系统评价

《Journal of Hospital Infection》：Clinical prediction models for hospital-acquired infection of multidrug-resistant organism in intensive care units: a systematic review

　　裴立|白毅|袁晓宁|张慧志|李凤宏|刘静|杜军|严星
北京协和医院（北京大学第三医院）院内感染管理部门，中国北京市怀远北路49号，100191

**摘要**
多重耐药微生物（MDRO）感染对重症监护病房（ICU）的患者安全构成了严重威胁。风险预测模型（RPM）是早期识别这些感染的 promising 工具，但其稳定性和普遍适用性仍不确定。本系统评价旨在评估用于成人ICU患者MDRO感染的RPM的现状、方法学质量和性能。我们搜索了截至2025年7月30日发表在五个数据库中的相关研究，包括那些开发或验证预测模型的研究。提取了关于特征、预测因素、方法和性能的数据，并使用PROBAST工具对研究质量进行了评估。最终共有62项研究（包含100个预测模型）被纳入分析。这些研究大多数是来自中国大陆的单中心回顾性研究。预测因素被分为十个类别，其中抗生素使用、合并症和侵入性操作是最常见的。逻辑回归是最常用的建模技术。然而，模型验证方面存在不足：37项研究未报告详细的验证信息，仅有17项研究进行了外部验证。PROBAST分析显示87.1%的研究存在高偏倚风险，主要原因是分析方法存在缺陷，如预测因素处理不当、变量选择不理想以及缺乏适当的验证。系统评价结果表明，现有的RPM存在方法学局限性，普遍适用性受限，这阻碍了其在临床中的应用。未来的研究应重点关注整合动态预测因素、进行严格的外部验证，并基于大规模、前瞻性、多中心数据来开发新的预测模型。

**引言**
多重耐药微生物（MDRO）是指对至少3类抗菌药物中的1种具有抗药性的微生物（1）。由于抗生素的不合理使用、免疫抑制剂的应用以及侵入性操作，MDRO的耐药性和感染现象日益严重，已成为重要的公共卫生问题。多年来，世界卫生组织（WHO）一直呼吁加强对抗菌药物耐药性的关注，并发布了一系列预防和控制MDRO的指南（2）。然而，目前MDRO的预防和控制情况仍不容乐观。作为院内感染的重要致病菌，MDRO对患者安全构成重大威胁，尤其是对于重症监护病房（ICU）中的住院患者，因为他们通常患有重症、免疫力低下、需要接受侵入性治疗以及大量使用抗生素。因此，ICU内的医院感染率和耐药菌检出率显著高于其他住院区域，这使得ICU成为MDRO感染的高风险区域（3）。Giraldi等人（4）的研究表明，MDRO感染平均会使患者的住院时间和ICU停留时间分别延长18.8天和21.2天。鉴于这些潜在的不良影响，加强MDRO医院的感染预防和控制尤为重要，尤其是在ICU管理中。

**疾病监测和早期预警是当前流行病学研究的热点**。药敏试验仍是诊断MDRO感染的“金标准”。然而，检测结果的延迟报告限制了其在指导治疗和预防控制院内感染方面的作用。风险预测模型（RPM）可以用来预测个体MDRO感染的风险，并通过准确识别风险因素来提供精准的治疗方案。建立预测模型已成为院内感染管理的重要技术手段。目前已有若干模型可用于预测MDRO感染或定植情况，但由于不同地区和环境下的细菌种类及疾病情况存在差异，这些模型的稳定性和适用性仍存在争议。因此，有必要对现有的预测模型进行系统的评估和比较，以帮助临床医生在实践中更好地使用它们。

**方法**
我们按照《系统评价和荟萃分析的优选报告项目》（PRISMA）（5）的标准进行了系统评价，并在PROSPERO注册平台进行了登记（注册号：CRD420251116558）。

**搜索策略和研究选择**
我们在五个数据库中系统地搜索了关于MDRO感染的预测模型研究，包括中国国家知识 Infrastructure（CNKI）、万方、Embase、Pubmed 和 Web of Science。使用与“多重耐药微生物”、“重症监护病房”和“预测模型”相关的关键词来筛选2025年7月30日之前发表的研究。首先通过标题和摘要对检索到的记录进行初步筛选，然后通过全文审查进行进一步评估。纳入标准包括：（1）针对成年患者（≥18岁）的研究；（2）预测结果是MDRO感染；（3）涉及预测模型的开发或验证的研究；（4）文章以中文或英文撰写。所有筛选工作由BY、LP和YYL三位评审者完成。每条记录由两位评审者独立评估，如有分歧则咨询第三位评审者解决。

**数据提取与分析**
我们提取了基本信息（研究期限、研究地区、单中心/多中心、ICU类型、模型数量、研究设计）、研究人群特征、纳入和排除标准、预测因素、模型开发和验证的细节（模型构建方法、缺失数据管理、校准方法、模型区分度及分类指标），以及模型的预期应用场景。由于不同研究中的模型基于不同的患者群体构建，我们仅以描述性方式呈现数据，报告了中位数和四分位数范围，未进行统计汇总。根据偏倚风险评分（低风险评分）、模型构建方法（逻辑回归等）和ICU类型（普通ICU和非ICU）对数据进行了亚组分析，以便重点评估某些特定子集中的模型性能。

**偏倚风险评估**
使用《预测模型偏倚风险评估工具》（PROBAST）（6）对纳入的预测模型研究进行了偏倚风险和适用性评估。该工具从四个方面评估预测模型研究：参与者、预测因素、结果和分析方法。数据提取和质量评估同样由BY、LP和YYL完成。每项研究由两位评审者独立评估，如有分歧则咨询第三位评审者解决。

**结果**
从数据库中共识别出6550条记录，去除重复记录后保留5902条。经过标题和摘要筛选后，有123项研究符合全文评估条件。随后下载了这123项研究的全文并进行进一步筛选，最终有62项研究被纳入系统评价（图1），这些研究共构建了100个预测模型。

**图1. 研究选择流程图**

所有纳入的研究均发表于2012年至2025年间。其中53项研究在中国大陆进行，4项在欧洲（法国和西班牙）进行，其余5项分别在美洲、新加坡、韩国和巴西进行。44项研究仅报告了预测模型的开发情况，17项报告了预测模型的开发及外部验证结果，1项专门报告了已发布模型的外部验证结果。53项研究的数据来自单一中心，9项研究的数据来自多个中心（表I）。

**表I. 纳入研究的基本特征**

| 研究ID | 研究期限 | 地区 | 多中心/单中心 | ICU类型 | 模型数量 | 研究设计 |
|-------|--------|--------|---------|---------|---------|
| Chen C, 2021 | 2018.7.1-2020.12.3 | 中国宁夏 | 单中心 | NA | 6 | 病例对照 |
| Gao CL, 2024 | 2020.1.1-2021.12.3 | 中国山东 | 单中心 | NA | 1 | 病例对照 |
| Jiang SF, 2022 | 2016.1-2020.12 | 中国江苏 | 单中心 | 普通ICU | 1 | 队列 |
| Li J, 2023 | 2015.1.1-2021.12.3 | 中国陕西 | 单中心 | 烧伤ICU | 6 | 病例对照 |
| Li WJ, 2019 | NA | 中国上海 | 多中心 | 普通ICU | 1 | 队列 |
| Li Y, 2021 | 2014.1.1-2019.12.3 | 中国河北 | 多中心 | 普通ICU | 1 | 病例对照 |
| Liu WP, 2022 | 2019.1.1-2019.12.3 | 中国内蒙古 | 单中心 | NA | 1 | 病例对照 |
| Ma YC, 2021 | 2014.1.1-2019.12.3 | 中国安徽 | 单中心 | NA | 1 | 病例对照 |
| Peng L, 2022 | 2014.1.1-2019.12.3 | 中国上海 | 单中心 | 普通ICU | 1 | 病例对照 |
| Shu ML, 2023 | 2021.1.1-2023.12.3 | 中国四川 | 单中心 | NA | 1 | 病例对照 |
| Tai YY, 2022 | 2016.1.1-2020.12.3 | 中国江苏 | 多中心 | 普通ICU | 2 | 病例对照 |
| Tang L, 2023 | 2020.1-2022.12 | 中国四川 | 单中心 | NA | 1 | 病例对照 |
| Wan Y, 2022 | 2017.5-2021.4 | 中国安徽 | 单中心 | NA | 1 | 病例对照 |
| Wang P, 2022 | 2015.5.1-2020.5.3 | 中国安徽 | 单中心 | NA | 1 | 病例对照 |
| Wang YX, 2024 | 2021.8-2022.1 | 中国山东 | 单中心 | NA | 1 | 病例对照 |
| Zheng SM, 2021 | 2016.2-2019.9 | 中国海南 | 单中心 | NA | 1 | 病例对照 |
| Chen I-Ling, 2018 | 2013.1.1-2015.12.3 | 中国台湾 | 多中心 | NA | 1 | 队列 |
| Dantas, 2019 | 2012.1.1-2016.12.3 | 巴西 | 单中心 | 普通ICU | 1 | 病例对照 |
| Feng J, 2022 | 2018.9-2021.9 | 中国福建 | 单中心 | NA | 1 | 队列 |
| Jia C, 2024 | 2019.4.1-2023.4 | 中国辽宁 | 单中心 | NA | 2 | 病例对照 |
| Yun Li, 2024 | PLAGH-ICU:2008-2016, MIMIC-IV:2008-2016 | 中国北京&美国波士顿 | 多中心 | NA | 1 | 队列 |
| Li, 2024 | 2019.1-2019.12 | 中国江苏 | 神经ICU | 1 | NA |
| Liang, 2022 | 2015-2019 | 中国浙江 | 单中心 | 普通ICU | 1 | 队列 |
| Liao, 2023a | 2018.1.1-2020.9.1 | 中国福建 | 单中心 | NA | 1 | 病例对照 |
| Liao, 2023b | 2017.12.1-2019.7.3 | 中国福建 | 单中心 | NA | 1 | 队列 |
| Lu, 2024 | 2019.1.1-2019.12.3 | 中国江苏 | 单中心 | 神经ICU | 1 | 队列 |
| Teysseyre, 2019 | 2011.12-2015.1 | 法国 | 单中心 | 普通ICU | 1 | 队列 |
| Vasudevan, 2014 | 2011.12-2007.8 | 新加坡 | 单中心 | 普通ICU | 1 | 队列 |
| Wang, 2020 | 2016.1-2018.12 | 中国福建 | 单中心 | NA | 1 | 队列 |
| Wang, 2024 | 2018.1.1-2022.12 | 中国江苏 | 单中心 | 神经ICU | 1 | 队列 |
| Martin Wolkewitz, 2016 | 2006.1.1-2011.12.3 | 西班牙 | 多中心 | NA | 0 | 病例对照 |
| Cao XH, 2023 | 2020.1.1-2021.12.3 | 中国山东 | 单中心 | NA | 1 | 病例对照 |
| Young Kyung Yoon, 2012 | 2008.4.1-2010.9.3 | 韩国 | 单中心 | 普通ICU | 1 | 病例对照 |
| Jin Zhang, 2022 | NA | 美国波士顿 | 单中心 | NA | 1 | 队列 |
| Rachel Heyard, 2018 | 1997.1-2015.8 | 法国 | 多中心 | NA | 1 | 队列 |
| Feng Q, 2024 | 2018.1-2022.12 | 中国山西 | 单中心 | NA | 1 | 病例对照 |
| Cun YE, 2021 | 2019.3-2019.8 | 中国上海 | 多中心 | 普通ICU | 1 | 病例对照 |
| Ding MY, 2020 | 2017.1-2019.12 | 中国上海 | 单中心 | NA | 1 | 病例对照 |
| Li N, 2019 | 2010.1-2018.12 | 中国四川 | 单中心 | 普通ICU | 1 | 病例对照 |
| Li Q, 2024 | 2020.1-2022.12 | 中国四川 | 单中心 | 普通ICU | 1 | 病例对照 |
| Li J, 2016 | 2012.10-2015.9 | 中国陕西 | 单中心 | 普通ICU | 1 | 病例对照 |
| Li Q, 2023 | 2017.10-2019.4 | 中国浙江 | 单中心 | NA | 1 | 病例对照 |
| Ang H, 2018 | 2015.1-2016.12 | 中国湖北 | 单中心 | 普通ICU | 1 | 病例对照 |
| Zhou Q, 2021 | 2017.1-2019.12 | 中国上海 | 单中心 | 普通ICU | 1 | 病例对照 |
| Yang, D, 2016 | 2012.1-2013.12 | 中国北京 | 单中心 | 普通ICU | 1 | 病例对照 |
| Seo, S.M., 2021 | 2018.1-2019.9 | 韩国釜山 | 单中心 | 普通ICU | 1 | 病例对照 |
| Wang, Y, 2023 | 2021.8-2022.1 | 中国山东 | 单中心 | NA | 1 | 队列 |
| Mora-Jiménez, 2021 | 2004-2016 | 西班牙马德里 | 单中心 | 普通ICU | 5 | 病例对照 |
| Yang L, 2025 | NA | 中国江苏 | 神经ICU | 5 | 病例对照 |
| Wu T, 2024 | 2022.11-2023.10 | 中国上海 | 多中心 | 1 | 病例对照 |
| Guo X, 2024 | 2021.1-2022.7 | 中国福建 | 单中心 | NA | 1 | 病例对照 |
| Zhang JY, 2024 | 2020.1-2022.12 | 中国江苏 | 单中心 | 神经ICU | 5 | 病例对照 |
| Yin XN, 2糖尿病的历史在8项研究中被引用。重症监护室（ICU）中的三种重要导管——血管导管、尿导管和呼吸机导管几乎被所有最终模型所包含。抗生素的使用主要通过使用时长来表征，而碳青霉烯类抗生素是最常用的药物类型。15个模型使用了APACHE II作为预测因子，5个模型使用了GCS。炎症指标如CRP、PCT和白细胞也被纳入最终预测因子中，其中体温是最常被考虑的生命体征。研究中包含的预测因子的总结频率如图2所示。

模型开发和验证
这些研究主要使用多元线性回归模型和机器学习方法来构建预测模型。13项研究采用了多种方法进行模型开发。58个模型使用逻辑回归模型构建，1个模型使用Cox回归模型，5个模型基于随机森林构建，4个模型使用决策树模型。XGBoost、多层感知器和KNN（K最近邻）也被用于构建模型。37项研究未详细说明模型验证的细节，14项研究进行了交叉验证，10项研究使用了自助法进行模型验证，1项研究使用了Jackknife方法。17项研究进行了外部验证，其中15项在另一个时间段内验证了模型，2项在另一个地点进行了验证。大多数研究通过显示接收者操作特征（ROC）曲线的曲线下面积（AUC）来报告模型的区分能力，而2项研究未提及相关细节。开发集或内部验证集的中位AUC为0.832（四分位数范围：0.786-0.898），外部验证的中位AUC为0.828（四分位数范围：0.780-0.881）（见图3）。41项研究报告了模型的校准情况，其中18项使用了Hosmer-Lemeshow（H-L）测试，15项展示了校准曲线，2项报告了Brier分数。

偏倚风险
在纳入的研究中，只有8项被评估为低风险，其余均为高风险。在参与者方面，43.55%（27/62）的研究被评估为低风险；在预测因子方面，66.13%（41/62）的研究被评估为低风险；在结果方面，48.39%（30/62）的研究被评估为低风险；在分析领域方面，12.90%（8/62）的研究被评估为低风险（见图4A）。

在分析领域中，偏倚风险最明显的是不恰当的预测因子选择（62项研究中有44项被评为“否”）。此外，未能考虑模型复杂性也是导致偏倚的重要因素（62项研究中有55项被评为“否”、“可能不是”或“无信息”）。最后，该领域内对缺失数据处理的报告不足也可能导致显著偏倚，62项研究中有44项没有适当处理缺失数据或未提供处理缺失数据的方法描述（见图4B）。风险评估的详细结果见补充材料2。

亚组分析
共有8项研究被评为低风险，其中2项未报告具体的AUC，但通过其他指标描述了模型性能。其余6项报告了模型开发或外部验证的AUC，模型开发的中位AUC为0.797（四分位数范围：0.854–0.909），外部验证的中位AUC为0.817（四分位数范围：0.768–0.824）。按模型构建方法分层，逻辑回归模型开发的中位AUC为0.839（四分位数范围：0.793–0.898），外部验证的中位AUC为0.825（四分位数范围：0.770–0.852）；其他方法构建的模型中，开发的中位AUC为0.838（四分位数范围：0.786–0.898），仅有2个模型进行了外部验证，其AUC分别为0.638和0.811。

讨论
MDRO风险预测模型需要全面评估预测因子维度
通过对62项研究（包含100个预测模型）的系统回顾，本研究将预测因子分为10类，用于预测MDRO定植或感染。这些因素包括患者的基本特征、入院信息、个人病史和合并症、住院期间的侵入性操作、抗生素使用、危急病评分、手术、实验室检测结果、生命体征和其他药物。分析表明，现有的风险预测模型主要关注患者层面的因素，如侵入性操作（中央静脉导管、机械通气和尿导管）、抗菌药物使用（尤其是碳青霉烯类）以及住院或ICU停留时间，这些因素是最常纳入的预测因子。然而，影响MDRO传播的因素（如环境清洁度、手部卫生遵守情况、患者安置的适当性以及抗菌药物使用合规率）很少被考虑。这些管理层面因素的缺失可能会限制模型的预测性能。这一发现表明，应考虑多个层面和参数，包括患者、疾病、治疗、药物、管理和医护人员层面，以提供基于证据的决策支持，实现精确的感染预防和控制，例如评估ICU中高风险患者的感染情况。
本研究中MDRO感染预测模型的另一个关键局限性是它们的静态特性。这些模型基于单一时间点捕获的变量构建，因此无法描述疾病的动态进展过程，这可能会影响其预测准确性。先前的研究也表明，动态预测模型可以监测个体特征随时间的变化，从而提高模型的预测精度。因此，建议建立和发展动态预测模型，以便准确、特异性和及时地预测和识别MDRO感染的风险，并为临床实践提供指导。

MDRO风险预测模型的泛化能力仍有待优化
只有经过内部和外部验证的模型才能对其稳健性有信心。通过定量分析方法，模型验证可以测试数学模型是否能够在预设条件下准确反映实际数据模式，并评估其在新数据情景下的稳定性和泛化能力。尽管在ICU患者的MDRO感染风险预测模型开发方面已取得进展，但在模型开发和验证方面仍存在方法学局限性。在本研究的回顾中，超过一半的研究未能详细报告验证程序。即使模型经过了验证，也只有17个模型（17.0%）进行了外部验证，表明报告存在不足和验证不够充分的问题。此外，根据数据来源分类，进行外部验证的研究中，只有一项采用了地理验证策略，该策略同时使用了中国和美国的数据库；其余的研究仅采用了时间验证，这表明验证策略的单一性。这些模型的泛化能力受到数据来源的限制。大多数研究（85.5%，53/62）来自单一中心的数据集，主要位于中国大陆。鉴于MDRO菌群分布受地理环境和医疗系统差异的影响，现有模型的临床适用性和有效性仍需在不同条件下进行更广泛的验证。此外，当前文献中的地理差异显著，大多数模型（85.5%，53/62）来自中国大陆。虽然这些模型在中国ICU的具体流行病学背景下可能表现良好，但这种集中性引发了对其全球适用性的担忧。不同地区的MDRO微生物群分布、抗生素处方模式和医疗基础设施存在显著差异，因此现有模型的临床适用性和有效性需要在不同条件下进行更广泛的验证。

因此，未来的工作应优先考虑基于大规模、多中心、前瞻性研究的预测模型开发，以提高预测的稳健性和可靠性。对于现有的预测模型，应进行覆盖多个地区和种族的外部验证，以提高其泛化能力和预测性能。

迫切需要加强MDRO感染风险预测模型的方法学标准化
本研究使用了PROBAST来评估纳入研究的方法学质量。结果显示，87.10%（54/62）的研究存在高偏倚风险，主要是由于数据来源不适当、样本量不足、变量处理不合理、数据缺失和缺乏模型验证。关于研究人群，大多数现有预测模型是基于 retrospective 数据开发的，只有少数基于前瞻性设计。建议未来的研究鼓励使用前瞻性队列研究，或应用嵌套病例对照研究或病例-队列研究，通过大规模和有代表性的样本减少选择偏倚。关于预测变量，尽管所有研究都定义了预测因子并对所有研究对象进行了统一的评估，但近30%的研究未报告在无结果数据的情况下是否对预测因子进行了评估。未来应标准化盲法方法。此外，许多研究未能明确界定MDRO感染结果是否被分类为医院内获得感染，这可能导致社区获得性病例与医院内获得性病例混杂，从而引入选择偏倚，降低模型估计的准确性。关于结果，近一半的研究未报告预测因子评估与结果确定之间的时间间隔。其余研究存在因时间延迟而导致疾病状态分类错误的风险。建议未来的研究根据临床经验考虑最佳时间间隔。

我们发现，被评为低风险的模型的中位AUC低于所有纳入模型的AUC，这可能表明在模型开发过程中采用了某些不适当的方法，导致了对模型区分能力的过高估计。在统计分析方面，44项研究仅通过单变量分析来识别预测因子，这可能导致遗漏重要预测因子并增加过拟合的风险。先前的研究表明，岭回归、套索回归和弹性网络等方法可以有效解决这些问题。建议在未来将此类变量选择方法整合到临床实践中，以提高模型的预测性能。此外，一些研究未充分考虑模型的复杂性。例如，在大多数研究中，实际使用的生存数据仅被看作是二元变量用于模型构建。虽然这在随访时间较短的数据中可能不会引入过多偏倚，但对于随访时间较长的数据可能会有显著影响。对于生存数据，应考虑使用生存模型，如Cox比例风险回归模型。此外，在ICU环境中应充分考虑竞争风险问题。ICU中死亡和转院事件的概率相对较高，应在模型开发中将其作为MDRO感染的竞争风险事件纳入考虑。尽管如此，结果表明传统的线性回归模型与机器学习模型的区分能力相当。

此外，44项研究未提及或未适当处理缺失数据的参与者，表明后续研究应采用标准化处理算法（如多重插补或最大似然估计）以确保数据完整性。

结论
尽管在ICU患者MDRO感染风险预测模型的开发方面已取得进展，但本系统评价揭示了现有模型在泛化能力和方法学严谨性方面仍存在局限性。具体来说：（1）预测因子主要集中在患者层面的因素上，忽视了管理层的关键决定因素，导致风险评估框架不完整；（2）模型仅依赖于单一时间点的横截面数据，无法解释疾病进展过程中的动态变化，从而影响预测准确性；（3）由于外部验证不足以及依赖来源有限、地理范围受限的数据集，模型的泛化能力受到限制，影响了其应用范围；（4）方法上的缺陷——包括以回顾性设计为主、变量处理不规范以及统计方法存在问题——增加了偏差的风险。为了解决这些限制，未来的研究应重点关注三个方向：（1）整合涵盖患者特征、疾病概况、治疗方案、药物使用、管理实践以及医疗工作者相关变量的多维度风险因素，并结合纵向临床数据来开发和完善动态预测模型；（2）在不同地区和种族人群中对现有模型进行广泛的外部验证，以提高其泛化能力；（3）利用重症监护室（ICU）的实时监测系统开展大规模、前瞻性的多中心研究，并根据当地流行病学和机构背景定制模型，以最大化预测性能。通过对当前MDRO感染风险预测模型的现状、局限性及其根本原因进行系统分析，本研究为开发高度可靠且具有临床应用价值的预测工具提供了基于证据的基础，从而有助于将精确的感染预防和控制策略转化为实际操作。

**作者贡献声明：**
袁晓宁：监督、方法学、研究设计
白毅：撰写 - 审稿与编辑、撰写 - 原稿、方法学、数据分析、数据整理
李凤红：资源协调、方法学、研究设计
张惠智：方法学、研究设计、数据整理
刘静：验证、方法学、研究设计
邢岩：撰写 - 审稿与编辑、监督、资金筹集、概念构思
杜军：撰写 - 审稿与编辑、监督、资金筹集、概念构思
李佩：撰写 - 审稿与编辑、撰写 - 原稿、方法学、数据分析、数据整理

**伦理声明：** 无需伦理声明。

**资金声明：** 本项工作得到了首都卫生健康改善与研究基金（CFH 2024-2G-40916）、北京大学第三医院临床队列建设项目（BYSYDL2022008）以及北京大学第三医院创新与转型基金项目（BYSYZHKC126）的支持。