利用数字健康记录识别导管相关尿路感染的自动化算法：有效性及其在临床实践中的实施障碍

《BMC Medical Informatics and Decision Making》：Automated algorithm in catheter-associated urinary tract infection identification using digital health records: validity and barriers in implementation into clinical practice

　　

摘要

目的

本研究旨在评估一种自动化算法的准确性，该算法利用医院的电子健康记录来识别导管相关尿路感染（CAUTIs）。我们通过分析该算法根据预定义的临床参数准确识别CAUTIs的能力，来评估其作为临床决策支持工具的有效性。

材料与方法

我们对2022年11月至2024年10月期间在巴登州立医院急性内科病房住院的所有患者进行了回顾性分析。自动化算法根据疾病控制中心（CDC）的标准标准来识别潜在的CAUTI病例。该算法将符合这些标准的患者识别为潜在病例，并在仪表板上显示CAUTI的数量。所有记录都经过了人工审核，不一致之处由感染专家进行了验证。为了评估性能，我们计算了灵敏度、特异性、接收者操作特征曲线（ROC）曲线下面积（AUC）、似然比（LR）和95%置信区间。

结果

在2022年11月至2024年10月期间，共有1424名带有留置导管的患者接受了评估，其中11例被手动诊断为CAUTIs。自动化算法识别出了6例，包括6例真阳性（TP）、1385例真阴性（TN）、28例假阳性（FP）和5例假阴性（FN）。该算法的灵敏度为55%（95%置信区间：27.3% – 81.8%），特异性为98%（95%置信区间：97.3% – 98.7%），阳性似然比（LR+）为27.3，阴性似然比（LR?）为0.5。ROC曲线下面积（AUC）为0.76（95%置信区间：0.73–0.80），P值为0.0001。

结论

在这项验证研究中，自动化算法在检测CAUTIs方面表现出较高的特异性（98%），但灵敏度较低（55%）。虽然算法的阳性结果与真实感染有很强的关联性，但几乎一半的确诊CAUTI病例未被识别。因此，该算法可以通过优先处理需要审核的病例来支持监测工作；然而，由于其灵敏度有限，它无法可靠地排除非病例，不应替代人工病例判断。导致病例漏诊的主要原因是电子健康记录（EHR）中的信息缺失。在所有部门都广泛使用电子健康记录的医院中，预计灵敏度会有所提高。