背景:尽管医院获得性流感(HAI)具有较高的发病率和不良健康结果,但其认识度较低。早期发现HAI对于遏制其在医院环境中的传播至关重要。
目的:本研究旨在调查与HAI相关的因素,开发预测模型,并随后比较它们,以确定用于预测HAI发生的表现最佳的机器学习算法。
方法:这项回顾性观察性研究于2022年进行,包括来自2011-2012年和2019-2020年流感季节的111名HAI患者和73,748名非HAI患者。分析了电子病历中的一般特征、合并症、生命体征、实验室和胸部X线结果以及房间信息。利用逻辑回归(LR)、随机森林(RF)、极限梯度提升(XGB)和人工神经网络(ANN)技术构建了预测模型。采用随机分配,数据集的80%构成训练集,剩余的20%构成测试集。使用诸如接收器操作特征曲线下面积(AUC)、假阴性的数量(FN)以及特征重要性的确定等指标评估了开发模型的性能。
结果:HAI患者在一般特征、合并症、生命体征、实验室检查结果、胸部X线结果和房间状态方面与非HAI患者有明显差异。在开发的模型中,RF模型在考虑AUC(83.3%)和FN发生(四个)方面表现最佳。预测的最具影响力因素是住在双人房,其次是生命体征和实验室结果。
结论:本研究揭示了HAI患者的特征,并强调通风在减少流感发病率中的作用。这些发现可以帮助医院制定感染预防策略,尤其是基于机器学习的预测模型,特别是RF模型,可以使早期干预以减轻在医疗环境中流感传播的影响。