基于web的，全院卫生保健相关血流感染监测和分类系统:开发和评估

简介

背景

卫生保健相关感染(HAIs)、与卫生保健相关的不良事件、过高的死亡率和发病率以及资源使用是增加抗菌素耐药性的原因[1,2］．监测艾滋病病毒感染是卫生保健机构感染控制规划的重要组成部分。监测的目标是评估疾病发病率，确定改善的利基和机会，监测干预措施的效力，并支持政策变化的理由[3.］．先前的研究报告称，在美国20世纪80年代采用监测项目的医院中，艾滋病病毒感染率有所下降[4,5］．1981年，国立台湾大学医院(NTUH)启动了全院范围的HAI监测项目。1980年代，由于定期向科室或病房提供反馈意见，以及加强干预措施等因素，导致手术部位感染和呼吸道感染减少[6］．在2004年升级感染预防和控制规划之后，2004年至2007年期间，血液感染、重症监护病房的感染以及由耐多药微生物引起的感染显著减少[7］．

对综合健康教育的关注有所增加，部分原因是立法规定了报告和报销政策[8］．然而，传统的HAI监测系统在整合和解释数据方面需要大量人力参与，而且是劳动密集型的、依赖于性能的，而且往往会转移实施控制措施和预防活动所需的资源[9］．在举报HAIs可能会招致惩罚后果的环境中，依靠机构员工是不理想的[10］．此外，考虑到三级保健医院当前医疗保健的复杂性，HAIs的决策规则(即病例定义)是复杂的。医院出院登记数据的使用延误了HAI的发现，最终导致无法有效地识别问题[11］．最近的研究确定了监测技术的机构间差异，这种不一致性影响了公开报告的HAI数据的有效性[12］．制定可靠和客观的HAI定义和自动化感染检测流程至关重要;然而，转变为自动化监控系统仍具挑战性[8,10］．

研究目标

继续我们之前开发基于web的MDROs监测系统的努力，该系统可自动识别和准确检测可疑的MDROs爆发[13]，每天可节省1人，我们进行这项研究的目的是开发一个基于web的医疗保健相关血流感染(HABSI)自动监测和分类系统，HABSI是NTUH最常见的HAIs [6］．此外，通过将该系统与传统的基于感染控制人员(ICP)的监测系统进行比较，评估了该系统的性能。

方法

医院环境和研究人群

这项研究是在NTUH进行的，这是一所拥有2200个床位的教学医院，为台湾的成人和儿童人口提供初级和三级护理。这项研究得到了NTUH机构伦理审查委员会的批准(NTUH- 200904014r)。2011年，澳大医院门诊病人2,309,108人，急诊106,950人，出院104,899人(723,505病人日)。

新诊断为脓毒症的患者，常规从不同的静脉穿刺部位采集两组血液样本进行细菌培养。45-60分钟后采集另一份样本以确定持续血流感染(BSI)。仅收集了1份血液样本进行后续培养以确认BSI的清除。送检病原体分离鉴定的80327份血液标本中，991份(1.23%)是通过单次抽血获得的。共8745份样品中生长了1种或1种以上病原体(10.88%);其中，1908年展出了habsi。HABSI发病率的汇总平均值为14.7次/1000例患者(科室范围为0.2-112.7/1000例患者)和2.13次/1000例患者-天。

常规ICP-Based HAI监测系统

1981年开始在全医院范围内前瞻性地监测健康影响因子[6]，由ICPs进行，他们每日查阅微生物资料，并每周探访住院单位，根据疾病控制及预防中心(CDC)的定义，确定患有HAIs的患者[14在我们实施基于网络的监控系统之前。如果需要，icp咨询医生，特别是传染病医生，以解释接受复杂干预的患者的医疗信息。数据收集在标准化的数据收集表格上，并手动输入计算机数据库。此外，icp每天监测来自临床微生物实验室的培养结果，以识别MDROs。每月分析特定单位感染的发生率，包括总体感染率、单位感染率和特定地点感染率，并与历史数据进行比较。向每个单位提供反馈，以刺激干预措施。

通过系统地审查医院信息系统(HISs)、实验室信息系统(LISs)和手写图表收集关键数据。由于医疗信息系统的发展，目前HISs和LISs的数据以电子病历(EMRs)的形式存储。然而，医疗信息系统产生的数据分散在众多数据库中，多个接口阻碍了数据的访问。此外，必须对数据进行集成、解释并将其转换为有意义的信息。

基于web的HAI监测和分类系统

我们建立了基于规则的HABSI监测和分类系统(该系统)，并于2010年10月1日实施。现行版本于2012年9月20日修订(图1)．系统每天筛选HIS和LIS数据，根据定义良好的检测规则检测HABSI候选。该系统自动检测和分类habsi，并通过要求进一步确认来保留专业自主权。图1展示了系统的总体架构，包括用户层、数据库层和系统层(数据采集、候选检测和HAI管理)。该系统遵循面向服务的体系结构(SOA)和运行状况等级7 (HL7)标准，并可用于其他信息系统[15］．

这个数据收集子系统使用HL7标准从HIS和LIS收集相关数据，HL7标准从以前的版本逐步扩展[13］．例如，与年龄、性别、病房转院、入院日期和出院诊断相关的数据都是从医院管理系统获得的。出院后2天内的再入院与以前的住院有关，被认为是一次住院事件。程序代码是从医院计费系统中获得的。体温、心率、呼吸频率、是否有留置导管等数据均来自护理系统。抗菌药物的使用是从药理学处方系统中获得的。实验室数据包括标本信息和微生物数据。我们使用标本登录时间作为床边标本收集时间和感染时间的代理。

为了在候选检测子系统中开发检测规则，icp采用了由CDC建立的国家卫生保健安全网(NHSN)定义的客观组成部分[14]，并根据台湾疾病控制中心与南京医科大学的共识进行了修改(见多媒体附件1对于检测规则和多媒体附录2而且3.有关设备以及体征和症状的列表)。计算机工程师据此建立了HABSI检测规则(图2)．因此，检测规则与NHSN定义存在差异。虽然在2008年NHSN定义中删除了二次HABSI，但我们使用NTUH感染控制系统中的数据来保持数据一致性，以进行时间趋势分析[6,7］．原发性HABSI分为3个亚型，包括中心线相关BSI (CRBSI)、中心线相关BSI (CRBSI除外)和其他原发性HABSI。检测规则不包括EMRs中没有的自由文本数据，如研究期间的寒战和呼吸暂停。

HAI管理子系统，成立于2007年7月1日[13]，并定期升级(参见多媒体附件4)，包括数据整合、显示和修改数据的用户界面，方便监察人工智能系统。HAI管理子系统通过浏览器为HIS提供了一个单一入口点[16]，并包括与HAI相关的存储信息组件。每一个急性呼吸道感染事件的信息包括患者人口统计数据、诊断、程序、药物和微生物学报告，以促进icp确认呼吸道感染。如果需要，icp可以修改这些HABSI案例或添加子系统无法检测到的其他HABSI案例。后者可能发生在新单位、新病原体、新程序或其他尚未包括在当前数据库中的元素上。此外，该系统还提供数据分析和过程控制图[13］．

‎ 查看此图

‎ 查看此图

系统性能评估与统计分析

临床有用的检测必须有效、可靠，并有合理的周转时间。因此，我们对系统进行了准确性、可靠性和效率三个方面的评估。图3总结目标、方法和评估周期。在2010年系统第一个版本实施之前，系统的可靠性进行了评估;2012年10月评估了HABSI规则的准确性。此外，我们评估并继续评估实施HAI管理体系和HABSI监测和分类体系后效率的逐步提高。

我们首先在开发阶段(即在系统实施之前)评估了系统的性能，以了解其为质量指标提供数据的潜力。在2010年7月1日至2010年9月30日期间，将计算机检测到的HABSIs与icp检测到的HABSIs作为常规做法进行比较。根据HABSIs的部门分布和时间趋势，分析这两个数据源之间的相关性。

针对传统基于icp的监控系统性能不一致和变化较大的问题，我们使用icp定义的参考标准对系统实施后的性能进行了进一步评估。为了产生高质量的参考标准，11个icp对2012年10月1日至2012年10月31日期间入院的所有患者的医疗数据进行回顾性回顾，以基于NTUH检测规则识别HABSI病例，其中一位作者(H-CL)验证了结果。系统的敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)及Cohen kappa系数[17]的计算结果。所有的表现指标都是根据患者是否患有HABSI来计算的。

然后，我们比较了系统实施之前(2007年10月至2010年9月)和之后(2010年10月至2013年9月)HABSI确认的延迟(作为实践效率的代理)。确认延迟定义为HABSI确认日期(完成数据录入并由HAI管理子系统中的icp确认)与第一个阳性血液标本登录日期之间的间隔，并通过每月延迟天数的平均值计算。研究期间的选择考虑了之前证明的HAI发病率的季节性变化[7］．

‎ 查看此图

结果

作为质量指标提供者的系统性能

在为期14周的研究期间(2010年7月1日- 2010年9月30日)，在20个科室中发现了501例icp检测到的HABSIs和479例计算机检测到的HABSIs。数据在地点和时间上高度相关(图4)．这些结果表明，该系统提供的数据是合适的质量指标。因此，我们于2010年10月1日实施了该系统。

‎ 查看此图

检测规则的准确性

2012年10月，该系统确定了167例HABSIs (图5)，包括31天内163个参考标准发作中的160个(表1)．HABSI分类系统的敏感性和特异性分别为98.16% (95% CI 94.29 ~ 99.52)和99.96% (95% CI 99.91 ~ 99.98)。PPV和NPV分别为95.81% (95% CI 91.22 ~ 98.15)和99.98% (95% CI 99.95 ~ 100.00)。此外，计算机检测的HABSIs与参考标准之间的一致性接近完美(Cohen kappa系数.97;95% ci 0.95-0.99)。系统检测中心线相关HABSI的性能也很好(敏感性97.14%，特异性99.94%，PPV 91.07%， NPV 99.94%， Cohen kappa系数0.94)。

‎ 查看此图

减少HABSI确认的延迟

HABSI确认延迟时间从系统实施前(2007年10月- 2010年9月，1096天)的43.58 (SD 15.57天)缩短到系统实施后(2010年10月- 2013年9月，1096天;P<措施)。图6HABSI确认延迟的时间趋势在2007年7月曾高达90天，在2007年7月HAI管理子系统实施后有所下降，在2010年10月系统自动化后进一步改善。2013年下半年的延迟仅为5.78天(标准差0.91天)。相反，如果没有该系统，在H1N1流感大流行期间以及在准备国际认证时，延迟会增加。

‎ 查看此图

讨论

初步研究结果

这个基于web的自动化HABSI监测和分类系统使用了从HISs获得的离散数据元素，LISs提供了与传统ICP监测系统高度相关的数据。在敏感性、特异性、PPV和NPV方面表现良好，与参考标准一致;该系统平均减少了29天的确认延迟。该系统提高了实践效率，使icp加强干预，进一步降低呼吸道感染发生率。

电脑辅助的HAI监察及分类系统已广泛推行[11,18-35］．研究已经证明使用各种算法来检测HAIs，尽管结果不同(摘要在多媒体) [25-35］．这类监测系统最关键的性能特征是灵敏度和净现值;系统的效率可根据PPV进行评估[36］．与参考标准相比，当前版本的检测规则和计算机算法在这3个参数上表现优异(灵敏度98.16%，NPV 99.98%， PPV 95.81%)，原因如下:我们通过icp、传染病医生和工程师之间的交流，整合临床知识，翻译国际上的病例定义，定义检测规则并构建计算机算法。该系统是在一家综合医院通过计划-执行-检查-行动循环建立和修订的，该医院为不同的患者群体服务，并提供多种程序。此外，我们评估了该系统的临床效用，将其与前瞻性的、全院范围的常规监测系统和参考标准进行比较。

在本研究中，HABSI检测规则(见多媒体附件1)，而计算机算法(图2)提供了极好的结果。我们调整了美国疾病控制与预防中心对HAI的定义，增加了与48小时内再次入院和新生儿相关的规则，以及“医院获得性”规则，定义为入院后48小时或更长时间获得的血液培养阳性。这些规则包括临床败血症的规则，系统主动筛查心率、呼吸频率和体温，以寻找感染相关的症状和体征。这些努力有助于改善仅使用实验室数据时对HAI的潜在低估。HABSI检测规则包括多微生物和持久性BSI准则，以消除大部分错误信号(如重复计数)。此外，habsi的分类可以灵活地解决当地政策和ICP要求，将其与NTUH历史数据进行比较。

该系统自动检测和分类habsi，并通过要求进一步确认来确保专业自主性。急性呼吸道感染的每一次发作都需要icp的确认。该系统系统地提供了每个HABSI候选人的详细信息，以支持决策。这种设计的主要原因是系统不完善(请参阅“限制”部分)。此外，由于住院患者中HAI很少，该系统旨在选择潜在的HAI候选人，并排除没有HAI的患者，因此不需要icp的审查。

本研究验证了该系统为质量指标提供数据的潜力。该系统使可持续监测成为可能，生成的数据与按部门和时间划分的传统监测系统相关联。此外，HABSI确认的延迟在2013年下半年减少到5.78天(标准差为0.91)。由于住院时间缩短和新发传染病的威胁增加，早期发现感染前免疫系统可查明宿主或指示病例，并在病原体进一步传播之前提供早期干预。目前，HABSI确认的延迟是由于识别阳性血液培养物和微生物所需的时间造成的;该系统检测和分析血液培养的结果，以防止错误警报。此外，在医院之间共享HABSI自动化监测系统时遇到的主要挑战是不同的HIS设置[22];这个基于web的系统遵循SOA和HL7标准，可以很容易地扩展并适应与其他医疗信息系统一起使用。

限制

虽然我们的结果表明该系统表现良好，但这项研究有几个局限性。首先，数据完整性和即时性会极大地影响性能，因为该系统使用了来自许多来源的emr。此外，并非所有监测HAI所需的数据[37]，因为电子病历直到2014年1月1日才在NTUH全面实施。其次，源数据的质量与临床实践和EMRs的表现有关，影响结果。2011年采集的血液标本中有多达1.2%(991/80,327)是通过一次抽血获得的(原因见“方法”部分)，这影响了常见皮肤共约体的识别，并导致了假阳性的HABSI病例(表1)．我们查阅了病历，确定假阳性结果是由于标本递送和登录时间延迟造成的。第三，系统在固定时间内(召回日)更新LIS的实验室数据;然而，在随后的住院期间，数据没有重复。这导致了4例假阳性HABSI病例，因为LIS在召回日之后修改了实验室报告，包括了系统中没有更新的常见皮肤共生污染物。

第四，本研究没有评估发病地点(负责病房)的协议，因为患者经常转移到不同的病房，并且在研究期间没有关于感染症状和体征的电子临床数据。第五，当考虑到临床情况时，HABSI的病例定义是复杂的。对于意见不一致和接受重估(表1)，所有假阴性结果都是由于发烧的病例定义(>38°C)。此外，我们没有评估实施该系统后减少的工时，如之前的研究所述[13,38,39]，或通过重新分配ICP时间和精力，从收集数据到提高项目质量，从而降低HABSI的后续影响，如先前对医院范围内的手部卫生促进项目的研究所述[7]和护理束用于设备相关感染，以预防HABSI。

结论

该全自动系统可集成在医疗信息系统中，可在发生后5.78天(SD 0.91)内检测和分类HABSI，为早期干预提供机会。目前，该系统及感染控制系统的其他组成部分[13,39]运行良好，已成为感染控制项目不可或缺的工具。未来的研究需要使用来自完整emr的临床数据，改进分类算法或采用多变量预测模型[36］．根据这项HABSI自动化监测试点研究的结果，其他HAI监测的进一步努力正在进行中。