这是一项回顾性观察性研究。收集武汉市协和医院4个HAI高危单位的HAI发病时间序列数据和3项流程数据。武汉协和医院是中国武汉的一家三级医院，拥有5000张床位。本研究的工艺数据包括HAI发生率最高的4个单位的联合抗生素利用率、细菌标本检出率和细菌标本阳性率。所有数据为2017年1月1日至2019年6月28日。每周在单位一级收集指标。

监测和人口统计数据可在实时医院感染监测系统(RT-NISS)数据库中获得。简单地说，RT-NISS与多个电子信息系统无缝连接，包括医院信息系统、实验室信息系统以及医院局域网中的其他信息系统。实时提取与感染相关的工艺数据并存储在数据库中。RT-NISS数据库的细节已在前面描述[ 16］．

本研究中所有指标均来自RT-NISS数据库。RT-NISS利用网络挖掘和网络爬虫技术，从包含医生建议和护理记录的数据集中自动提取抗生素使用和细菌培养相关的过程数据。本研究中的3个工艺数据指标每周在每个单元内进行计算。

联合抗菌药物使用率确定为使用1种以上抗菌药物的住院患者人数(n)除以总住院患者人数(n)的比例，即联合抗菌药物使用率= n/ n × 100%;细菌标本检出率计算为采集进行细菌检测的标本数量(i)除以住院患者数量(N)，即细菌标本检出率= i/N;细菌标本阳性率计算为培养细菌阳性标本数(p)除以采集细菌检测标本数(i)，即细菌标本阳性率= p/i × 100%。

收集处方口服和静脉注射抗生素的数据，而局部抗生素不包括在数据收集中。细菌培养痰液包括喉分泌物、尿液、血液、粪便、胸腔积液、脑脊液、腹水、静脉导管等。排除每个个体的重复样本。用于计算工艺指标的变量(N, N, i, p)的数据提取过程如图所示 图1．

根据中国卫生部在2001年发布的感染禽流感的诊断标准，确定感染禽流感的病例[ 17］．医院感染管理小组每周记录HAI病例的发现。医院感染管理团队由临床医生、护士和全职感染控制从业人员组成。医院感染管理团队成员独立审阅患者的临床记录，包括病情报告、微生物学数据、抗生素数据、影像学报告和临床实验室检测结果，并在医院感染管理团队成员达成共识后确定HAI病例。每周的急性呼吸道感染发生率是用一周内新增的呼吸道感染感染病例数除以当周住院患者总数来衡量的。

本研究采用常用的聚类检测统计过程控制方法Shewhart预警模型对各监测指标的时间序列数据集进行分析。在Shewhart模型中，考虑到住院患者的平均住院时间和感染患者的流行病学特征，我们使用了4周时间序列数据的移动平均值。然后，我们使用最近4周的数据作为Shewhart模型的动态预警基线。最后，Shewhart警告统计(S_t)，按以下公式计算动态基线数据集的平均值和标准差:

年代_tX = (_t- - - - - -µ_t) /σ_t

X_t为第t周的观测值;µ_t和σ_t分别为第t-4周至第t-1周预警基线观测值的平均值和标准差。第t周的预警信号是由S_t超过阈值。

当一组急性呼吸道感染紧密地发生在一个医疗单位内时，就认为存在一个呼吸道感染集群，因此以前的呼吸道感染集群预警阈值是基于频率的统计变化。根据《卫生保健相关感染暴发控制指南》，采用阈值为2.0的Shewhart模型检测卫生保健医院的HAI集群[ 18］．这意味着，当当周HAI发病率的4周移动平均值超过过去4周的平均值+ 2个sd时，就产生了一个HAI集群的警告信号。我们使用51个阈值(0.0-5.0，步长为0.1)来检测工艺数据集群，以探索用于工艺数据预警的Shewhart预警模型的最佳阈值。

基于3种单指标预警策略的组合，我们设计了5种工艺指标预警策略:(1)单组合抗生素使用率，(2)单细菌标本检出率，(3)单细菌标本阳性率，以及2种多指标预警策略，(4)单组合抗生素使用率+单细菌标本检出率+单平行细菌标本阳性率，(5)单组合抗生素使用率+单细菌标本检出率+单串联细菌标本阳性率。每一个子指标产生一个信号，就产生并行警告信号，所有子指标在同一时期产生信号，才产生串联警告信号。

我们利用HAI发生率与过程数据之间警告信号的一致性来评估HAI聚类检测的警告性能。以工艺数据的预警信号作为检验，以HAI发生率的预警信号作为参考。预警信号定义为4周内早于HAI发病信号产生的工艺数据信号。据此，我们计算了每个工艺数据阈值下的敏感性、特异性和约登指数，以早期发现HAI聚类。此外，在51个阈值(0.0至5.0，步长为0.1)下，利用灵敏度和1 -特异性绘制HAI聚类信号早期检测过程数据的受试者工作特征(ROC)曲线。利用约登指数评价各阈值下HAI聚类检测的综合预警性能。

灵敏度=预警信号检测到的HAI聚类信号数/ HAI聚类信号总数

特异性= HAI发生率和过程指标中均未产生信号的周数/ HAI发生率中未产生信号的周数

约登指数=敏感性+特异性- 1

均值之间的差异采用单因素方差分析，4个独立单位之间比例的差异采用卡方检验。采用配对样本对各阈值预警策略之间的约登指数进行统计评价 t测试。一个 P-值小于0.05被认为在所有分析中具有统计学意义。

在研究期间，共有23119名患者被收治到WHUH的4个HAI高危单位。医院感染管理小组诊断出1503例急性呼吸道感染感染病例。这些高危单位的HAI发生率为5.36%(462/8618例)至9.06%(316/3489例)。4个HAI高危单位患者的所有人口学特征均有统计学差异( 表1）.

各单元3个工艺指标和HAI发生率的时间序列图见 图2，以及在 多媒体附件1．工艺数据中时间序列的波动通常与HAI发生率的波动同步。在每个单元使用Shewhart预警模型进行HAI聚类检测时，单元1产生20个信号，单元2产生16个信号，单元3产生18个信号，单元4产生16个信号。这些HAI聚类信号在每个阈值与过程数据警告信号进行比较。在2.0阈值处的信号比较示例示于 多媒体附件1．

根据预警信号的定义，利用51个阈值散点绘制5种预警策略对早期检测到的HAI聚类信号的ROC曲线。 图3表示4个单元检测HAI聚类信号过程数据预警的总体ROC曲线。一般情况下，所有的ROC曲线都位于标准线以上，且平行预警策略的ROC曲线下面积大于单指标预警策略和串联预警策略。

并行预警策略对HAI聚类信号早期检测的优约登指数高于其他预警策略。具体来说,最优Youden指数为0.48 (95% CI 0.29 - -0.67)的阈值为1.5结合抗生素使用率,0.49 (95% CI 0.45 - -0.53)的阈值0.5细菌标本的检验率,0.50 (95% CI 0.28 - -0.71)的阈值为1.1阳性细菌标本率,0.63 (95% CI 0.49 - -0.77)在并行策略的阈值为2.6,和0.32 (95% CI 0.00 - -0.65), 0.0系列的一个阈值策略。

图4图中为4个单元约登指数随预警阈值变化的总体曲线。1.5阈值是约登指数对平行预警策略与单指标预警策略优劣的分界点。

表2为预警策略之间约登指数的平均差值。当Shewhart模型阈值小于或等于1.5时，单指标预警策略的约登指数高于并行预警策略，仅细菌标本检出率和仅细菌标本阳性率的约登指数优于仅联合抗生素利用率的约登指数;但当阈值大于1.5时，平行预警策略的约登指数高于单指标预警策略，且仅联合抗生素利用率约登指数优于仅细菌标本检出率约登指数和仅细菌标本阳性率约登指数。此外，在大多数阈值下，串联预警策略的约登指数均低于单指标预警策略和并行预警策略。

本研究通过回顾性分析武汉市卫生医院4个HAI高危单位的时间序列监测数据，评价不同预警策略下3个过程指标(联合抗生素使用率、细菌标本检出率、细菌标本阳性率)对HAI聚类的预警效果。所有预警策略的ROC曲线均位于标准线上方，表明基于过程数据的监测能够检测到HAI聚类。单元特异性结果在4个独立高风险单元中表现出相似的结果，表明过程数据监测对HAI聚类检测具有普遍的预警能力。但不同单位的预警准确性存在差异，主要是由于种群特征、抗菌药物使用行为和致病谱的差异。

基于流程指标与感染之间的相关性，流程指标已用于检测HAI病例和暴发。在Freeman对电子HAI监测研究进展的回顾中[ 19]， 77%(34/44)的研究使用电子病历检测HAI病例。在另一项关于自动检测HAI暴发的综述中，62%(18/29)的研究使用微生物数据来检测HAI暴发[ 9］．例如，Fournier等人[ 10]证明了抗生素的使用对 铜绿假单胞菌感染可识别3种传染病 铜绿假单胞菌烧伤中心的感染[ 10］．Carron等[ 20.建议未来对药物消费的电子监测可以确定疾病的爆发 铜绿假单胞菌在缺乏常规传统监测的情况下感染。此外，美国最近的一项回顾性研究显示，通过电子病历数据库的数据挖掘，在2011年至2016年期间成功发现了9次HAI暴发，并且当第二个HAI患者被诊断出来时，可以在其中一次暴发中产生最早的警告信号[ 12］．在法国2家医院进行的一项研究中，研究人员使用时空排列扫描统计模型分析WHONET系统中的微生物数据，并成功检测到几次急性呼吸道感染暴发[ 11］．

联合多个独立指标检测HAI聚集性将是HAI暴发预警的一个新的研究方向。信息化技术为多源过程数据的实时监控提供了方便的工具。由于过程指标对感染的非特异性，仅监测单一指标不能完全反映HAI的发生和进展，这可能限制了HAI检测的准确性和及时性。为了克服这一问题，多个非特异性指标的组合提供了更多与感染相关的信息，有望提高HAI检测的早期预警性能。这个假设在我们的研究中得到了证实。多指标并行预警策略的ROC曲线下面积大于其他单指标预警策略，说明多个过程指标的联合监测提高了HAI聚类检测的性能。此外，其他研究人员也提出了类似的观点。斯波拉奥尔等[ 21]提示多种监测指标的结合提高了手术部位感染检测的准确性。在他们的研究中，仅使用放电代码或仅使用微生物报告检测手术部位感染的阳性预测值仅为70%，但当这两项指标联合使用时，阳性预测值增加到97%。

值得一提的是，多个指标的组合是影响HAI聚类检测准确性的重要因素。在我们的研究中，与单指标预警策略相比，采用平行预警策略时，ROC曲线下面积增大，而采用串联预警策略时，ROC曲线下面积减小。约登指数比较的结果同样是平行预警策略各阈值下的约登指数平均值均大于单指标预警策略，而串联预警策略各阈值下的约登指数平均值均小于单指标预警策略。一般情况下，多个指标并行组合可以提高预警的敏感性，但降低预警的特异性。相反，多个指标串联组合可以提高预警的特异性，但降低其敏感性。Bouzbid等人也研究了这种情况[ 22］．单独使用处方算法指标对HAI的敏感性和特异性分别为82.3%和66.7%，单独使用微生物算法指标的敏感性和特异性分别为94.0%和77.3%。此外，当这两个指标同时使用时，敏感性提高到99.3%，但特异性下降到58.6%。两指标串联时，敏感性降低至77.0%，特异性提高至87.3%。

预警模型的阈值是影响HAI聚类检测性能的另一个重要因素。在前瞻性监测和预警中，有必要考虑HAI集群的风险严重程度和预防成本。预警模型的阈值应根据预警灵敏度的需求和响应预警信号的成本来设置。从约登指数随预警模型阈值变化的结果来看 图4，我们发现，当Shewhart模型的阈值为1.5或更小时，HAI集群的并行预警性能低于单指标预警。只有当阈值大于1.5时，并行告警的性能才会超过单指标告警。理论上，阈值越低，预警的敏感性越高，特异性越低;阈值越高，预警的敏感性越低，特异性越高。由于敏感性和特异性的对立关系，综合考虑敏感性和特异性的约登指数的最大值可以作为确定最佳阈值的替代标准。我们的结果表明，平行警告的约登指数在2.6的阈值时是最优的。平行预警的优约登指数优于单指标预警的优约登指数;单指标预警的优约登指数高于串联预警的优约登指数。这一结果再次证明了并行预警策略可以提高HAI聚类检测性能，而串联预警策略则降低了HAI聚类检测性能。

以往的研究报道了一些可用的HAI暴发检测新方法，主要包括(1)探索新的监测对象，(2)创新统计模型，(3)应用智能算法。

一个法国项目联盟通过开发一种用于检测电子病历中HAI事件的自然语言处理解决方案，证实了自然语言处理在医院设施中自动检测HAI的可行性。HAIs自动检测的总体敏感性和特异度分别为83.9%和84.2% [ 23］．这种检测效率与我们研究中过程数据的多源监测相似。另一项研究报告了一种新的统计过程控制图，使用Twitter的异常和爆发算法来检测异常的HAI监测数据。在季节性和自相关的背景下，它似乎比统计过程控制图工作得更好，表明了一种用于异常HAI检测的可用算法[ 24］．此外，Adhikari等人[ 25]介绍了一种有效的数据和模型驱动算法来检测HAI暴发。他们设计了一种近似最优的算法来获取监测数据集，并模拟了病毒的传播 梭状芽胞杆菌 难相处的医院感染根据数据模拟，他们的算法对HAI爆发检测显示出95%的高灵敏度，优于许多自然启发式方法。此外，西班牙Ourense大学医院综合医院的研究人员在实现HAI智能诊断的基础上开发了用于HAI监测的InNoCBR系统。与RT-NISS类似，InNoCBR是使用微生物学和药学数据库建立的，但不同之处在于它将智能诊断模块集成到采集过程模块中。InNoCBR的灵敏度为70.83%，特异性为97.76%，在HAI监测中表现出可接受的检测性能[ 26］．总的来说，探索高质量监测数据和智能检测模型将是未来HAI检测研究的主要方向。

关于本研究结果的一般性的一些局限性必须加以解决。首先，工艺数据与HAI发生率之间的警告信号可能存在错误的相关性。本研究基于历史监测数据进行回顾性分析;因此，工艺数据预警信号与HAI发生率的相关性判断依据信号的时间和地点，缺乏流行病学调查。因此，我们的结果的适用性需要在前瞻性监测中进一步研究。

其次，我们研究中使用的过程指标属于非特异性数据，对于感染的发生和进展提供的信息有限，因此使用这些非特异性指标检测HAI聚类时容易产生负信号。虽然多个指标并行组合可以提高检测HAI集群的预警性能，但也增加了负面信号的数量，导致应对这些虚假预警信号的成本过高。因此，基于过程数据的多源监测目前还不能完全取代传统的病例监测，只能作为发现病例或聚集性疾病的辅助手段。

最后，监控噪声是基于过程数据的自动监控系统不可避免的问题。实际上，自动化监控是利用计算机技术自动检索、识别和收集数据库中的格式化数据的过程。虽然自动化提高了监测效率，但不可避免地会在监测数据中混入一些混淆信息。由于这些混杂数据通常以非结构化的形式存储，给监测增加了噪声，因此在RT-NISS系统中很难自动清洗和细化它们。例如，社区感染的预防用药和治疗用药数据被混合到抗生素使用率指标中。此外，根据中国国家卫生健康委员会发布的《临床微生物实验室血液培养操作规程》，成人血液标本每次在WHUH不同穿刺点采集2-3组，部分重复培养的血液标本被混合在细菌标本检出率和细菌标本阳性率的指标中。虽然这些混杂噪声会影响HAI聚类检测的性能，但我们认为人工清洗和细化这些混杂噪声费时费力，这与自动预警的初衷是相悖的。事实上，考虑到感染控制从业者在医院比在社区更容易调查警告，我们建议以监控噪音为代价提高警告的及时性是可以接受的。我们也相信，在未来的HAI聚类检测中，人工智能技术将实现对这些监视噪声的自动清洗和细化功能。

区域网络过程数据的多源监测可以在不依赖病例报告的情况下检测出HAI集群;与传统的HAI病例监测相比，在实时性和自动化方面具有优势。在本研究中，我们证明了自动监测抗生素联合使用率、细菌标本检出率和细菌标本阳性率的过程数据可以提供HAI聚集的早期预警。多指标组合和检测模型的阈值是影响预警性能的两个重要因素。多个数据并行组合可以提高预警性能，而当这些数据串行组合时，可能会降低性能。低阈值检测模型更适合单指标预警策略，而高阈值检测模型更适合多指标预警策略。基于过程数据的多源监测预警理论有待进一步研究。