基于隨機森林模型的抗腫瘤化療患者經外周靜脈植入中心靜脈導管置管后導管相關感染及影響因素

周菊珍,王麗華,陳秋萍,鞠 陽

[1. 蘇州大學附屬第四醫院(蘇州市獨墅湖醫院)腫瘤科,江蘇 蘇州 215000; 2. 蘇州大學附屬第一醫院腫瘤科,江蘇 蘇州 215000; 3. 蘇州大學附屬第四醫院(蘇州市獨墅湖醫院)靜療門診,江蘇 蘇州 215000; 4. 蘇州大學附屬第一醫院全科醫學科,江蘇 蘇州 215000]

經外周靜脈置入中心靜脈導管(peripherally inserted central catheter, PICC)具有穿刺風險小、留置時間長等優勢,已廣泛應用于臨床,常用于接受長期化學治療(化療)、抗菌藥物治療、全腸外營養等的患者[1-2]。國外研究[3]表明,PICC置管后導管相關感染臨床上較為常見,患者病死率為12%～25%。近年來,盡管已有大量研究[4-5]報道了化療患者PICC置管后導管相關感染的高危因素,但結論多針對特定腫瘤患者或感染部位,缺乏系統性,且分析方法多采用多因素回歸分析,該方法雖具有一定的預測作用,但由于特異度偏低容易影響預測結果。隨著大科學統計和大數據分析的不斷進步,隨機森林算法在臨床上得到廣泛應用,可高效處理混雜和高維度的數據,避免過度擬合[6],從而提高預測的準確度,但目前其在預測PICC置管后導管相關感染方面的研究仍然缺乏。因此,本研究選取接受化療并PICC置管后的400例腫瘤患者作為研究對象,基于隨機森林模型的集成分類算法探討化療患者PICC置管后導管相關感染的危險因素,旨在為臨床提供可靠理論指導。

1 資料與方法

1.1 一般資料 選取2018年2月—2022年8月于蘇州兩所醫院接受治療并行PICC置管的腫瘤患者為研究對象,采用計算機產生隨機數法將就診患者以3∶1 的比例分為訓練集和測試集。納入標準:(1)年齡≥18周歲;(2)化療耐受;(3)意識清楚,能配合研究;(4)臨床資料完整。排除標準:(1)有抗腫瘤治療史;(2)合并重要臟器功能障礙;(3)有不能耐受的不良反應或不能完成整個治療過程;(4)妊娠或哺乳期;(5)發生遠處轉移。

1.2 研究方法

1.2.1 臨床資料收集 收集患者年齡、性別、是否合并糖尿病等基礎信息,并記錄患者發生導管相關感染前單次置管穿刺次數、置管時間、導管是否位移、化療周期、白細胞計數(WBC)、免疫功能及換藥頻次等臨床資料。

1.2.2 導管相關感染診斷 采用美國鳳凰BACTEC9120120XL全自動血培養儀器對PICC置管導管相關感染培養出的細菌進行鑒定,出口部位感染、導管相關血流感染、隧道感染及皮囊下感染診斷標準參考《醫院感染監測標準》[7]。

1.3 統計學分析 數據統計分析應用SPSS 23.0,計量資料組間比較采用t檢驗,多組間比較采用單因素方差分析;計數資料組間比較采用χ2檢驗。多因素分析通過logistic回歸模型進行,預測模型采用隨機森林模型的集成分類算法構建。采用受試者工作特征(ROC)曲線評估模型預測效能,檢驗水準α=0.05。

2 結果

2.1 兩組臨床資料對比 共納入患者400例,其中訓練集300例,測試集100例。訓練集男性164例,女性136例,平均年齡(54.98±4.66)歲;測試集男性53例,女性47例,平均年齡(55.03±4.12)歲,訓練集和測試集患者基線資料比較,差異均無統計學意義(均P>0.05)。

訓練集300例化療患者中,32例患者出現導管相關感染(10.67%),被分為感染組,其余為無感染組。其中,出口位感染8例(2.67%),隧道感染12例(4.00%),皮下囊袋感染12例(4.00%),32例感染患者共檢出病原菌56株,以革蘭陰性菌為主(32株,57.14%),革蘭陽性菌15株(26.79%),真菌9株(16.07%)。與無感染組比較,感染組患者單次置管穿刺次數更多,PICC留置時間更長,導管移動比例、合并糖尿病比例及換藥頻次更高,WBC水平及免疫功能更低,差異均有統計學意義(均P<0.05),見表1。

表1 兩組患者臨床資料對比

2.2 多因素logistic回歸分析 將單因素分析中具有統計學意義的因素納入,采用似然比前進法篩選變量,進行多因素logistic回歸分析。結果顯示,導管移動、PICC留置時間≥60 d、合并糖尿病,以及換藥頻次>7 d是化療患者PICC置管后導管相關感染的獨立危險因素(均P<0.05),而WBC≥3.0×109/L及免疫功能正常為保護因素(均P<0.05),見表2。

表2 化療患者PICC置管后導管相關感染多因素logistic回歸分析

2.3 變量共線性診斷 共線性診斷結果顯示,各變量方差膨脹因子(variance inflation factor, VIF)均小于10,說明變量之間相互獨立,不存在共線性,見表3。

表3 化療患者PICC置管后血管導管相關感染變量的共線性診斷系數

2.4 隨機森林模型的重要性分析 隨機森林模型各變量重要程度的排序結果依次為:PICC留置時間、導管移動情況、合并糖尿病情況、WBC、換藥頻次及免疫功能,見圖1、2。

圖1 隨機森林模型中各影響因素重要程度排序

圖2 隨機森林模型中各臨床特征的累積重要程度

2.5 構建預測患者出現導管相關感染的隨機森林的集成分類算法模型 通過梯度提升回歸樹算法調整隨機森林模型參數,從第20棵決策樹開始,擴展的隨機森林算法的誤差(均方差)逐漸趨于平緩,說明模型泛化能力有所增強,而決策樹數目過大后誤差呈升高趨勢。因此將每片森林的決策樹數目設置為20棵,見圖3。

圖3 決策樹數目與袋外評估平均值之間的關系

2.6 兩種預測模型診斷預測效能比較 將測試集100例患者帶入兩種預測模型,結果顯示,logistic回歸模型曲線下面積(AUC)為0.791,標準誤為0.044,95%CI:0.64～0.82,P<0.001,預測的靈敏度為75.23%,特異度為56.38%,準確度為67.71%。隨機森林算法模型AUC為0.872,標準誤為0.047,95%CI:0.63～0.87,P<0.001,模型預測的靈敏度為66.24%,特異度為65.83%,準確度為65.49%,見圖4。

圖4 隨機森林算法模型和logistic回歸模型的ROC曲線分析

3 討論

腫瘤是我國常見的惡性疾病,具有非常高的發病率,盡管診斷和治療方法不斷進步更新,但仍然是導致患者死亡的重要原因之一[8]。腫瘤的發生發展機制復雜,其過程涉及多種基因、多個步驟,以及免疫、環境和遺傳等多種內外因素[9]。研究[10]顯示,相關基因突變在腫瘤的病情進展、病理分型及預后方面均發揮著重要作用。近年來,腫瘤患者人數逐年增長,針對不能進行手術的患者,化療是最好的治療方案。雖然最佳的細胞減滅手術聯合化療對腫瘤患者具有一定療效,但部分患者在PICC置管后出現導管相關感染,導致一系列并發癥[11]。PICC導管在材料及置管技術方面盡管已有所改進,其導管相關感染仍時有發生,加上化療藥物的不良反應,患者置管后發生感染的概率為12.80%～15.02%[12]。本研究訓練集納入的300例患者中,32例患者置管后出現導管相關感染,感染發病率為10.67%,與既往研究[13]結果一致,可見腫瘤患者置管后出現導管相關感染的風險很難避免。

導管相關感染是常見的醫院感染類型,不僅增加患者住院時間,甚至可能導致患者死亡。本研究結果顯示,PICC留置時間、導管移動情況、合并糖尿病情況、換藥頻次、WBC及免疫功能均為患者PICC置管后導管相關感染的獨立影響因素。隨機森林算法模型顯示,不同影響因素重要程度排序結果依次為PICC留置時間、導管移動情況、合并糖尿病情況、WBC、換藥頻次及免疫功能。癌癥化療通常需要多個周期,因此置管時間相對較長,并且癌癥患者的免疫力低下,易導致細菌繁殖從而引發感染[14]。由于身體活動,患者導管固定不牢,易出現移動等現象,增加穿刺次數,為細菌侵入提供便利[15]。合并糖尿病的腫瘤患者,其自身免疫力相對正常人低,代謝速度變慢,導致血清中WBC水平降低,隨著化療次數的增多,藥物對患者造成的不良反應更加明顯,導致骨髓抑制,增加感染發病率[15]。林海燕等[16]研究表明,乳腺癌化療患者導管相關感染的影響因素為置管時間、合并糖尿病情況、治療季節及化療次數等。王道軍等[17]研究表明,腫瘤患者免疫功能、穿刺次數及化療次數可能是PICC相關感染的獨立影響因素。韓如慧等[18]發現,PICC置管時間越長,血液相關腫瘤患者出現導管相關血流感染的概率越大。

隨機森林算法是隨著計算機功能的發展及大數據應用和分析逐漸健全而產生的機器學習模型,可對各預測變量進行排序,提高了診斷療效。在隨機森林算法中,隨著決策樹數量增加,模型的復雜度也隨之增加,可能導致過擬合現象。因此,需在復雜度和泛化能力之間找到平衡點。本研究通過利用梯度提升回歸樹算法找到最優的決策樹數量為20,以獲得更好的模型性能,從而提高感染預測效率。本研究構建了隨機森林模型和logistic回歸模型。在基于隨機森林模型影響腫瘤患者導管相關感染的預測模型中,PICC留置時間、導管移動情況、合并糖尿病情況、WBC、換藥頻次及免疫功能是排名前六的影響因素,與logistic回歸分析結果一致。使用ROC比較兩個模型的預測效能發現,在訓練集中,隨機森林模型的預測效能顯著高于logistic回歸模型,AUC高達0.872。

基于以上研究結果,預防經化療的腫瘤患者PICC置管后導管相關感染應采取如下策略:(1)盡量縮短PICC留置時間;(2)對合并糖尿病的患者進行積極治療,維持患者血糖相對正常水平;(3)加強對PICC置管患者的監護;(4)調整換藥時間。作為單中心研究,本研究納入患者例數有限,部分影響因子納入不全,如化療藥物的種類等,因此部分結果可能存在偏倚。

綜上所述,PICC留置時間、導管移動情況、合并糖尿病情況、換藥頻次、WBC水平及免疫功能是化療患者發生導管相關感染的獨立影響因素,隨機森林模型的集成分類算法可用于化療患者發生導管相關感染的預測分析,其預測性能優于logistic回歸模型。

利益沖突:所有作者均聲明不存在利益沖突。