基于多模态数据融合推断医院内耐药菌无症状携带者：基因组学与患者流动网络的协同作用

《Nature Communications》：Inferring asymptomatic carriers of antimicrobial-resistant organisms in hospitals using genomic, microbiological and patient mobility data

本研究针对医院内抗菌药物耐药性生物（AMRO）无症状携带者难以识别的问题，开发了一种结合基因组学、微生物学检测和患者流动数据的新型推断框架。研究人员利用基于数据驱动的机制传播模型，整合临床培养结果、电子健康记录和全基因组测序（WGS）等多模态观测数据，实现了对碳青霉烯耐药肺炎克雷伯菌（CRKP）携带概率的精准估计。结果表明，多模态数据协同使用可显著提高无症状携带者识别准确率，模型模拟验证了基于推断的靶向隔离策略可降低14.8%-28.0%的耐药菌负担。该研究为医院感染控制提供了数据融合的新范式，发表于《Nature Communications》。

　　

在医院这个救死扶伤的前线战场，一场无声的战争正在上演——抗菌药物耐药性生物（AMRO）的传播。这些“超级细菌”中，碳青霉烯耐药肺炎克雷伯菌（CRKP）尤为棘手，它不仅对最后防线的碳青霉烯类抗生素产生耐药，更善于“潜伏”：大量无症状携带者成为隐蔽的传染源。传统监测依赖临床培养，但仅能捕捉冰山一角。如何从稀疏、异构的医院数据中精准识别这些“隐形传播者”，成为感染控制的关键难题。

为破解这一困境，哥伦比亚大学Sen Pei团队在《Nature Communications》发表研究，开发了创新推断框架。该研究巧妙融合四种数据类型：患者流动记录构建的时间演化接触网络、电子健康记录（EHR）中的24项风险因素、临床培养结果，以及全基因组测序（WGS）数据。通过基于主体的模型（ABM）模拟传播动态，并采用序列个体水平推断（SILI）算法进行多模态数据融合，实现了对无症状携带者的精准定位。

研究团队采用三大核心技术方法：首先利用真实世界5年住院记录（193,909名患者）构建动态接触网络，模拟CRKP传播；其次开发贝叶斯算法，将临床培养、EHR风险评分和WGS识别的传播事件转化为统一携带概率估计；最后通过集成调整卡尔曼滤波校准模型参数，确保推断准确性。

接触网络与传播模型

研究通过分析纽约市三级医院5年数据，发现患者接触呈现显著异质性：最长住院患者（浅蓝色节点）形成密集连接簇，接触持续时间分布高度偏态（图1b-c）。基于此构建的ABM模型包含三个关键参数：社区输入率γ、院内传播率β和自发去定植率α（图1d）。

多模态数据推断框架

框架通过三步实现数据融合（图2）：首先将EHR风险因素（糖尿病、透析史等）通过逻辑回归转化为初始携带概率；其次利用临床培养结果（考虑10%有效灵敏度）更新观测患者概率；最关键的是，对WGS识别的高置信度传播事件（SNP距离≤15），通过网络路径分析将基因组信息扩散至关联患者群。

模拟疫情验证性能

在50周模拟疫情中，多模态数据（Test+EHR+Seq）将曲线下面积（AUC）提升至0.92（图3a）。特别在传播路径相关患者亚组中，WGS数据带来显著提升：路径患者识别准确率提高12%（图3b），其室友群体准确率提高8%（图3c）。对前50位高风险患者的日筛查显示，融合方法在疫情后期持续领先（图3d）。

真实世界CRKP携带推断

应用至真实世界411例CRKP阳性患者显示，仅用临床培养时23.8%阳性者位列风险前5%；加入EHR数据后提升至29.0%；进一步融合WGS数据达30.2%（图4a）。对传播路径上的113例患者，多模态推断将前5%识别率提升至37.2%（图4b），显著优于基于住院时长、接触追踪等启发式方法。

靶向隔离模拟干预

基于推断的靶向隔离模拟显示，每周隔离风险排名前1%患者（10-13人），可减少15.9%感染病例（图5a）和14.8%定植患者日（图5b）；隔离比例提升至5%时，降幅进一步扩大至28.0%和22.8%（图5c-d），显著优于其他策略（p<0.001）。

该研究突破性地实现了多模态数据在医院感染控制中的协同增效。尽管WGS数据稀疏（仅220株测序），但通过网络路径分析成功将基因组信息扩散至时空关联患者群，证实“少而精”的基因组监测亦可提升推断效能。研究还揭示了当前监测体系的局限性：31.3%新入院患者缺乏历史病历造成“冷启动”问题，日均仅1%患者接受检测导致数据稀疏性挑战。

讨论部分指出，该框架可推广至其他AMROs，补充实验显示对不同输入率和传播率场景均保持稳健性。研究同时承认三大局限：未显式建模医护人员流动和环境储源，假定房间同质传播率，以及症状触发检测的未建模偏差。未来可通过医患二分网络、空间异质性建模等进一步提升实用性。

这项研究为医院耐药菌防控提供了从“被动监测”到“主动推断”的范式转变。通过数学建模与多源数据的深度融合，使精准识别无症状携带者成为可能，为资源有限环境下实施靶向干预提供了科学依据。随着基因组测序成本的下降和医院数字化程度的提升，这种数据驱动的方法有望成为未来感染控制的标准工具。