精准预测住院患者抗生素治疗高风险：PILGRIM 评分助力抗菌药物管理

《Infection》：Identifying patients at high risk for antibiotic treatment following hospital admission: a predictive score to improve antimicrobial stewardship measures

为解决识别住院患者抗生素治疗高风险人群的难题，研究人员开展 “Identifying patients at high risk for antibiotic treatment following hospital admission” 研究。结果显示 PILGRIM 评分可有效识别高风险患者。这一成果对改善抗菌药物管理（AMS）项目意义重大。

　　在当今全球健康领域，抗菌药物耐药（AMR）问题如同高悬的达摩克利斯之剑，严重威胁着人类的健康。据估算，2019 年全球约 500 万人因 AMR 死亡，其中 130 万人直接死于耐药病原体感染。在医院里，不合理使用抗生素的现象较为普遍，这不仅加剧了 AMR 的传播，还增加了患者的死亡率和发病率。如何精准识别那些需要使用抗生素治疗的住院患者，成为了亟待解决的关键问题。在此背景下，PILGRIM 研究小组的研究人员开展了一项极具意义的研究，相关成果发表在《Infection》杂志上。

研究人员为了开发一种预测评分模型，以识别新住院患者中接受抗生素治疗可能性较高的人群，从而改善未来抗菌药物管理（AMS）项目中患者的纳入情况。他们利用 PILGRIM 研究（NCT03765528）的数据，该研究是一项多中心、国际、前瞻性队列研究，涉及德国、瑞典、拉脱维亚、挪威、以色列和加拿大六国的十个研究点，共纳入 1600 名患者。

在研究过程中，研究人员使用了多种技术方法。首先，收集患者的临床数据，包括人口统计学信息、合并症、用药情况和既往住院史等，并将这些数据记录在标准化电子病例报告表（eCRF）中。接着，对数据进行清洗和预处理，去除不合理或不完整的条目，对缺失值进行编码，排除低响应率或罕见的变量。然后，运用统计软件 SPSS? 28.0.0.0 进行数据分析，采用逻辑回归和 10 折交叉验证的方法构建预测模型。

研究结果如下：

1. 描述性统计：在开发数据集的 942 名患者中，445 名（52.8%）在住院期间接受了抗生素治疗。该队列中男性占 61.6%，患者年龄中位数为 64 岁，平均体重指数（BMI）为 27.3 kg/m2，35.9% 的患者 Charlson 合并症指数（CCI）≥5，表明慢性疾病负担较重。此外，39% 的患者在研究纳入前 6 个月内有过住院经历，15% 的患者在此期间接受过抗生素治疗。在验证数据集的 316 名患者中，134 名（42.4%）接受了抗生素治疗，患者特征与开发数据集相似。
2. 风险因素识别：通过单因素分析，发现血液系统恶性肿瘤、免疫抑制药物使用、既往住院史等是住院期间接受抗生素治疗的显著风险因素，其中血液系统恶性肿瘤的影响最为明显。
3. 二元逻辑回归模型：从所有 41 个定义变量开始进行逻辑回归模型计算，经过逐步去除变量和 10 折交叉验证，最终确定的模型包含四个变量：血液系统恶性肿瘤、近期免疫抑制药物使用、过去 6 个月内住院史和未安排择期手术。该模型在验证数据集上表现出良好的性能，敏感性为 50.0%，特异性为 87.6%，阳性预测值（PPV）为 75.0%，阴性预测值（NPV）为 70.1%，受试者工作特征曲线下面积（AUC）为 0.748。
4. 评分开发：根据最终逻辑回归模型，采用三种不同的加权方法计算 PILGRIM 评分。由于 “未安排择期手术” 变量在加权计算中出现问题，将其替换为 “计划择期手术”。结果显示，不同加权方法对变量的赋权不同，其中血液系统恶性肿瘤在所有方法中均获得最高权重。通过阈值分析发现，较高的阈值可提高特异性和 PPV，但会降低敏感性和 NPV。最终基于 Werfel 方法，采用整数加权计算 PILGRIM 评分：血液系统恶性肿瘤 5 分、免疫抑制药物 2 分、过去 6 个月内住院史 1 分、计划择期手术 2 分。

研究结论和讨论部分指出，PILGRIM 评分在识别不太可能需要抗生素的患者方面表现出色，具有 92.0% 的特异性和 76.0% 的 PPV，这使其成为改善 AMS 措施和研究筛查程序的有价值工具。该评分的开发为未来 AMS 研究和干预中更精准地纳入患者提供了可能，有助于提高资源利用效率，减少不必要的样本收集和干预。同时，研究也存在一定的局限性，如研究队列主要由血液科和肿瘤科的多合并症患者组成，模型未纳入实验室数据和生命体征，敏感性中等，部分变量存在共线性等问题。未来需要在更广泛的患者队列和前瞻性环境中进行验证，以进一步提高模型的适用性和准确性。

总的来说，这项研究为解决住院患者抗生素治疗高风险人群的识别问题提供了新的思路和方法，虽然存在一些不足，但为后续研究奠定了坚实的基础，对推动抗菌药物合理使用和 AMS 项目的发展具有重要意义。