编辑推荐：
医疗相关感染（HAIs）是全球公共卫生难题，传统监测方法存在诸多弊端。研究人员开展 AI 在 HAI 监测应用的研究，发现 AI 模型性能良好但临床应用不普遍，其对减轻负担等方面证据不足。该研究为评估 AI 在 HAI 监测中的作用提供依据。
在医疗领域，医疗相关感染（Healthcare-associated infections，HAIs）一直是个让人头疼的大问题。它就像隐藏在医院里的 “幽灵”，悄无声息地威胁着患者的健康。HAIs 是指患者在医疗环境中获得的感染，像在医院、门诊手术中心或长期护理机构等地都可能发生。全球每 10 个患者中就至少有 1 人会受到 HAIs 的影响，而且这个数字还在以每年 0.06% 的速度增长。在欧洲，每年有 430 万例 HAIs 发生，导致超过 9 万人死亡，医疗成本增加约 70 亿欧元。不仅如此，HAIs 还会造成患者住院时间延长、抗菌药物耐药性（AMR）增加等一系列严重后果。
面对如此严峻的形势，传统的 HAIs 监测方法却显得力不从心。目前的监测大多依靠人工，专业人员需要仔细查阅电子或纸质病历，收集数据并进行审核。这个过程不仅耗费大量人力、时间，还容易受到资源限制，导致很多 HAIs 病例无法被及时发现和报告。而且，人工审核的准确性也会受到不同审核人员主观因素的影响。
为了攻克这些难题，来自多个机构的研究人员展开了深入研究。他们聚焦于人工智能（Artificial Intelligence，AI）在 HAIs 监测中的应用，试图探索 AI 能否为 HAIs 的监测带来新的转机。该研究成果发表在《Artificial Intelligence in Medicine》上。
研究人员主要运用了系统评价和荟萃分析的方法。他们检索了 MEDLINE、Embase 和 Scopus 等数据库，筛选出 249 篇符合要求的研究进行分析。在数据处理和分析过程中，运用多种统计方法对 AI 模型的性能指标进行评估。研究中的数据来源广泛，包括各医疗机构的本地电子健康记录（EHR）、公共数据库等。
研究结果如下：
- 研究特征：从 2013 - 2016 年相关研究较少，之后数量开始增长，2021 年达到高峰。研究主要来自北美和亚洲，多为多学科合作成果。数据来源以本地 EHR 为主，样本量差异大。研究主要针对败血症（sepsis）、手术部位感染（SSI）等多种 HAIs 类型，多数研究在 ICU、手术科室和普通住院部开展。所使用的 AI 模型种类多样，以分类任务为主，且多采用训练 - 测试分割等方法处理数据。
- 性能的荟萃分析：对 AI 模型性能的荟萃分析显示，不同 HAIs 类型的模型性能存在差异。总体而言，模型在 AUC、准确性和特异性方面表现较好，但敏感性相对较低。例如，血流感染（BSI）的 AUC 为 0.864，敏感性为 0.673；艰难梭菌感染（CDI）的 AUC 为 0.806，敏感性仅为 0.368 。不过，模型在败血症、SSI 和未指明的 HAIs 监测上表现相对更好。敏感性分析表明，排除回顾性监测研究后，结果仍较为稳健。
- 影响、可解释性、再现性和其他质量项目：仅有 35.7% 的研究将 AI 模型性能与其他方法比较，多数情况下 AI 模型表现更好或相当。但只有 7.6% 的研究测量了 AI 系统的实际影响，包括工作量减少、成本节约等方面。在模型部署方面，只有 12.0% 的研究开发了用户友好的工具，且仅有 3.6% 在临床实践中进行了测试。此外，研究质量在多方面存在不足，如模型可解释性、外部验证、代码和数据可用性等方面都有待提高。
- 基于 ML 的不同 HAIs 类型监测
- 血流感染（BSI）：15 项研究显示 ML 模型性能总体良好，但在儿科患者中的表现不一致。研究还发现了新的诊断因素，部分研究在预测血培养结果方面取得进展，但模型的外部验证至关重要。
- 艰难梭菌感染（CDI）：7 项研究表明，尽管有技术进步，CDI 的预测仍具挑战性，外部验证和转移学习技术在该领域有应用前景。
- 肺炎：13 项研究涉及多种输入数据类型，发现了一些新的感染预测因素，但没有研究报告模型部署、外部验证或测量 AI 系统的影响。
- 败血症（sepsis）：124 项研究主要在 ICU 进行，使用多种数据格式和模型。多数研究将 ML 模型与其他方法比较，部分模型在预测败血症方面表现出色，一些模型已部署并在临床实践中测试，但对临床实践的影响参差不齐。
- 手术部位感染（SSI）：52 项研究多使用本地 EHR 数据，聚焦成人患者。图像输入和 CNNs 在 SSI 预测中应用较多，部分研究测量了 AI 系统的影响，发现可减少工作量和成本，一些模型已部署为应用程序。
- 尿路感染（UTI）：9 项研究多基于 EHR 数据，UTI 预测依赖实验室数据等。一些研究关注早期风险预测，发现了新的风险因素，还有研究在门诊环境中有应用。
- 非特异性、多种或其他 HAIs：29 项研究采用多种数据格式，部分研究在儿童、产科等领域有发现，一些模型已部署并测试，部分研究评估了成本效益。
研究结论和讨论部分指出，AI 模型在 HAIs 监测中展现出良好的技术性能，但在临床实践中的应用仍不普遍。目前对 AI 在临床实践中的影响评估存在困难，且相关研究在数据质量、模型可解释性、临床影响评估等方面存在不足。未来需要开展更多研究，评估 AI 模型与现有监测方法的优劣，加强模型开发者与医疗专业人员的合作，注重临床结果、成本效益、可用性和可接受性等方面的研究，同时提高 AI 研究的科学质量，确保伦理数据使用、透明度、可解释性和可重复性。这对于推动 AI 在 HAIs 监测中的有效应用，提高医疗质量，保障患者健康具有重要意义。
